企业AI现状报告 2025

一、报告在测什么，以及它的边界在哪

报告的立论前提写在前言里：大部分具有经济价值的活动发生在组织内部，所以企业侧的创新会直接转化为对员工、客户和利益相关方的产出改善。首席经济学家在前言中还做了一次历史类比——从蒸汽机到半导体，通用技术的经济价值主要在"企业把底层能力转化为规模化用例之后"才释放；过去三年 AI 的可见影响主要在消费者侧，企业侧现在才刚进入这个阶段。

方法论上有两个数据源：企业客户的真实使用数据，以及那项覆盖近 100 家企业、9,000 名员工的调研。隐私边界写得很明确——全部分析基于去标识化、聚合后的数据，消息内容由自动化系统分类，没有任何 OpenAI 员工审阅过单个企业或 API 客户的数据。报告对自身结论的措辞也相当克制，多处使用"早期迹象"这样的表述，而不是断言因果。

二、四个核心发现

第一，使用规模在扩大，工作流整合在加深。自 2024 年 11 月起，企业每周消息总量约增长 8 倍，同期人均消息量增长 30%。报告特意把这两个数字拆开解读：前者说明"更多企业在用"，后者说明"使用强度在加深"，两件事同时发生才算真正的规模化。API 侧的信号更极端——单个组织的平均推理 token 消耗在过去 12 个月里约增长 320 倍。

第二，员工报告了可测量的价值。平均每个活跃工作日节省 40 到 60 分钟，数据科学、工程和传播岗位更高，达到 60 到 80 分钟。

第三，增长是全球性的、跨行业加速的。过去 12 个月中位行业的客户增长超过 6 倍，增长最慢的行业也超过 2 倍。

第四，领先者与落后者的差距正在拉大。前沿员工的消息量是中位员工的 6 倍，前沿企业每个席位的消息量是中位企业的 2 倍。报告对这个差距的定性很有意思——它把差距明确定义为机会而非风险，因为"模型的能力远超大多数组织已经嵌入工作流的部分"。

三、深度整合的两个具体证据

第一个证据是自定义 GPT 和项目。报告给了明确定义：它们是构建在 ChatGPT 之上的可配置界面，可用指令、知识和自定义动作来定制，让员工执行可重复的多步任务。年初至今，这类功能的周活用户增长约 19 倍；近几个月约 20% 的全部企业消息经由自定义 GPT 或项目处理。部署最广的两类分别是把机构知识固化成可复用助手，以及通过与内部系统的集成来自动化工作流。一个具体锚点是西班牙对外银行（BBVA）经常性使用超过 4,000 个 GPT，报告用它来证明 AI 工作流正在变成嵌进日常运营的持久性工具。

第二个证据是开发者与 API 工作流。超过 9,000 家组织的处理量已超过 100 亿 token，接近 200 家超过 1 万亿 token。前面提到的 320 倍推理 token 增长，报告的解读是"更智能的模型正在被系统性地集成进不断扩张的产品和服务"。编码智能体 Codex 仍处企业生命周期早期，但过去六周周活用户翻倍、周消息量增长约 50%。

四、员工侧：不只是更快，还包括做得了以前做不了的事

75% 的受访员工报告 AI 改善了产出的速度或质量——这是一个二选一即计入的口径，引用时不宜收紧。分职能的运营改善更具体：87% 的 IT 员工报告问题解决更快，85% 的市场与产品用户报告活动执行更快，75% 的人力资源专业人士报告员工敬业度改善，73% 的工程师报告代码交付更快。报告对这组数字的判断是：收益已在核心职能普遍显现，不局限于早期采用的技术岗位。

比"更快"更值得注意的是能力扩张。同样是 75% 的员工报告能完成以前做不了的任务，具体列举包括编程支持与代码审查、电子表格分析与自动化、技术工具开发与排障、自定义智能体设计。一个可量化的佐证是：在工程、IT 和研究这三类职能之外，与编码相关的消息在过去六个月平均增长 36%。换句话说，非技术团队正在做以前专属于专门岗位的编码和数据分析工作。报告还引用外部研究指出 AI 存在均衡效应——对低绩效员工的帮助不成比例地大。

