企业都在上AI,为什么真正用得最狠的是新人?

01 买账号很容易，组织准备度才是分水岭

先看企业使用AI的速度。

论文显示，从2025年6月到2026年3月，样本企业的ChatGPT Enterprise输出token总量增长约7倍。如果只看2025年6月前已经采用的那批企业，使用量也增长了约4倍。

这说明增长不只是因为更多公司买了账号。已经购买的公司，也在越用越深。

但“采用”并不平均。

在与财务数据匹配的美国上市公司样本中，采用ChatGPT Enterprise的公司，规模、市场价值和研发投入普遍更高。采用者2024年的收入中位数约为22.75亿美元，未被识别为采用者的公司约为2.10亿美元；两组市场价值中位数分别约为49.97亿美元和3.16亿美元。

这些数字不能证明“用了ChatGPT，所以公司更值钱”。论文明确说，这里描述的是相关性，不是因果关系。未被识别为采用者的公司，也可能正在使用其他AI产品、个人账号或内部系统。

真正值得关注的，是更早采用AI的公司，往往已经积累了更多组织能力：软件基础、研发投入、管理机制，以及重新设计流程的资源。

换句话说，AI没有自动拉平企业差距。至少在早期，它可能先放大那些原本就更会学习、更会组织、更敢投入的公司的优势。

AI的第一道门槛，不是模型够不够强，而是组织有没有能力接住它。

这也是很多企业的误区。

看到别人采购，就采购；看到别人办培训，就办培训。账号发完，课程上完，便以为转型已经开始。

其实，采购只是拿到了入场券。真正的比赛，是员工能不能找到高价值任务，管理者能不能允许低成本试错，优秀用法能不能进入团队流程。

02 新人不是人数最多，却是最舍得试错的人

这篇论文最容易被误读的，就是“新人用AI更多”。

先把两个概念分开。

在采用六个月后的平均企业里，经理和董事约占周活跃用户的24%，早期职业阶段员工和培训人员约占7%。所以，不能说新人是企业AI用户的多数。

但在已经成为活跃用户的人群中，职级越低，消息量越高。早期职业阶段员工和培训人员，每周比同一家公司的平均活跃用户多发送约8—9条消息；经理、董事和高管则更少。

人数不是最多，使用却更深。

为什么？论文没有直接给出因果答案。但从任务结构看，新人和普通个人贡献者更多处理文档、技术执行、沟通和信息整理。这些工作边界较清楚、反馈较快，也更适合把AI当作第一版生产工具。

还有一个解释，来自更早的一项同行评议研究。

研究者跟踪了5,179名客服人员。引入生成式AI助手后，人均解决问题的效率平均提高约14%；新手和较低技能员工提高约34%，资深员工的提升则很有限。

研究者认为，AI把优秀员工积累的表达方式和解决路径，转化成了新人随时可以调用的建议。过去需要跟着师傅慢慢学的隐性经验，有一部分变成了即时反馈。

当然，这是客服场景，不能直接套到所有知识工作。但它至少解释了一种可能：经验越少的人，越缺第一版思路、结构和参照物，AI提供的边际帮助就越大。

资深员工不一定更抗拒AI。他们可能只是拥有更多无需询问模型的判断，也承担更多会议、协调和签字责任。消息少，不代表价值低；消息多，也不代表工作更重要。

AI先降低的，往往不是岗位数量，而是获得第一版答案的门槛。

所以，新人高频使用AI，不必急着解读成“新人将被AI替代”。另一种可能是：AI正在缩短他们获得基础经验的路径。

真正的问题是，公司有没有看见这批最活跃的试验者。

03 消息很多不等于价值很大，中间还隔着一条流程

使用量是一个信号，却不是结果。

论文的作者反复提醒：他们没有观察员工最终交付了什么，也没有测量质量、生产率、利润或组织流程是否发生改变。员工和AI聊了十次，可能完成了一份好方案，也可能只是把同一个问题反复问了十遍。

