ARTICLE · 1168091
OpenAI 最新数据:从提问到执行,员工已经在让 AI 干活,公司还没跟上
在工作场景里，人们让 ChatGPT 去"完成一件事、做出一个东西"的概率，是非工作场景的两倍以上。
写作、编程、分析——不是问它怎么办，是让它做出来。
而在工作之外，人们仍然主要在"问"：解释一个概念、查一条信息、要一个建议。
一个动词的变化：Ask → Do
从"告诉我该怎么做"，变成"你帮我做出来"
看到这里，很多人会顺理成章地得出一个结论：员工越来越会用 AI 了，所以企业的 AI 转型正在变好。
我认为恰恰相反。
个人越快从"问 AI"走向"让 AI 干"，组织这一侧的问题就会越快暴露。
01OpenAI 第一次把这个变化量出来了
先把这份数据的边界说清楚，因为几乎所有转载都会漏掉它。
这组数据来自 ChatGPT 的 Free、Go、Plus、Pro 账户——OpenAI 明确说明，这是"通常由个人而非机构管理的账户"。
换句话说：企业采购的 Enterprise 账户，不在这份数据里。
这意味着两件事。
第一，它能证明的是：个人的工作行为正在变化，而不是"企业已经完成转型"。
第二，也是更值得注意的一点：这些"工作中的 AI 使用"，并不是从企业管理的账户里观察到的。它测的是员工个人的工作方式发生了什么，而不是企业制度已经改变了什么。至于这些使用有多少经过公司正式授权、有多少是员工自发采用，这组数据本身回答不了。
所以别急着把它当成企业转型的捷报。它更像是一张体检报告，测的是员工，不是组织。
真正的问题是：个人已经从 Ask 走到 Do 了，那企业呢？
02真正拉开企业差距的，不是用得多，是用得深
要回答这个问题，得看 OpenAI 5月6日发布的另一组数据：B2B Signals。这一组专门统计企业客户，很少有人拿它和 8月6日这篇放在一起读。
放在一起，才是完整的图。
OpenAI 把 AI 使用处于 95 分位的企业称为 frontier firms（前沿企业）。三个数字：
| 3.5×智能量差距 | |
| 36%只能补这么多 | |
| 16×Agent 工具差距 | |
| 7×教育与学习 |
翻译成人话：领先企业不是"和 AI 聊得更多"，而是"交给 AI 的东西更重"。
这条数据不是说覆盖率和活跃度没用，而是说：它们只能证明员工"在用"，证明不了 AI 已经进入更深的工作。账号覆盖率、月活、Prompt 数仍然该测，但它们应该从"最终 KPI"降级成入口指标。
原因 OpenAI 说得很直白：这些高阶工具的采用，需要更多专业能力、需要连接公司的知识和系统，以及——更愿意把工作交给 AI。
报告最后给企业的第五条建议，一句话：Move beyond chat to delegating work. 从聊天辅助，走向把工作委派给 Agent。
换一个维度看，还有一条更意外的。上面的 16 倍是工具维度的差距。如果换成任务类型维度，差距最大的既不是写作也不是编程，而是——教育与学习：前沿企业是典型企业的 7 倍。
领先企业不只是给员工买工具，它们在用 AI 帮员工持续学习，包括学习怎么用 AI。这条很容易被跳过，但它其实在回答"3.5 倍是怎么拉开的"。OpenAI 给企业的建议里有一条：把 enablement 当成核心基础设施，而不是一个副项目——不是搞一次培训就完事，而是持续的角色化训练、用例工作坊、内部案例库。
03从 Ask 到 Rebuild：企业 AI 其实有四个阶段
把这两组数据摆在一起，可以画出一条很清楚的路径。
（下面这个四阶段是我自己的归纳，不是 OpenAI 的原文分类。）
| 第一阶段 | 几乎不用变。 | |
| 第二阶段 | 流程不变。 | |
| 第三阶段 | 组织必须变。 | |
| 第四阶段 | 全面重新设计。 |
第二阶段到第三阶段的描述，正好解释了一个普遍的尴尬：每个人都说 AI 帮了大忙，但公司报表上找不到。个人省下的三十分钟，如果流程本身没变，只会散落在日程缝隙里，不会汇总成组织级的效率。
这里要说清楚一件事：8月6日那组数据只能看到 Ask → Do，它并没有区分 Do 里面有多少是 Assist、有多少已经进入 Delegate——OpenAI 对 Doing 的定义就是"产出一个结果或完成一个任务"，编辑、编程、分析都算。所以要判断 Do 到底有多深，得靠第二块证据：企业数据里那个 16 倍的 Codex 差距。
到了 Delegate 这一层，AI 转型第一次从"工具问题"变成"系统问题"。
大部分企业今天卡在第二格。3.5 倍说明领先企业已经在把更复杂、上下文更丰富的工作交给 AI——那是深度；16 倍的 Codex 差距进一步提示，这种深度正在往 Agent 式的委派扩展——那是方向。
04为什么一进入 Delegate，组织问题全来了
第二阶段到第三阶段，看上去只是"多交一点出去"，实际上是一道坎。因为四件此前可以糊弄过去的事，突然全部变成硬约束。
1AI 不懂公司这件事，代价变了。
AI 帮你写邮件的时候，它不知道你们内部把"大客户"定义成什么，问题不大——你自己会改。但当它开始下单、排产、处理客户、分配工单，它如果搞不清什么算客户、哪条规则生效、谁有权批准，那就不再是"回答错了"，而是业务事故。从 Assist 到 Delegate，AI 犯错的成本从"重写一遍"变成"追责一次"。
2你会发现流程本身就是坏的。
