OMV 的 AI Hub 在全企业范围内扩展信任

尽管安全担忧常常阻碍企业采用 AI，OMV 仍将其 AI Hub 的月活用户从 500 扩大至 2,500。Google News 的标题将其描述为一则关于大规模建立信任的故事。OMV 自己的数据则显示出更具体的情况：受控访问、可复用应用和员工培训正在同步推进。

这一组合比又一次企业聊天机器人发布更重要。企业往往为员工提供通用助手，公布早期参与数据，却难以将使用情况与实际运营工作联系起来。OMV 则表示，其已为法律研究、内部规章、传播沟通和海上工程打造了专用工具。

该公司的案例颇具前景，但证据仍不完整。OMV 报告称提示词数量和参与度显著增长，却尚未公布独立的生产率衡量数据、错误率或财务回报。因此，核心较量并非 OMV 与另一家能源公司之间的竞争，而是 OMV 对可信、全公司 AI 的承诺，与证明可靠商业价值这一更艰难现实之间的较量。

OMV 实际改变了什么

OMV 将一系列 AI 实验整合为一个受治理的统一入口，集中提供工具、学习资源和内部信息。

OMV 于 2025 年推出 AI Hub，作为面向全公司的生成式 AI 助手及相关学习资源平台。该公司称，该平台构建于 Microsoft Azure 之上，是一个安全环境，并已接入其现有数字系统。

该平台服务于分布在办公室、工业现场和海上岗位的员工队伍。OMV 在 2026 年 8 月的说明中表示，公司拥有逾 18,000 名员工，岗位涵盖地质、钻井、法律和分析等领域。另一则公司公告称，2025 年 OMV 集团在全球拥有约 22,300 名员工，反映的是更广泛的 OMV Group 范围。

这种组织跨度带来了艰难的部署问题。审阅案件历史的律师，与检索技术报告的工程师，需要不同的信息来源和防护措施。若不审慎设计数据访问与任务流程，一个通用聊天机器人无法可靠地覆盖这两种场景。

OMV 的解决方案始于其通用内部助手 OMVicky。该公司称，该工具可分析大型文档和数据集，同时支持头脑风暴、起草和编辑。

根据公司的 AI Hub 说明，Hub 还包含十款面向具体业务的工具。其中包括翻译器、法律助手、规章助手，以及一款可按 OMV 偏好语调起草内容的工具。

法律助手使用两太字节的历史案件资料。Regulations Assistant 可帮助员工检索约 1,500 项内部规章和流程。这些属于检索任务，即系统先定位相关材料，再生成答案。

Norwegian AI Companion 则针对另一项信息瓶颈。OMV 表示，它可调用 250 万页技术报告，为钻井平台工程师提供整合式回答，无需他们手动搜索大量文档。

这些例子表明，这项计划比 Google News 的摘要所暗示的更具实质内容。OMV 并不只是将语言模型置于企业登录入口之后，而是在将模型与精选内部资料库连接，并围绕明确的工作职责进行封装。

该公司还表示，查询会保留在其受控环境内。其工具以 OpenAI 模型为基础，但员工是通过 OMV 的基础设施访问，而非使用面向公众的消费级界面。

这一差异很重要，因为机密文档构成了职场 AI 最明确的障碍之一。员工或许希望借助 AI 总结合同或技术记录，但公共工具可能带来不可接受的数据处理风险。

Hub 为 OMV 提供了一种获批准的替代方案。不过，内部界面并不自动保证答案准确、访问控制完整，或人工审核恰当。随着使用范围扩展至运营工作，这些问题将变得更加重要。

Google News 的故事实质上关乎采用

重要的变化并不是 OMV 提供了 AI 工具，而是持续使用量伴随结构化培训计划一同增长。

OMV 表示，月度参与人数从 2025 年 3 月的 500 人增至 12 月的 2,500 人。同一时期，提示词数量从 50,000 增至 250,000。

两项指标均增长五倍。根据报告的总量计算，每名月活用户的平均提示词数量在两个时间点都接近 100。这一模式表明，增长主要来自更多人开始使用平台，而非少数用户大幅增加使用频率。