这条边界特别重要。

如果企业把消息数当成绩，就会鼓励“为了使用而使用”；如果只看节省了多少分钟，又可能忽略核验、返工和错误成本。

真正的组织能力，应该至少经过三层。

第一层，是个人工具。

员工用AI写邮件、整理资料、搭框架。动作变快了，但经验仍然留在个人聊天记录里。

第二层，是共享流程。

团队把有效用法沉淀成模板、知识库、内部助手和操作规范。新人不必每次从零摸索，资深员工也能把验收标准写进去。

第三层，是经营结果。

企业开始衡量周期、质量、返工、风险和客户结果。到这一步，AI才不只是“很多人在用”，而是改变了业务系统。

BBVA的路径提供了一个具体例子。根据BBVA公开信息，这家银行已经让超过10万名员工接触ChatGPT Enterprise和Gemini，常规使用率约70%。它没有只发账号，而是培训管理层、建立内部推广网络，并把AI进一步放进风险、运营、软件开发和员工助手等跨部门项目。

BBVA称，员工在例行任务上平均每周可节省约三小时。这个数字属于企业自报，不是独立审计结论。但比数字更值得借鉴的，是它把“个人会不会用”继续推进到“组织怎样创建、治理和运行AI助手”。

Moderna也经历了类似过程。公司在2025年股东信中披露，员工累计创建了超过4,000个GPT，用于协议撰写、监管文件和内部流程。数量本身不是价值证明，但它说明一件事：一线员工的试验，只有被组织接住，才可能进入稳定工作流。

个人提效只能让动作变快，流程被改写，组织才会变快。

在我看来，企业AI落地最容易断在第二层。

新人试出了办法，却没有权限改变流程；资深员工掌握验收标准，却没有时间参与设计；管理层看见使用数据，却看不见哪一步真正创造了价值。

三群人都很努力，组织能力却没有发生。

04 别再喊“全员AI”，先做四个小实验

如果你正在负责团队，或者只是想证明自己的AI能力，不妨从四件小事开始。

第一，选一个高频、低风险、能测量的任务。

不要一开始就改造整个部门。先选会议纪要、资料检索、标准邮件、周报整理或代码测试。保留改造前的时间、返工率和错误样本，再做两周对照。

没有基线，就没有提效。

第二，让新人做第一版，让资深员工写验收标准。

新人通常更愿意尝试，资深员工更知道什么结果不能交付。把两者放进同一流程：新人负责探索提示、工具和步骤，资深员工负责事实、质量和风险边界。

这不是让新人替代专家，而是让专家的经验更快复制。

第三，凡是重复三次的好用法，都尝试沉淀。

可以是一页操作清单、一个带来源的模板，也可以是内部助手。但必须写清适用任务、输入材料、核验方法、负责人和停止条件。

真正有价值的AI流程，不是“每次都能生成”，而是换一个同事也能稳定复现。

第四，别用消息数做KPI，要用结果说话。

至少同时看四项：节省了多少时间，减少了多少返工，错误是否增加，最终交付是否更好。涉及合同、财务、医疗、人事和对外发布时，还要明确谁复核、谁签字、谁承担责任。

如果你是一名普通员工，也可以建立一份很简单的AI工作账本：原任务是什么，过去需要多久，AI介入哪一步，人工改了什么，最后结果怎样。

一个月后，这份账本比“我每天都在用AI”更有说服力。

因为公司最终需要的，不是最会聊天的人。

而是能把一次好答案，变成稳定结果的人。

最后的话

回到开头的问题：为什么企业里真正用AI最狠的，常常是新人？

因为他们面对大量具体任务，又最缺随时可以请教的经验。AI恰好提供了一个低成本、低心理压力、可以反复追问的第一版答案。

但这不意味着新人已经创造了最多价值，也不意味着管理者应该退到一边。

恰恰相反。新人负责发现可能，专家负责定义标准，管理者负责改变流程。三者缺一个，AI都很容易停留在个人效率工具。

最新研究真正提醒我们的，不是“年轻人更懂AI”。

而是企业的AI能力，可能正从组织最靠近具体任务的地方长出来。如果管理层只盯着模型发布会和采购合同，却没有接住员工每天发生的小实验，那么最宝贵的学习，最终只会散落在一条条私人对话里。

企业AI的分水岭，不是谁先买到模型，而是谁先把个人试错变成组织经验。