如果让你猜一家公司里谁用 AI 用得最多，多数人会猜写代码的工程师。

8 月 12 日，OpenAI 首席经济学家 Aaron Chatterji 和 David Holtz 等人挂出一篇 working paper《How Organizations Use AI: Evidence from ChatGPT》（官方 PDF），把 ChatGPT Enterprise 的后台使用数据和员工职位、任务分类、上市公司财务数据连起来分析。答案只对了一半：按人头算，工程师确实是最大的一群活跃用户；但按人均消息量算，同一家公司里发消息最多的是刚入职的新人和实习生（这里的资历是从职位头衔推断的，论文没有入职时间或年资数据），每周比公司内平均活跃用户多发八到九条消息。高管低于平均，资历越深发得越少。

我把论文过了一遍，把关键数字逐条对回了原文。先交代数据底细，再说三个我认为真正有信息量的模式。

先说清楚这是谁的数据

样本是 2024 年 1 月到 2026 年 3 月间采用 ChatGPT Enterprise 的组织。员工层面的分析覆盖 1,764 家组织、1,740 万条消息；任务分类的样本是 973 家组织、870 万条消息，分成 60 个任务类别，但分类数据 2025 年 10 月 30 日才开始有，覆盖不了更早的历史。

两个前提要摆在桌面上。第一，这是 OpenAI 用自家产品数据写自家产品的报告，作者是 OpenAI 的首席经济学家，利益相关。第二，论文只能看到 ChatGPT Enterprise 的用量，看不到企业用 Claude、Gemini、自建应用或者员工个人账号的部分。论文自己也承认：所谓“未采用者”只是没匹配到 Enterprise 账号的公司，不代表它们不用 AI。所以下面所有“采用者 vs 未采用者”的对比，读成“OpenAI 企业客户长什么样”比读成“用 AI 的公司长什么样”更准确。

模式一：增长一半来自老客户越用越深

2025 年 6 月到 2026 年 3 月，ChatGPT Enterprise 客户消耗的输出 token（模型生成回复的文字量，衡量用量的粗指标）总量涨了七倍。拆开看，2025 年 6 月之前就已经采用的那批公司，同期用量涨了大约四倍。整体增长里约一半发生在已采用的公司内部，而非来自新客户。

这个拆分比七倍这个数字本身重要。如果增长全靠新客户，那可能只是销售团队的成绩；一半增长来自存量客户，说明先买单的这批公司合计用量还在往上走。要注意论文给的是这批公司加总的曲线，没有拆到单个客户：是普遍越用越深，还是少数公司在猛用、另一些席位闲置，从这份数据里看不出来。

不过 token 这个口径本身要打个问号：输出 token 涨七倍，不能直接读成“人用得多了七倍”。总量里可能混着三股力量——发消息的人和消息条数在涨、模型单条回复可能在变长（这段时间推理类模型铺开，同样一问，生成的文字更多）、一次任务背后可能串着多步工具调用。要说明，这个三分法是我的推测，不是论文的拆解：论文没有给出消息条数的同口径增长曲线，也没拆每条消息的 token 变化，三股力量各占多少从数据里分不出来，每一股是否真的起了作用我也验证不了。论文只澄清了一点：企业客户的 token 输出绝大部分来自 ChatGPT 本体和非 agent 类工具，Codex 这类 agent 产品目前不是大头。这封顶了 agent 类产品的贡献，但 ChatGPT 本体内部的工具调用它没有说明，“模型话变多”的成分同样排除不了。另外，token 用量不等于产出价值，论文也明说了它测不了生产率，只能测使用。

模式二：采用集中在本来就强的公司

能匹配到美股上市公司的采用者里，2024 年采用 ChatGPT Enterprise 的公司中位数营收是 22.75 亿美元，未采用的公司是 2.1 亿美元，差十倍还多；市值、员工数、研发投入的差距同样悬殊。

规模大的公司更容易采用，这不意外：论文跑的每一个设定里，公司规模本身都和采用强相关。有意思的是控制规模之后哪些变量还能预测采用：人均研发存量、人均资本化软件都是正的，而其中关联最强的是人均 SG&A 存量。SG&A 是财报里的销售、总务和管理费用，覆盖销售体系、行政、管理这类运营开支。论文把历年 SG&A 支出累积成一个存量，按每年 20% 折旧，拿这个存量当“组织资本”的代理变量，也就是一家公司在流程、管理、销售网络这些看不见摸不着的能力上的积累。反过来，人均厂房设备这类有形资产，在控制规模后与采用负相关。

这个结果和经济学界研究上一轮 IT 革命的老结论对得上：Brynjolfsson 和 Hitt 在 2000 年就指出，IT 投资能创造多少价值，很大程度取决于配套的组织投资有没有跟上。如果 AI 也遵循这个规律，那么短期内它放大的是既有强者的优势：本来就有组织能力的公司先采用。至于它们是不是也用得最深，是另一个问题，论文的答案恰好相反：在采用者内部，公司规模越大，人均使用量反而越低。要提醒一句，这是相关不是因果，强的公司先买单，本身就是选择效应。

