Uber 把 ChatGPT Work 推给 3 万名员工：从 1000 人试点到全公司，Agent 开始交付成品

“给全公司装一个 AI 助手”和”让 AI 接手完整的工作”，是两件完全不同的事。10 月 22 日，Uber 选择了后者：它宣布把 ChatGPT Work 推向全公司，覆盖全球 3 万多名员工。

这次铺开的起点，是一个 1000 人的试点。官方称，这是 Uber 首次在全公司范围内部署专为知识工作设计的智能体平台。

一分钟速览

• ChatGPT Work 在 Uber 全公司上线，覆盖 3 万多名员工，从此前 1000 人试点扩展而来。
• 接入 Google Drive、Gmail、Google 日历与 Slack，可跨应用做调研、写会议简报、做演示、分析数据。
• 默认使用 GPT-6.1 Sol，官方称其在”前沿性能与成本效率”之间取得平衡。
• 同时开放语音与图像生成等多模态能力，团队可按需选择模型与工具。
• 配套动作包括内部 AI 技能库、经审核的集成清单和专项员工培训；工程团队继续用 Codex。

“智能体”与”助手”的分界线

判断一个企业 AI 项目是玩票还是真投入，看一个指标就够了：它交付的是”过程”还是”结果”。

聊天机器人交付过程——它给你一段文字，你还得自己复制、排版、发出去。智能体交付结果——你说”把上周三场客户会议的要点整理成一页纸，附上待办和负责人”，它自己去翻日历、读文档、查 Slack 记录，最后给你一份能直接转发的成品。

ChatGPT Work 的定位是后者。它连接 Google Drive、Gmail、Google 日历和 Slack，意味着它能读到真实的上下文；它被描述为能承接”复杂、多步骤的任务并交付完成的工作”，意味着它被允许连续调用多个工具而不需要人中途喂指令。

为什么默认模型是 GPT-6.1 Sol

官方给出的理由是”平衡前沿性能与成本效率”。这句话背后是一道很现实的企业算术题。

3 万人规模的全员部署，如果每人每天跑 20 次任务，一天就是 60 万次调用。在这个量级上，模型单价的差异会被放大成数百万美元的年度差额。企业不会用最贵的模型做所有事，而是用一个”足够好且便宜”的模型做 80% 的常规任务，把最贵的模型留给少数难题。

这也解释了为什么 Uber 同时强调多模态能力和”按需选择模型与工具”——真实的企业 workload 是分层的，一刀切的模型策略在经济上不成立。

三个容易被忽略的配套动作

公告里最不像新闻、却最关键的部分，是这三件事：内部 AI 技能库、经审核的集成清单、专项员工培训。

技能库解决的是”知道能干什么”。企业 AI 落地最大的摩擦不是模型不行，而是员工不知道该让 AI 干什么。把高频任务的提示词工程沉淀成可复用的技能，等于把少数高手的经验变成全员的基础设施。

集成清单解决的是”能安全地连什么”。让智能体接入企业系统，本质上是给它开权限。哪些系统可以连、连了之后能读什么、能不能写，必须有清单和白名单，否则一次误操作就可能变成数据事故。

培训解决的是”愿不愿意用”。3 万人的组织里，总有一部分人会把新工具当成额外负担。没有培训和使用场景示范，工具再多也只会停留在登录页。

数据支撑：从 1000 到 30000 的扩张逻辑

试点 1000 人、全量 3 万人，扩张倍数 30 倍。这个节奏在 enterprise AI 里算快的，但它遵循的是一条被反复验证的路径：先在小范围验证”能不能用”，再在中等范围验证”值不值得”，最后在全量范围解决”怎么管”。

Uber 没有公布具体的效率提升数字，只说会在推广过程中持续分享采用情况、用例和可衡量的结果。这个谨慎是有道理的——企业 AI 的 ROI 极难量化，尤其是当收益体现为”员工少加了两小时班”而不是”裁掉了某个岗位”时。

趋势：Agent 的采购方正在从 IT 变成业务

这类部署真正改变的是采购逻辑。过去企业买软件，决策权在 IT 部门，评估标准是兼容性、安全性和单价。智能体平台的采购方正在变成业务部门——运营、财务、市场、产品，它们关心的是”能不能把我这周的活干掉一半”。

这个转变对供应商意味着：卖点从”功能列表”变成”交付结果”，从”席位授权”变成”任务吞吐”。而对 Uber 这样的公司来说，真正的考验不在上线当天，而在三个月后——当新鲜感退去，日活还剩多少，多少任务是真的从”人做”变成了”AI 做完人验收”。

值得关注的是工程团队那条线：Uber 的开发团队继续使用 Codex。这说明在编码这类高确定性任务上，专用工具的成熟度仍然高于通用智能体。企业的现实选择不是”一个 Agent 打通所有”，而是”按任务类型配不同工具”——这可能是未来两年企业 AI 最稳定的形态。