这些数据仍需谨慎解读。提示词代表交互次数，而非已完成的任务或经验证的结果。一段为纠正不佳回答而持续进行的长对话，可能比一次成功的单次检索产生更多提示词。

不过，持续的月度参与比注册总数更有意义。它表明，至少有一部分员工在初次接触后又回到了该平台。

OMV 的 2025 年数字化报告 还补充了另一项采用指标。超过 10,000 名员工参与了生成式 AI 研讨会和培训，覆盖人数是前一年的两倍。

该公司将探索会议、内部专家、精选提示词和学习材料与工具本身结合起来，还为不同技能水平打造了 AI 学习路径。

这一培训层改变了项目的性质。员工需要理解自己可以使用哪些数据、生成式答案可能在哪些方面失效，以及何时必须由人工验证结果。若缺少这种判断能力，仅仅开放访问可能在让 AI 看似被广泛采用的同时增加风险。

OMV 早期的成果显示，该项目发展得很快。其 2024 年数字化回顾 提及超过 140 个 AI 创意和 25 个活跃项目，并报告称 2024 年内部基于 GPT 的工具已被使用数百万次。

到 2025 年，OMV 报告称拥有逾 50 个活跃 AI 项目、超过 40 个开发中项目，以及 210 多个处于规划阶段的创意。这些数据描述了不断扩大的项目组合，但并未证明其中有多少项目带来了可衡量的回报。

这一推进顺序值得关注。OMV 先开发了共享技术服务，包括翻译、文档分析和语音转文字功能，随后利用这些组件支持更多专用应用。

可复用组件能够减少重复的工程工作。它们也能使治理更加一致，因为团队无需为每个试点项目分别构建身份认证、日志记录或数据处理系统。

这有助于解释其报告中的采用曲线。员工获得的是针对具体任务的入口，而不是被要求自行在空白聊天窗口中探索用途。

目标规模远大于当前参与人数。OMV 希望让助手覆盖其 90% 的白领员工，同时计划通过手持设备将访问范围扩展至蓝领员工。

这一扩展将检验当前模式能否迁移到文档密集型岗位之外。工业场景带来了不同的界面、连接条件、安全要求，以及错误答案可能造成的不同后果。

信任取决于架构与行为

OMV 正将信任视为一个由受控基础设施、相关信息和员工判断共同构成的系统。

该架构解决的是第一层问题。OMV 表示，其应用运行于公司环境中，并以 Microsoft Azure 作为底层云平台。因此，员工获得的是集中式访问，而非将敏感工作转移到未经管理的账户中。

这种方法回应了一种普遍的职场模式。Microsoft 和 LinkedIn 报告称，2024 年受访知识型员工中有 75% 在工作中使用 AI。在这些用户中，78% 将自己的 AI 工具带入工作场所。

这项 职场 AI 调查 覆盖了 31 个市场的 31,000 人。结果来自一家技术供应商，但说明了大型雇主面临的治理难题。

当获批准的工具迟迟未能到位时，员工可能自行采用公共服务。这种行为可能让公司信息分散在安全团队无法持续监控的不同账户、界面和服务提供商之间。

集中式 Hub 为 OMV 提供了一个实施身份控制和使用政策的场所。当员工询问某项机密任务获批准使用哪种工具时，它也能给出更明确的答案。

第二层是信息范围。OMV 的专用助手使用精选的内部资料，包括规章、法律案件和技术报告。这种设计通常被称为检索增强生成，即 RAG，因为检索到的文档会为答案提供上下文。

RAG 可以使回答与公司工作更相关，但它并不能消除幻觉问题，即模型生成缺乏依据或不正确的文本。

检索质量还取决于文档的新鲜度、权限、索引以及每次请求的措辞。助手可能遗漏正确文档，或以误导性的方式组合不同段落。

第三层是用户行为。员工必须明白，语言流畅并不等同于分析经过验证。他们还需要获得针对具体任务的指引，了解哪些输入可接受，以及何时必须进行审核。

正是在这里，OMV 的培训计划成为控制系统的一部分。研讨会和探索会议可以教会员工如何构建请求、检查支持材料，以及识别需要专家判断的任务。

这一时间点也与欧洲监管要求相契合。EU AI Act 第 4 条要求提供者和部署者支持操作或使用 AI 系统员工的 AI 素养。

根据 European Commission 的 AI 素养指南，该条款自 2025 年 2 月 2 日起适用，国家主管机构则于 2026 年 8 月开始监督和执行相关规则。

