企业信号：前沿企业与典型企业的AI应用差距

一、这份报告在测的是"委托"，不是"使用"

企业 AI 正在从"回答问题"转向"执行工作"。这一转变首先在软件工程中通过编程智能体站稳脚跟，现在正扩展到开发者之外的广泛知识工作者。

这个区分听起来抽象，但它决定了整份报告的度量方式。传统的企业 AI 指标是账号数、活跃率、消息量——这些都在测"有多少人在用"。而这份报告测的是输出 token 量：一次交互里，AI 实际生成了多少工作产物。一个人问一句"帮我改改这段话"和一个人说"把这个模块重构完并跑通测试"，在活跃率上是一样的，在输出量上差了两个数量级。

衡量口径的差别，本身就是这份报告最重要的贡献。

二、关键数据

• 截至 2026 年 6 月，编程智能体在企业客户中生成的 token 占其与对话产品合计输出 token 的 64%
• 前沿企业（每月 AI 使用量前 10%）每位活跃用户产生的输出 token 是典型企业的 8.3 倍——而 1 月时仅为 2.6 倍
• 前沿企业中每周有 21% 的活跃用户使用插件，典型企业仅为 9%
• 自 2 月以来，企业编程智能体的周活跃用户在法律部门增长 108 倍、销售 41 倍、招聘 41 倍、市场 26 倍
• 差距最大的行业是信息与技术（11.7 倍），最小的是制造业（5.3 倍）
• 消息量只能解释前沿企业与典型企业之间 36% 的差距

三、五个月里差距扩大了三倍，这才是真正的信号

如果只盯住一个数字，应该是这一组：前沿与典型的输出量差距，从 1 月的 2.6 倍扩大到 6 月的 8.3 倍。

这个变化的性质需要讲清楚。它不是"前沿企业买了更多账号"——如果是那样，差距会体现在用户数上而不是人均输出上。它也不是"典型企业停滞了"——典型企业各行业过去一年也有增长。真正发生的是：前沿企业在同样的时间里，让每一个员工把更多的工作交出去了。

那句"消息量只能解释 36% 的差距"是这份报告最锋利的一刀。它意味着剩下近三分之二的差距，来自每一次交互的含金量——不是发更多消息，而是每次交互完成更多实际工作。这直接否定了"多发消息就能追上"这条捷径。

四、扩散路径出人意料：法律部门涨得最快

自 2 月以来编程智能体周活跃用户的增长排序里，法律部门以 108 倍居首，销售和招聘各 41 倍，市场 26 倍。工程部门反而排在后面——因为它的基数早就很高了。

这个排序推翻了一个常见预设：编程类工具的扩散不是沿着"技术部门→半技术部门→业务部门"的路径走的。法律、销售、招聘这些完全非技术的职能，正在把编程智能体当作通用的自动化执行器来用——处理文档、批量核对、生成结构化产出。

差距同时跨行业和跨公司规模出现，说明深度 AI 使用不限于科技公司。信息与技术行业 11.7 倍与制造业 5.3 倍的对照说明的是：即使在最"传统"的制造业，前沿与典型之间也已经拉开了五倍以上的差距。

还有一个组织层面的反直觉发现：早期职业员工使用 AI 更多，使用率在初级员工中最高，随资历增加而下降。这与多数企业内部的自我认知相反——管理层通常认为自己是 AI 的主要推动者，而数据显示真正在高强度使用的是刚入职的人。

五、智能体工作流成为前沿采用的标志

差距在不同产品形态上的分布很有规律：越是"委托型"的产品，差距越大。编程智能体显示出最大的差距，其次是智能体、应用内嵌、深度研究和自定义助手这些同样属于"交出去一整段工作"的形态。而普通对话的差距最小。

这提供了一个诊断工具：看你的组织里高委托度产品的使用占比，就能判断你处在这个分布的哪一端。如果 AI 使用几乎全部集中在一问一答，那么无论账号铺得多广，都还没有进入这份报告所说的"执行"阶段。

案例侧，思科使用编程智能体加速大型企业的复杂软件工作，在生产工作流中帮助减少约 20% 的构建时间、每月节省 1,500 小时以上的工程时间、缺陷解决吞吐量提高 10 到 15 倍。

六、报告给企业的四条建议

• 衡量使用深度，而非仅仅统计使用人数
• 优先建立治理框架，为生产环境使用做准备
• 投资 AI 赋能，推广已验证的有效做法
• 从聊天式辅助转向将工作委托给智能体

汉兴评述：把这份报告翻译成三个可执行的动作

第一，换掉你的 AI 仪表盘。如果你现在向管理层汇报的指标是"AI 覆盖人数"和"月活跃率"，这份报告说明这两个数字几乎不含信息量。应该换成两个：人均输出量，以及高委托度产品的使用占比。前者衡量你的员工把多少工作真正交了出去，后者衡量你的组织在这条曲线上的位置。这个改动成本很低，但它会立刻改变一线的行为——被考核什么，就会做什么。

第二，"法律部门 108 倍"这个信号，意味着推广路径应该反过来走。多数中国企业推广 AI 的路径是先技术部门试点、跑通了再向业务部门推。但数据显示增长最猛的恰恰是法律、招聘、销售这些文档密集、流程重复、但从未被工具化过的职能。原因不难理解：技术部门早就有工具，边际收益有限；而这些职能过去只能靠人力堆。下一个试点选在哪里，这份数据给了一个明确答案。

第三，"初级员工用得最多"是一个需要被主动管理的现象，而不是一个可以欣慰的现象。它同时意味着两件事：好的一面是新人正在自发探索出有效用法；风险的一面是，如果这些用法从未被沉淀成组织资产，它们会随着人员流动蒸发掉。报告建议的"投资 AI 赋能、推广已验证的有效做法"，本质上就是把这些散落在个人手里的用法，收敛成可复用的组织能力。这也正是前沿企业与典型企业之间那 36% 之外的差距真正来自的地方。

延伸阅读：Enterprise Signals（OpenAI 官方数据页）