Uber 向其全球全体约 30,000 名员工正式开通了 OpenAI 在 2026 年 7 月 9 日推出的企业级智能体工具 ChatGPT Work。在经历财务、运营与产品等部门 1,000 人的先导试点后，这家出行巨头决定把全员 AI 普及化推向台前。工程副总裁 Sumanth Sukumar 甚至直言，管理层并未划定死板的使用手册，而是把工具全量下发，由员工自行摸索工作流并评估产出。
把一款基于 GPT-5.6 并逐步迭代至 GPT-6 架构的复杂工作流工具直接塞进三万人的日常桌面，表面看是一次激进的数字化升级，实则是大厂在 AI 投资焦虑下的压力下沉。
提效神话来自人肉定做，而非全员顿悟
在 Uber 先前展开的千人试点中，约 80% 的早期用户是非技术人员。他们用这个桌面端集成了 Chat、Work 与 Codex 的工具，处理跨市场培训材料本地化、分析业务数据以及搭建日常监控仪表盘。管理层随即对外释放出惊人的效率提升数据。
然而，这种提效并不是普通员工开着对话框自然摸索出来的。
真实推动关键流程提效的，是 Uber 在 2026 年由技术高管牵头推行的 Agentic Pods 机制。公司当时抽调了 30 名顶尖 AI 工程师，组成 16 个敏捷小组深入人力、法务与财务一线。这些工程师贴身观察人工业务两周，才针对特定痛点定做出一套端到端的自动化流程。
把特种部队攻坚取得的战果，包装成全员发枪就能自然复制的神迹，是很多企业推行技术工具时的通病。工欲善其事，必先利其器，但器物易分，能用器重构生产关系的专才却极度稀缺。当 Uber 剥离了随队工程师的贴身支持，把没有工程思维的普通员工推向这套长任务系统时，所谓的自由探索很可能迅速沦为昂贵的玩具。
打架的效率数字与透支的算力账本
管理层对外的口径分裂，进一步折射出生产力指标的修饰痕迹。
在技术高管的对外叙事中，自动化带来的收益堪称奇迹：财务测算报告从 2 天压缩至 10 分钟，覆盖 150 个城市的资本分配流程直接从 15 个小时压减到 30 分钟。但业务总裁 Andrew Macdonald 在后续访谈中却给出了更收敛的版本：同一项资本分配流程耗时是从 15 小时缩短到 2 小时，营销 QA 流程则是从 2 周减至 2 天。
从 30 分钟到 2 小时，整整差了四倍。更关键的是，管理层承认，很难将节省下来的时间精准折算为报表上的财务收益。
这种急于向外界证明效率的动作，与 Uber 此前遭遇的算力失控紧密相连。在 2026 年春季，Uber 曾提前耗尽了 Claude Code 的全年预算。AI 资本支出持续走高，但在核心出行业务的客户端却很难看到相称的收益。
ChatGPT Work 的计费规则并不便宜。OpenAI 团队版的公开定价为按年支付每月每人 20 美元，高阶版本达到 100 美元，超大型企业走定制合同。更重要的是，智能体执行多步骤长任务需要消耗额外的共享调用额度，席位费并不包含无限制的 Agent 调用。在刚刷爆 Anthropic 预算后，转头给三万人采购 OpenAI，与其说是技术信仰，不如说是试图在供应商之间对冲单边依赖，并将控制成本的难度进一步复杂化。
- 风险.企业级智能体工具的消耗通常与任务深度挂钩，全员开放若缺乏精细配额管控，极易带来难以预估的隐性 API 账单。
节省的工时，最终要在编制里讨还
企业购买 AI 产品的逻辑已经变了。过去几年，公司买的是聊天框助手，员工拿来润色邮件、改改格式，管理层对投资回报率睁一只眼闭一只眼。而像 ChatGPT Work 这种主打自主规划、跨应用接管长任务的系统，实质上是在向企业推销数字劳动力。
所谓的技术赋能，一旦进入财务核算阶段，最容易变现的路径永远只有削减人力。
Uber 高管在谈及如何让这些工时节省兑现为真金白银时，已经把话说得很直白：未来的潜在路径包括放缓招聘步伐或下调人员编制目标。
这是每一位坐在办公桌前的普通员工必须面对的现实。当管理层向董事会承诺了成倍的工时压缩，而业务体量又无法按同等倍数爆发时，剩下的唯一财务出口就是控制劳动力成本。
三万个 ChatGPT Work 账号被推到一线，表面上是公司为每位员工配备了一个私人智能体，深层逻辑则是把验证 AI 商业价值的压力甩给了基层。如果基层员工用它找不出十倍速的业务增长点，那么他们省下来的每一个小时，最后都会变成缩减下季度招聘配额的依据。在这场全员智能化的宏大试验里，最先被度量的不是算法有多聪明，而是组织有多臃肿。