该要求并未规定统一的熟练程度。组织必须考虑技术知识、经验、教育背景、培训情况，以及系统的使用场景。

OMV 将通用学习资源与专用应用相结合，符合这种风险敏感的逻辑。传播沟通助手和钻井平台工程助手不应要求完全相同的指导或监督。

因此，信任不能建立在“模型是安全的”这一承诺之上。它取决于 OMV 能否随着平台发展，持续让数据边界、资料库、访问权限、培训和人工责任保持一致。

对于个人知识型员工，同样的原则也适用。一个有用的 知识库 需要清晰的来源边界和检索纪律，而不只是一个对话界面。

OMV 的数据无法证明什么

使用量增长支持 OMV 的采用主张，但尚不能验证生产率、准确性、安全性或财务回报。

该公司将 AI Hub 与更快的项目交付、更高的工作质量和更完善的安全性联系起来。这些仍是公司自行报告的结论，而非经过独立审计的结果。

OMV 尚未公开提供使用 Hub 的员工与未使用者之间的对照比较。它也没有披露文中所述各项应用经验证的单项任务节省工时、错误减少情况、事故趋势或投资回报。

这一缺口并不意味着这些工具没有价值。它意味着现有证据只支持一个更有限的结论：员工使用该系统的频率更高，且 OMV 已扩大其应用组合。

提示词数量尤其容易被过度解读。一次提示词调用可能生成有用答案、开启一次失败的搜索、修正先前的回复，或只是服务于低价值的起草任务。把每一次提示词都视为同等价值，会掩盖这些差异。

月度用户总数同样需要放在背景中理解。报告中的 2,500 名用户代表了具有意义的内部受众，但仍远低于公司的整体员工规模。该数字涵盖内部助手，而其他工具的参与情况可能有所不同。

培训参与情况也存在类似问题。超过 10,000 名研讨会参与者显示出组织覆盖范围，但出席本身并不能说明员工是否记住了相关指引，或是否改变了核验 AI 生成工作成果的方式。

专业化应用还带来各自的衡量问题。法规助手应根据其是否能够检索到正确且最新的规则、保留上下文并展示可追溯来源来评估。

法律工具则应从保密性、权威性、完整性和虚假引用等方面进行评估。内容助手需要审查其事实准确性、披露情况以及与公司政策的一致性。

挪威 AI Companion 的运营风险更高。搜索 250 万个技术页面能够节省时间，但不完整的回答同样可能造成不当的信心。工程师需要有一条清晰路径可返回权威文件。

OMV 引述数据、AI 与转型负责人 Lexander Brouwer 的话称，该系统可以在数秒内扫描复杂文件。该公司表示，这种速度能够让员工腾出时间进行批判性思考。

然而，速度与质量可能朝相反方向发展。更快的检索只有在返回材料相关、最新且被正确解读时才能创造价值。

安全性主张也应当以同样的精确标准来审视。将交互保留在 OMV 控制的环境中，可以减少对未经管理的消费级工具的暴露，但并不能消除权限配置错误、数据保留过度、恶意文件或账户遭入侵带来的风险。

通过 Azure 使用 OpenAI 模型也形成了一层层依赖关系。OMV 控制其应用环境和数据集成，而底层模型的行为仍部分依赖于外部技术供应商。

模型更新可能改变输出质量或拒答行为。因此，专业助手需要进行回归测试，即验证已知任务在技术变更后是否仍能产出可接受的结果。

治理还必须覆盖源材料的生命周期。法规会变化，法律记录会不断累积，技术报告也可能被更新版本取代。一个自信地检索过期文件的助手，可能看起来比实际更有用。

OMV 信任主张最有力的版本，应将采用情况与任务层面的证据联系起来。这意味着发布成功检索率、引用来源准确率、更正频率、用户留存和经验证的节省时间等指标。

财务影响同样重要。OMV 表示其优先考虑具备战略和财务价值的项目，但其公开材料并未单独列出 AI Hub 的成本或回报。

这让核心矛盾仍未得到解决。OMV 看起来已经建立起一条从实验走向使用的可信路径，但尚未证明使用能够持续转化为可靠的运营价值。

OMV 真正的对手是“试点文化”

