企業 AI 導入已進入使用深化期。2026 年 8 月 13 日更新的研究顯示，ChatGPT Enterprise 產出 token 在 10 個月內增為 7 倍。初階員工每週又比同公司平均多送出約 8 至 9 則訊息。 工具買進公司，只完成最容易的一步。下一關是把少數人的熟練用法，整理成團隊能重複、檢查與改善的工作方式。
這組資料很容易被解讀成「年輕員工不會被 AI 取代」或「市場已獎勵 AI 用得深的公司」。兩個結論都超出證據。論文沒有測量裁員，也沒有證明 AI 帶動生產力或市值。它真正拍到的是擴散過程：誰在用、用多深、用在哪些任務，以及哪些公司比較早買進企業方案。
這份研究量到什麼
〈How Organizations Use AI: Evidence from ChatGPT〉由 OpenAI、哥倫比亞商學院與華頓商學院研究者合作。作者包括 Aaron Chatterji、David Holtz、Neel Rakholia、Prasanna Tambe 與 Gawesha Weeratunga。資料涵蓋 2024 年 1 月 1 日至 2026 年 3 月 31 日採用 ChatGPT Enterprise 的組織。
研究分成四套樣本，回答不同問題。工作者特徵樣本含 1,764 個組織與 17,446,551 則訊息。任務分類樣本再縮為 973 個組織與 8,696,657 則訊息。美國上市公司分析則連結 Compustat，涵蓋 417 個公開交易股票代號。
| 分析層次 | 樣本 | 可以回答 | 不能回答 |
|---|---|---|---|
| 組織用量 | 2024/1 至 2026/3 採用者 | 用量如何隨時間增加 | 非企業帳號或其他 AI 工具的使用 |
| 工作者特徵 | 1,764 個組織、17,446,551 則訊息 | 活躍使用者的職級與訊息強度 | 各職級全體員工的採用率 |
| 任務分類 | 973 個組織、8,696,657 則訊息 | 60 類工作任務的分布 | 產出品質、工時或生產力 |
| 上市公司 | 417 個股票代號 | 採用與財務特徵的關聯 | AI 對營收或市值的因果效果 |
這些界線很重要。研究者用自動化系統分類訊息與職稱，沒有人工閱讀個別企業訊息。職稱資料也不完整。看到初階員工占活躍使用者 7%，不能推論只有 7% 初階員工使用 AI，因為研究沒有各職級的完整母體人數。
10 個月增為 7 倍，一半動能來自既有客戶
2025 年 6 月到 2026 年 3 月，ChatGPT 與 Codex 合計產出 token 增為 7 倍。若只看 2025 年 6 月前已採用的固定企業群，用量也接近 4 倍。論文因此估計，約一半成長來自既有採用者加深使用，而非新增企業帳戶。
2026 年初還出現另一個訊號。不同時間加入的企業群，同時加快用量。這個同步變化比較像產品能力或共同環境改變，不像每家公司各自走完學習曲線。作者也提醒，樣本期內多數 token 仍來自 ChatGPT 與非代理型工具，Codex 只占較小部分。
採購數與席次數到這裡就不夠用了。企業如果只看授權啟用率，會錯過真正的變化。老客戶用量增為 4 倍，代表部署仍在購買後持續發生。管理者要追蹤使用是否跨出少數團隊，並確認新用法有沒有進入固定流程。
初階員工人數少，使用強度卻最高
採用滿 6 個月的平均企業裡，經理與總監約占每週活躍使用者 24%。一般專業人員占 15%，資深專業人員占 14%，高階主管占 10%。初階員工與受訓人員只占 7%。
訊息強度卻呈現相反梯度。初階員工每週比同公司活躍使用者平均多送出約 8 至 9 則訊息。經理、總監與高階主管則低於平均。職務面也有差異：分析師、行銷與溝通職務高於公司平均，高階主管、創辦人與合夥人較低。
這不代表訊息越多，經濟價值越高。一次高風險決策可能只需要幾輪對話，批次改寫文件則會產生大量訊息。論文只把訊息數當作使用強度。它沒有評估決策品質，也沒有判定哪個職級創造較多價值。
管理上的含義仍然清楚。公司內最早累積操作經驗的人，未必坐在決策會議的主位。初階員工、分析師與行銷人員每天反覆處理文件、資料與訊息。他們更快遇到模型的邊界，也更早發現哪些工作值得交給 AI。
大型企業更早採用，但財務差距不是 AI 的功勞
研究把 ChatGPT Enterprise 採用者與其他美國上市公司相比。採用者的規模明顯較大，先前累積的無形資產也較多。
| 2024 年中位數 | ChatGPT Enterprise 採用者 | 其他上市公司 | 倍數 |
|---|---|---|---|
| 營收 | USD 22.751 億 | USD 2.096 億 | 10.9 倍 |
| 總資產 | USD 43.942 億 | USD 6.676 億 | 6.6 倍 |
| 員工數 | 2,934 人 | 424 人 | 6.9 倍 |
| 市值 | USD 49.972 億 | USD 3.164 億 | 15.8 倍 |
| 研發支出 | USD 1.131 億 | USD 990 萬 | 11.4 倍 |
營收位居前 5% 的上市公司，採用機率高 9.8 個百分點。即使只跟同產業公司相比，差距仍有 11.3 個百分點。2021 年累積的銷售及管理費用、研發與資本化軟體，也跟後續採用呈正向關聯。
這裡最容易犯因果錯誤。高市值公司更常採用，不等於採用 AI 讓市值變高。大型企業先前已投資軟體、研發、管理制度與人才，因此更有條件辨識用例。它們也比較有資源訓練員工及整合流程。
Erik Brynjolfsson、Daniel Rock 與 Chad Syverson 在〈The Productivity J-Curve〉提出相同機制。通用技術要產生價值，企業得先投資新流程、商業模式與人力資本。這些無形投資早期會吃掉資源，成果往往晚一段時間才出現在生產力統計。