收益与使用强度之间存在明确的正相关。每周节省超过 10 小时的人群，消耗的算力额度是"节省 0 小时"人群的 8 倍。但报告的解释不是"用得多就好"，而是这群人同时使用多个模型、接入更多工具、把 AI 用在更宽的任务范围上。

五、行业与地理：谁在快，谁在大

结构性判断是：技术、医疗、制造增速最快；金融和专业服务规模最大。增速排行榜的前三名是技术 11 倍、医疗 8 倍、制造 7 倍。绝对量上，企业客户最集中于专业服务、金融和技术——这些是早期采用者且持续在使用规模上领先；医疗和制造起点基数小得多，但正在快速追赶。

API 的用途也在多元化：客户服务和内容生成合计约占 API 活动的 20%；非科技公司的 API 使用同比增长 5 倍。报告给出的分行业首选用途排序背后有因果解释，这部分对制定预算的人最有用。专业服务把 API 预算集中在编码与开发者工具上，用于自建工具加速交付；金融通常从客户服务起步，因为客服是"规模大、可扩展、投资回报已被验证"的成本中心，编码与开发者工具排第二，因为要投系统迁移和交易、风控、合规的定制应用；技术行业则领先于编码工作流。

地理上，早期采用以美国为主，国际增长现在快速加速。以付费企业客户数量的同比增幅计，澳大利亚 187%、巴西 161%、荷兰 153%、法国 146%、加拿大 144%，全球平均为 143%，美国 142%，德国 138%，英国 133%，日本 130%。按消息量最活跃的市场是美国、德国、日本；国际 API 客户在过去六个月增长超过 70%。

六、差距这一章，是全篇最该被中国管理者读完的部分

报告对差距的判断附了一个重要的边界条件：差距会扩大还是收窄，取决于组织如何做变革管理，以及能否建起部署 AI 所需的系统、技能和运营模式。它不是一个自动发生的宿命。

前沿员工被定义为采用强度的第 95 百分位。整体消息量是中位员工的 6 倍；即使在数据分析岗位内部，前沿员工使用数据分析工具的强度也是中位员工的 16 倍。按任务拆开看，差距最大的是编码，前沿是中位的 17 倍，其后依次是写作与沟通 11 倍、分析与计算 10 倍、操作指引 9 倍、信息收集 9 倍、创意媒体 8 倍。

广度与收益的关系被量化了：覆盖约 7 类任务的用户，报告的时间节省是只用约 4 类的 5 倍。报告的结论句是，收益与使用深度直接成比例。

还有一组数字直接暴露了"能力闲置"的规模。在月活用户中，19% 从未用过数据分析、14% 从未用过推理、12% 从未用过搜索；而在日活用户中，这三个比例分别降到 3%、1%、1%。同样的结构在企业层面重复出现：前沿企业每席位消息量约为中位企业的 2 倍，发给自定义 GPT 的消息量则是 7 倍——报告把这解读为更深的组织整合与工作流标准化。

组织的主要约束已经不再是模型性能或工具，而是组织准备度。

七、案例证据：价值落在哪里

报告先给自己划了边界：这些案例不是放之四海皆准的方案，影响来自 AI 被应用到具体的运营与战略挑战上。它还引用了一项 2025 年的波士顿咨询研究作为外部佐证——过去三年 AI 领先企业实现 1.7 倍营收增长、3.6 倍总股东回报、1.6 倍息税前利润率；但紧接着用了非常克制的措辞：这些证据仍属早期，它提示的是 AI 采用与财务表现改善相关，而非因果。