AI Hub 挑战了一种观念：企业 AI 应通过由热情团队主导的孤立实验来推广。

试点文化之所以让人感觉安全，是因为它限制了初始风险暴露。一个部门可以测试聊天机器人、展示少量任务，并避免承诺建设共享基础设施或开展大规模培训。

当每个团队重复相同工作时，这种方法就会变得昂贵。彼此独立的试点可能形成不同的数据规则、安全审查、界面、模型供应商和评估方法。

OMV 表示，它从一开始就设计了可复用的构件。公司可以将通用服务应用于翻译、文档分析、信息检索和文本生成，同时为每项应用进行定制。

这种“先买后建”的理念也体现在 OMV 的年度报告中。该公司将 Microsoft、SAP、Salesforce 和 SLB 列为战略技术合作伙伴。

购买核心服务可以加快部署，并将部分技术维护转移给成熟供应商。在内部构建针对性层级，则可以保留公司特有的工作流和知识。

代价是依赖性。供应商服务、模型访问、许可条件和产品路线图都可能发生变化。一个集中式平台会将这种风险放大到许多内部工具中。

共享 Hub 也带来了集中风险。如果身份验证、检索或模型访问出现故障，多项工作流可能同时受到影响。集中化简化了治理，但也提高了韧性和应急规划的重要性。

另一种选择则会带来不同风险。碎片化工具可能隐藏数据流动、重复支出，并阻碍经验在部门之间流动。

OMV 的模式选择了集中控制和分布式用例。业务团队带来问题，而共享的 AI 组织提供基础设施、治理和可复用组件。

这种结构促使内部技术负责人不再只是守门人，而更像平台运营者。他们必须让获批准的工具足够实用，以免员工更愿意选择未经管理的替代方案。

它也改变了培训的角色。一次性的认知课程无法支撑一个持续变化的应用组合。员工需要与实际工具、任务和失效模式相联系的指导。

能源行业使这一挑战格外明显。OMV 的业务覆盖工业工厂、现场环境、企业职能和受监管活动。这些场景对错误和自动化有不同的容忍度。

错误的营销文案可以在发布前修复。不完整的技术回答则可能影响风险更高的决策。信任控制必须反映这种差异。

Google News 的叙事强调员工信心，但信心不应变成无条件依赖。更有价值的目标是校准后的信任：用户既理解工具的价值，也明白其局限。

校准后的信任比提示词数量更难衡量。它体现在核查引用、升级处理不确定的答案，以及拒绝将 AI 用于不适合的决策等行为中。

OMV 可以通过展示这些行为如何随着采用率一同增长，来强化其论点。否则，更高的使用量可能只是反映便利性，而无法证明负责任的整合。

该公司的方法仍提供了一项有价值的行业启示。企业 AI 的规模化，既取决于组织设计，也取决于模型能力。安全访问、相关来源、可复用组件和持续教育必须作为一个运营系统协同工作。

Google News 关注之后值得观察什么

三个信号将表明 OMV 的 AI Hub 正在成为可靠的基础设施，还是仍停留在管理良好的采用计划阶段。

第一个信号是任务层面的绩效报告。OMV 应超越用户数和提示词数量，转向各项应用经验证的成果。

对于 Regulations Assistant，有价值的指标包括检索准确率、来源时效性、未解决请求，以及人工审查后的更正情况。对于文档分析，OMV 可以报告已被接受的输出，以及在明确任务上节省的时间。

持续质量的证据将强化该公司关于可复用工具能够改善工作的主张。若提示词数量上升，却没有稳定的质量指标，这一主张就会被削弱。

第二个信号是采用范围是否超出基于办公室的知识型工作。OMV 希望将助手扩展至使用手持设备的蓝领员工。

这种扩展将检验界面设计、连接能力、语言支持和安全控制。它还将显示 Hub 是否能够服务于工作并不以文档和桌面软件为中心的员工。

成功的现场采用应包括清晰的来源访问和升级处理路径。仅仅增加设备可用性并不足够。

第三个信号是在欧洲积极执法背景下的治理情况。AI 素养义务已经生效，而更广泛的透明度和风险要求如今正在塑造企业部署。

OMV 表示，其治理体系符合 EU AI Act，并涵盖隐私、偏见和可解释性。下一步的证明将来自文档化控制、持续培训，以及应用根据风险接受不同级别监督的证据。

这些信号比又一份助手清单更重要。它们表明，当用户、来源集合、模型和监管预期都在变化时，OMV 是否能够维持信任。

该公司已经跨过了一道重要门槛。它创建了一个员工似乎愿意使用的获批准平台，并将访问权限与大规模培训结合起来。

剩下的门槛更难跨越。OMV 必须证明，频繁使用能够在截然不同的场景中产出正确、可追溯且有价值的工作成果。

这是读者在 Google News 标题之外应继续思考的问题。如果你的组织正在扩展工作场景中的 AI，请问问自己：其采用仪表板背后有什么证据？统计用户数量，但也要追踪更正、来源质量、人工审查和可衡量的任务成果。当员工能够看清一个答案为何值得信任、知道其局限从何处开始，并且组织像报告成功一样认真报告失败时，信任才会增长。