沒有單一殺手級應用，只有一條很長的任務尾巴
任務分類資料顯示，企業 AI 的價值並未集中在一個用例。56.3% 活躍使用者每週至少做過一次文件或技術寫作；技術與數位工作為 49.6%，人際訊息為 41.1%，主題概覽為 38.9%。商業與市場研究有 21.4%，法律與法規工作有 17.2%，資料分析有 15.5%，財務與稅務有 14.9%。
| 任務 | 每週至少使用一次的活躍使用者 | 佔全部分類訊息 |
|---|---|---|
| 文件與技術寫作 | 56.3% | 18.3% |
| 技術與數位工作 | 49.6% | 12.7% |
| 人際訊息 | 41.1% | 11.9% |
| 主題概覽 | 38.9% | 4.4% |
| 銷售與行銷 | 19.4% | 5.0% |
| 商業與市場研究 | 21.4% | 3.0% |
| 其他 48 類任務 | 不適用 | 27.3% |
另一份針對約 550 萬次 M365 Copilot Chat 工作階段的研究，也看到相近結構。〈AI in the Enterprise〉發現寫作居首，資訊檢索、分析、決策與系統診斷則形成長尾。跨產品都出現廣泛但不平均的任務分布，表示企業很難靠一個標準用例包辦全部部門。
產業差異主要出現在「有沒有嘗試」這一層。金融保險業較常處理財務、稅務與市場研究；零售、資訊、藝術與娛樂業較常使用銷售及行銷任務。各產業的訊息量仍集中在文件、技術工作與溝通。共同底盤很像，部門語境卻不同。
管理者需要一套從個人技巧到制度的轉換機制
企業可以先停止追求一張萬用用例清單。更務實的做法，是把重度使用者已經反覆完成的工作，整理成可驗收的小型流程。
| 管理動作 | 要保存的證據 | 驗收方式 |
|---|---|---|
| 找出重度使用者與高頻任務 | 職務、任務、每週活躍率 | 確認需求來自真實工作，不是展示案例 |
| 記錄現行工作法 | 輸入資料、提示方式、人工判斷點 | 另一位同事能否重做同一流程 |
| 設定風險邊界 | 可用資料、禁止資料、核准人 | 高風險輸出必須有人負責簽核 |
| 衡量工作成果 | 完成時間、重工率、錯誤率、交付週期 | 跟導入前基準比較，不用 token 當成績 |
| 擴散到相鄰團隊 | 共用範本、訓練紀錄、例外案例 | 新團隊能否穩定達到同一品質門檻 |
Anthropic 在 2026 年 3 月的〈Economic Index: Learning Curves〉也提供一個提醒。使用超過 6 個月的人，更常嘗試高價值任務，成功取得回應的機率也較高。經驗會累積，但它不會自動變成公司資產。只有被記錄、分享與驗收的經驗，才可能跨出個人帳號。
管理者還得更換儀表板。訊息數與 token 適合看採用深度，不能代替商業成果。真正需要追的是工作完成時間、錯誤率、重工率與服務週期。若一個流程 token 用量翻倍，交付時間卻沒有縮短，那不是深化，只是更昂貴的聊天。
常見問題
這份研究是否證明企業使用 AI 可以提高生產力？
沒有。研究量到採用、訊息、token、任務與公司財務特徵，但沒有觀察下游產出品質或生產力。財務資料只顯示關聯，不能當成 AI 帶動營收或市值的因果證據。
初階員工用得最深，是否代表他們較不會被 AI 取代？
不能這樣推論。論文沒有測量裁員、職缺或薪資。它只顯示活躍使用者當中，初階員工每週訊息量高於同公司平均。
為什麼大型企業比較早採用 ChatGPT Enterprise？
大型上市公司通常已有軟體、研發、人力與管理制度。研究發現這些先前累積的無形投資跟採用呈正向關聯，但沒有證明單一原因。
企業 AI 導入最該追蹤哪個指標？
採用階段可看每週活躍率、活躍週數與每位活躍使用者的訊息量。進入正式流程後，主指標應換成完成時間、重工率、錯誤率與交付週期。
權威引用
- How Organizations Use AI: Evidence from ChatGPT
- AI in the Enterprise: How People Use M365 Copilot Chat
- Anthropic Economic Index report: Learning curves
- The Productivity J-Curve: How Intangibles Complement General Purpose Technologies
- How People Use ChatGPT
Author Insight
我在企業 AI 專案裡最常看到的浪費，是公司花力氣比較模型，卻沒有保存員工已經磨出的工作法。真正能累積的資產，是輸入邊界、判斷規則、例外紀錄與驗收標準。這些東西很樸素，也很難在採購簡報裡顯得亮眼。
Tenten 協助企業整理 AI 工作流程時，會先盤點員工的高頻任務，再補上權限與品質驗收。如果你正在把零散的 AI 使用整理成可管理的制度，可以和 Tenten 團隊討論導入方法。
術語表
- 企業 AI 導入（enterprise AI adoption）：組織取得企業型 AI 工具，並讓員工開始使用的過程。
- 使用深化（usage deepening）：既有採用者隨時間增加使用頻率、範圍或任務複雜度。
- 每週活躍使用者（weekly active users, WAU）：一週內至少使用一次產品的人。
- 無形資產（intangible capital）：軟體、研發、流程、管理能力與人力資本等非實體投資。
- 固定效果（fixed effects）：用統計方法控制企業或產業不隨時間改變的差異。