我之前写 DORA 报告时的结论是：AI 不是灵丹妙药，它是放大器。好的数据、平台和反馈机制会被放大，混乱的流程也一样会被放大。进入委派阶段，这个放大效应更狠。一个人手工走错一步，影响一个任务；一个 Agent 沿着错误流程自动跑，一晚上能走错一千次。很多企业不是"AI 用不起来"，是被 AI 照出了自己流程的原样。
3管理方式必须从盯人变成给上下文。
我在写字节那篇时提过一个判断：Context 正在从沟通技巧变成组织的基础设施。道理在委派阶段变得很直白——真正开始委派之后，你没法再靠"每一步都让领导签字"来获得安全感。但这不等于取消控制。OpenAI 给企业的建议里写得很清楚：要规定 Agent 在哪里可以运行、能用什么信息、什么时候只能建议而不能行动、高风险决策由谁复核。委派不是去掉审批，而是把审批从每一步，挪到真正高风险的那几步。Agent 需要的是四样东西：上下文、边界、反馈，加上人工检查点。而这四样，恰好也是一个好员工需要的。
4个人快、组织慢的落差正在扩大。
麦肯锡那份调研里有一组我一直记得的数字：70% 的员工认为自己已经准备好，而只有 27% 的管理者认为组织准备好了。8月6日这份数据是那个结论的续集——员工不只是"准备好用"，他们已经在把 AI 从问答工具变成执行者了。球，彻底落到了组织这一侧。
05企业该换一套 AI 指标了
如果上面成立，那今天大部分公司在用的 AI 指标就该降级了：
AI 账号覆盖率 · 月活 / 周活 · Prompt 数量、Token 消耗 · 培训完成率
这些只测 "access"，不测 "depth"。而 OpenAI 那个 36% 已经说明：光把量拉上去，只能走三分之一。
我想提出一个替代的衡量角度，姑且叫它——
委派深度Delegation Depth
（这不是 OpenAI 的官方指标，是我自己的分析框架。）
它由五个问题构成：
1AI 是在回答问题，还是在完成工作？
Ask 还是 Do
2它完成的是一个步骤，还是一个完整任务？
Assist 还是 Delegate
3它只是给建议，还是有权采取行动？
advise 还是 act
4完成之后，组织有没有稳定的验收、治理和反馈机制？
一次性尝试 还是 可复用的工作流
5AI 手里有多少公司真实的上下文？
它理解你们自己的定义、规则和边界吗
这四个问题合起来，其实只在测一件事：
你到底敢把多少工作，真正交出去。
不敢交，说明你缺的不是模型，是上下文、是流程、是治理、是信任。
顺便说一句，OpenAI 自己给企业的五条建议，第一条就是"测使用深度，而不只是覆盖率"。第二条是把治理当成让 Agent 可部署的手段，而不是刹车。领先企业不是不管，是管得更清楚，所以才敢交。
06三个不能混为一谈
写到这里得把话说全，因为这两份数据都有测不到的东西。
| Doing ≠ Delegation | |
| Depth ≠ Value | |
| Delegation ≠ Autonomy |
还有两条关于数据本身的边界：
"世界"其实是"个人"。8月6日那篇标题写的是"世界如何让 ChatGPT 干活"，但企业账户被排除在外。严格说，它测的是"个人如何把 ChatGPT 用在工作上"。
它是供应商的自有数据。OpenAI 这两份数据很有价值，因为样本大、行为真实。但它有天然边界：数据来自 OpenAI 自己的产品，指标由 OpenAI 定义，解释框架也由 OpenAI 提出。它适合用来观察行为变化，不适合单独拿来证明 AI 已经创造了多少企业利润。
所以更准确的表述是：
个人侧正在从 Ask 走向 Do；企业侧的领先者，正在从 Chat 走向 Delegation。两组数据放在一起，才看得见完整的趋势。
07最后
| 三年前 | |
| 一年前 | |
| 今天 | 我们到底敢把多少工作，真正交给 AI？ |
这个问题一旦被提出来，AI 转型就不再是一次工具采购，也不再只是一轮员工培训。
因为"委派"这两个字，逼着你重新回答：谁定目标，AI 知道什么，AI 能做什么，谁来验收，出了错谁负责。
Ask → Do，是个人工作方式的变化。
Chat → Delegation，是企业 AI 使用深度的变化。
Assist → Delegate，才是组织被逼着开始变化的地方。
AI 原生组织真正的分界线，也许从来都不是"有多少人在用 AI"——而是"有多少工作，组织已经敢交给 AI"。
△ 企业 AI 的四个阶段：Ask → Assist → Delegate → Rebuild
📎 原文链接
OpenAI《From asking to doing: How the world is putting ChatGPT to work》，2026年8月6日
https://openai.com/index/how-the-world-is-putting-chatgpt-to-work/
OpenAI《B2B Signals》，2026年5月6日
https://openai.com/signals/b2b/
文中"四阶段模型""组织转型分界线""委派深度"均为作者归纳，非 OpenAI 官方框架。
📚 专栏系列
📕 AI Coding 实战 — Harness Engineering 深度拆解、Claude Code 源码分析、AI 编码认知进化
📘 AI 时代人才战略 — 从个人能力升级到领导力重塑，AI 时代人才的底层逻辑
📗 AI 原生组织进化研究 — 埃森哲等标杆企业如何从内部重构为 AI 原生组织
📙 AI 原生转型实战系列 — 从方法论到落地路径，企业 AI 转型的实操指南