Intercom 的难题是把客服智能体从聊天扩展到电话时的延迟——电话场景问题往往紧急，哪怕短暂停顿都会毁掉体验。基于实时 API 重建后，延迟自 3 月起下降 48%，语音智能体平均端到端解决 53% 的来电；即使最终仍需人工的通话，在智能体完成初始步骤后解决速度也快 40%。

Lowe's 要把专家级家装建议规模化给线上购物者，并帮助超过 1,700 家门店的店员一致地回答复杂问题。上线以来每月回答近 100 万个问题；顾客在线访问中与之互动时转化率翻倍以上；面向店员的版本覆盖 100% 门店，店员在货架旁使用它协助顾客时，顾客满意度上升 200 个基点。

BBVA 在墨西哥必须做一项名为 bastanteo 的法律核查，确认公司代表有权代表公司签字，之后开户、签合同、授信才能推进。历史做法依赖专门法务团队回应网点的重复询问。改造后每年自动处理超过 9,000 条查询，释放出相当于 3 个全职人力，转投到每年产出 11,000 份以上的核查，贡献了法务部门年度节约目标的 26%。

Oscar Health 的根因诊断值得单独看：会员决策所需的数据分散在门户、保障文件和既往就诊记录里。它与通用聊天机器人的关键区别在于打通了自有系统和数据，可以调用病历、理赔和客服交互记录来个性化回答。结果是即时回答 58% 的保障类问题，39% 的保障类消息无需任何人工升级。

Moderna 的目标产品概况撰写原本是跨职能、耗时数周的工作，团队要审阅有时多达 300 页的证据包。引入 AI 做事实抽取、结构化草稿和风险标记后，该流程中一个核心分析步骤在某些情况下已从数周缩短到数小时。

八、领先企业稳定在做的五件事

这是全报告最像操作清单的一页。第一，通过打通上下文做深度系统集成——打开连接器，让 AI 安全访问核心工具里的公司数据，实现上下文感知的回答和自动化动作；报告在这里插了一句很扎心的观察：大约每四家企业中仍有一家没有迈出这一步。

第二，工作流标准化与复用——主动推动可复用方案的创建、分享与发现，最成熟的组织把 API 驱动的助手直接嵌入核心内部系统。第三，高管领导与背书——设定明确授权、拿到资源、对齐团队，并为实验留出空间。第四，数据就绪与评估——把机构知识固化成机器可读的例程，为关键数据管道建 API，并持续跑评估追踪模型在真实结果上的表现。第五，刻意的变革管理——集中式治理与培训，加上通过嵌入式 AI 推动者做分布式赋能。

结论部分的定调是：尽管差距在扩大，企业 AI 仍处早期；落后者可以通过照搬前沿员工与前沿组织的模式追赶。真正把这些能力带进面向市场的工作流的组织，才会把 AI 用作持久的营收增长引擎，而不只是生产力工具。

汉兴评述：这份报告怎么用在中国企业身上

第一，把"采用率"这个指标从考核里拿掉，换成"深度"。报告最硬的证据链是：覆盖 7 类任务的用户，时间节省是覆盖 4 类的 5 倍；日活用户中从未用过数据分析的只有 3%，月活里却有 19%。这意味着"发了多少账号"几乎不含信息量，真正该盯的是任务覆盖广度和高级功能的渗透。

第二，那句"大约四分之一的企业还没打开连接器"值得对照自查。中国企业在这一步的阻力往往不是技术，是数据权属和审批链条。但报告的数据摆得很清楚——没有打通上下文的 AI，能力上限就锁死在通用问答，所有关于工作流整合的收益都无从谈起。

第三，注意报告自己的克制。它对波士顿咨询那组财务数据用的是"相关"而不是"导致"，对未来判断用的是"早期迹象"。中文传播中这类限定词最容易被抹掉，变成"用了 AI 就能多赚 1.7 倍"。做决策的人应该反过来读：这些数字说明的是领先企业长什么样，不是做了就会变成领先企业。

延伸阅读：The state of enterprise AI 2025 report（OpenAI 官方原文）