87 1

[非券商报告] 企业怎样使用 AI:Chatterji 等基于 ChatGPT Enterprise 记录的四条事实(2026 年 8 月) [推广有奖]

  • 0关注
  • 0粉丝

等待验证会员

学前班

0%

还不是VIP/贵宾

-

威望
0 级
论坛币
0 个
通用积分
0
学术水平
0 点
热心指数
0 点
信用等级
0 点
经验
10 点
帖子
0
精华
0
在线时间
0 小时
注册时间
2026-11-17
最后登录
2026-11-17

楼主
美国种族简史80422 发表于 2026-11-17 09:48:13 |AI写论文

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

经管之家送您两个论坛币!

+2 论坛币

2025 年 6 月到 2026 年 3 月,ChatGPT Enterprise 的总输出 token 涨了约七倍。直觉会以为这是新客户涌进来,但拆开看不是:只看 2025 年 6 月前就已经采用的那批企业,同期 token 也涨了约四倍;2026 年初,不同时间采用的企业几乎同时加速。也就是说,约一半的增量来自「已经在用的企业用得更狠」。

 

这是 Chatterji、Holtz、Rakholia、Tambe、Weeratunga 五位作者这篇工作论文的第一条事实。数据不是问卷,是 ChatGPT Enterprise 的账户记录,链接了职位、任务分类与上市公司财务数据,时间到 2026 年 3 月;六个月采用期上的工人层面样本包含 1,500 多家组织、1,700 万条以上消息。论文标题很朴素:组织如何使用 AI——来自 ChatGPT 的证据。

 

先用的不是「平均企业」:中位营收差十倍

 

把 ChatGPT Enterprise 的采用者与未采用者按 2024 年财务数据对比,差距大得不像同一群人:中位营收 22.75 亿美元对 2.10 亿美元,中位总资产 43.94 亿对 6.68 亿,中位雇员 2,934 人对 424 人,中位市值 49.97 亿对 3.16 亿,中位研发支出 1.131 亿对 990 万。采用者更大、更值钱、研发更重。

 

回归结果把这个图景说得更细:滞后一期的「人均营收」每提高一个对数点,采用概率高约 0.4 到 0.9 个百分点;规模本身也稳健——滞后对数雇员在所有设定下都显著为正。反过来,人均厂房设备(PP&
E)在控制规模后一般呈负相关,也就是说,实物资本密集的制造业反而不那么集中采用。作者还查了「互补能力」:把 2021 年的销售管理费用、研发、资本化软件存量按人均折算,最强的关联是人均销售管理费存量(系数 0.020,剔除科技与高研发行业后为 0.010,不再显著),研发 0.004/0.003,软件 0.008/0.006。翻译成人话:早期采用与「此前已经在组织能力上投过钱」有关,不只是有钱。

 

公司越大越可能用,但人均用量更低

 

这是两条方向相反的关系,报告分得很清。采用端:滞后对数营收每增一个对数点,采用概率高 1.1 个百分点;营收最高四分位的企业高 6.9 个百分点,最高 5% 高 9.8 个百分点;换成「同行业同年份内的相对规模」,两个数字是 7.2 与 11.3 个百分点。用量端:在已采用的企业里,滞后对数雇员对「人均消息数、人均周活跃用户、人均输出 token」都是显著为负。作者的解释是机械的规模效应——大企业更容易采用,但人均摊薄。

 

这里有个读法上的提醒:人均用量低不等于用得浅。大企业有大量不碰 AI 的岗位,人均一摊就低;报告自己也承认,四个强度指标(每活跃周人均消息、人均周活跃用户、人均 token、每活跃用户消息)各测一个侧面,没有一个能单独代表「用得好不好」。

 

内部不是只有技术岗在用,也不是只有高层在用

 

按职位大类看,采用六个月后平均企业里周活跃用户的构成:工程与技术执行岗约 11%,高管/创始人/合伙人约 9%,财务与会计约 5%,市场与传播约 5%,销售与客户管理约 4%。按资历看:经理与总监约 24%,个人贡献者与专业岗 15%,高级个人贡献者 14%,高管约 10%,早期职业者与实习生 7%。