模式三：公司内部的使用强度是倒挂的

公司内部谁在用，论文给了两个口径。按活跃用户的人头构成算，工程与技术岗约占 11%，是最大的职能类别，经理和总监这一资历层约占 24%。但按人均消息量算，排序倒了过来：新人和实习生每周比同公司平均活跃用户多发八到九条消息，分析师、市场和传播岗也高于平均，而高管、创始人、合伙人低于平均。资历越深，消息发得越少，梯度很干净。

这个口径要先说清楚：论文数的是每个活跃用户每周发出的消息条数，不是发起了多少个任务，也没有拆分“对话的个数”和“单个对话聊了多长”。作者自己提醒，消息量衡量的是使用强度，不是经济重要性。所以这组数字还有一种排除不了的解读：资历深的员工任务少而大、难度高，大量功夫花在键盘之外的思考和设计上；新人手里是许多小块的产出活，每一块都能直接变成几条 prompt。消息多，可能是任务多，也可能只是活的颗粒度小，论文的数据分不出这两者。还有一层是工作性质本身：资历深的人一天里大量时间花在开会、协调、拍板上，这些环节本来就不产生多少能直接丢给 ChatGPT 的任务。消息少，未必是不愿意用，可能只是手头没有可发的活。

任务内容印证了这个解释。高管的消息相对更集中在要主题概览、查事实数字、法务监管和财税这类“了解情况”的任务上；新人和一线员工的消息则不成比例地集中在几类常见的产出型任务上，也就是能直接变成草稿和交付物的那种活。ChatGPT 眼下是个生产工具，谁在一线生产，谁就有 prompt 可发。

把这个发现和另一条线索放在一起看会更复杂。Stanford 数字经济实验室的 “Canaries in the Coal Mine” 用 ADP 工资单数据发现，生成式 AI 普及以来，AI 暴露度最高的职业里，22 到 25 岁员工的就业比“与低暴露职业同龄员工保持同步增长”的推算水平低了约 19%。按同一口径，2025 年 7 月数据版本时差距是 15%，2026 年 8 月 12 日的修订版把数据延到 2026 年 6 月后是 19%。（2025 年 8 月初版里的 13% 是控制公司层面冲击后的回归估计，口径不同，和这两个数字不能直接比。）差距主要发生在招聘端：公司少招了年轻人，不是裁掉了在职的。用得最凶的人群，恰好是入门岗位收缩最狠的人群。这有两种读法。乐观的一种是 AI 把新人的能力边界往外推了：过去要攒几年经验才接得住的分析、独立写不出来的代码，现在借着模型能出手，等于把一部分“经验”变成了随取随用的工具，真正强的新人越过资深同事的速度会比以前快得多。悲观的一种是新人干的活最容易被 AI 接管，所以他们最先被要求重度使用，也最先可招可不招。OpenAI 这篇论文自己也点了这层关联，但使用数据分不出是哪种，我也给不出裁决，只能说两种机制可以同时为真。

几个可操作的判断

给在公司里推 AI 落地的人：论文没有比较不同推广策略的效果，也看不到用量在组织内实际怎么扩散，所以下面是我从描述性结构里得出的判断，不是被验证过的建议。使用结构摆在这里：发消息多的是一线产出岗和新人，高管用得少。按高管的用例设计 rollout、搞几场领导站台的启动会，和这个使用结构是错位的。真正的着陆点是横切所有部门的任务：超过一半活跃用户干过文档和技术写作，跨行业看，消息量都集中在文档、技术工作、沟通这几类核心任务上，行业差异主要体现在“哪些人碰过哪些任务”的边缘，而非消息集中在哪。先把横切任务铺开，岗位专属的深度用例是第二层。

给观察行业的人：公司规模是采用的强预测变量，而控制规模之后，与采用关联最强的变量是公司既有的组织资本。这意味着“AI 拉平大小公司差距”的叙事至少在企业采用这一环还没有出现：先用上的是本来就强的公司，哪怕其中规模最大的那些在采用之后人均用量反而更低。至于这会不会进一步拉大公司之间的差距，论文没有测量，只提示了这种可能。也要记住这是 OpenAI 单一产品的视角，小公司完全可能在用更便宜的替代品。

给个人，尤其是资历浅的从业者：重度使用和入门岗收缩正在同时发生。工具本身不会替你选哪种机制成真，能做的是让使用往“补经验、上台阶”的方向走，而非停在被动完成产出配额。这句话说起来轻巧，我承认它执行起来没有标准答案。

这份报告最值得记住的数字不是七倍增长，而是那一半来自存量客户的增长，加上 SG&A 对采用的预测力。两者指向同一个方向：企业能不能把 AI 用起来，和它既有的组织能力绑得很紧。这一轮的回报是否也像上一轮 IT 革命那样取决于配套的组织改造，这份数据测不了；眼下能确认的是，先跑起来的都是组织资本厚的公司。

参考来源