 

但「人多」和「用得狠」是两件事。以同一企业内其他活跃用户为基准,早期职业者与实习生每周多发约 8 到 9 条消息,经理、总监、高管则更少;分析师、市场与传播岗比企业平均更活跃,高管、创始人反而低于平均。这个资历梯度很干净:越年轻,单位人用量越高。

 

拿来干什么:写文档最多,但长尾非常长

 

按任务看,超过一半的活跃用户每周至少做一次「文档与技术写作」,接近一半做「技术性数字工作」;消息量则更集中在文档写作、技术性数字工作和消息起草三类。另有一批任务覆盖面广但单量轻:主题概览、商业与市场研究、法律与监管、财务与税务。行业差异主要出现在「有没有人试过」这一层——金融保险业的财务税务任务明显更普遍,销售营销任务在文体娱乐、信息、零售业更常见——但按消息量加权后,行业差异明显变淡,各行业的消息都集中在那几类核心任务上。

 

报告把这种结构解释为通用目的技术的特征:不是某个单点流程被替代,而是很多岗位都拿它做自己那段工作的一部分。它也留了一个不小的「其他」残差类,说明长尾确实长。

 

读这篇要留意的五件事

 


第一,作者身份。五位作者中三位隶属 OpenAI,其中两位以付费承包商身份参与这项工作,论文首页写明了。这不是否定结论,但读的时候要知道数据来自产品方内部。

 


第二,这是工作论文,首页写明「结果可能变动」。

 


第三,职位数据的覆盖不完整,且「活跃用户构成」不等于「采用率」。报告没有各岗位全体员工的分母,所以 11%、24% 这些数是「观察到的活跃用户里各岗位占多少」,不是「某岗位有多少比例的人在用」。这一点最容易被误读成「24% 的经理在用」。

 


第四,消息条数不等于经济价值。报告明确说,message volume 应读作用量强度,不是重要性的完整度量。

 


第五,样本只覆盖美国上市公司,而且这些公司本身相对全体企业已经很大。所以「规模越大越可能采用」这个结论,不能外推到小微企业、初创与中型企业——作者自己说,在那一部分规模分布上,关系可能更陡、更平或非线性。同理,采用回归是条件关联,不是因果。

 

三类读者各能拿走什么

 

做企业管理或数字化推进的,最有用的不是「七倍增长」,而是那张互补能力表:早期采用与人均销售管理费、研发、软件存量相关。换句话说,工具能不能落地,取决于之前有没有攒下组织能力,而不取决于采购预算。

 

做 HR 或组织发展的,看资历梯度:早期职业者单位人用量最高,但他们在活跃用户里只占 7%。这意味着培训、使用规范、产出校验的重点人群,和「谁在用」的表观分布不一致。

 

做研究或写材料的,可搬的是度量设计:采用与用量分两端测、四个强度指标并列、任务用「触达面」与「消息份额」两个口径、行业差异分 extensive 与 intensive 两层看。这套拆法比结论更耐用。

 

────────────────

论文 PDF 与 arXiv 页、样本与数据来源、四条事实的关键数字表、岗位与任务构成表,以及五条口径限制,都放在下面,回复本帖可见。


游客,如果您要查看本帖隐藏内容请回复

把经管之家装进你常用的 AI 智能体中

一键快捷安装经管之家 MCP/技能,让 AI 帮你查教程、找数据、读论坛帖子。

检索、阅读公开帖子不收费,安装可申请领取:3 通用积分+100 论坛币+3 元论坛资金

请点击查看安装教程与福利 →

说明: AI 算力按所用平台规则计算;附件按原帖条件获取;福利领取条件以活动页面为准。

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝


沙发
协方差分析93345 发表于 2026-11-17 11:10:37
先码住,晚上慢慢看

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
扫码
拉您进交流群
GMT+8, 2026-11-19 00:27