OpenAI Univ 案例显示 Univé 对 AI 劳动力的押注取决于治理

OpenAI Univ 案例显示，这家荷兰保险公司 Univé 已超越零散的 AI 试点：其 ChatGPT Enterprise 许可证中有 97% 已被激活。OpenAI 表示，85% 的获授权员工每周使用该平台。这些数字表明采用范围广泛，但更值得关注的是 Univé 如何组织这一采用过程。

Univé 并未将项目交给创新实验室，然后等待成品应用出现。它要求管理者为实验腾出空间，尽早建立治理控制措施，并让员工自行重新设计工作流程。据报道，这种员工主导的方法已产出约 1,500 个自定义 GPT。

这里的张力在于分布式创新与机构控制之间。Univé 希望数千名员工利用 AI 开发工具，同时理赔、核保和金融服务仍要求隐私、证据与人工问责。该公司的押注是，治理能够加速实验，而不是限制实验。

这一押注的重要性不止于一家保险公司。许多企业如今已有 AI 工具、高管支持，以及不断增长的员工需求。但能将这些要素转化为可重复的工作方式，同时不造成失控访问、不可靠输出或彼此割裂的试点项目的企业，要少得多。

OpenAI Univ 的推广将 AI 开发带入日常团队

Univé 最重要的变化在于组织层面：员工成为开发者，而不是等待集中式软件团队。

Univé 是荷兰最大的合作制保险公司之一，为成员提供保险、抵押贷款、金融服务和风险预防服务。其 AI 项目现已覆盖理赔、核保、财务、人力资源、法务、IT、客户服务和管理等领域。

根据这份劳动力案例研究，该组织 97% 的 ChatGPT Enterprise 许可证已被激活。OpenAI 还报告称，85% 的获授权员工每周使用该服务。这些数据由供应商发布，尚未经过独立审计。

不过，这一组合仍然值得关注。激活率衡量员工是否进入系统，而每周使用率更能反映持续参与情况。两项数据都无法证明商业价值，但结合来看，它们表明该平台已不再只是少数爱好者在使用。

Univé 的员工还创建了约 1,500 个自定义 GPT。自定义 GPT 是针对重复性任务、配有特定指令、知识和工具的 ChatGPT 助手。这个总量表明，用例正在整个组织内被开发，而不只是由中央工程团队交付。

这种分布改变了自动化创意的来源。理赔专业人员知道哪些证据最耗时间收集。核保人员明白哪些缺失文件会拖慢审核。人力资源专家则能看到哪些常规问题持续占用注意力。

中央软件团队往往缺少这种关于日常摩擦的细致视角。他们必须收集需求、排列请求优先级，并将专业工作转化为技术规格。结果可能很准确，但过程缓慢，尤其是当每一项小改进都要争夺有限的开发资源时。

Univé 缩短了这一链路。员工获得了访问权限、结构化支持、专门的实验时间，以及重新设计部分自身工作的许可。OpenAI 表示，员工每周合计投入数百小时来测试工作流程、构建自定义 GPT，并分享成功模式。

Univé 数据与 AI 总监 Yous van Halder 用一个鲜明对比概括了这种模式：“大多数组织试图通过构建更多解决方案来规模化 AI。我们选择通过培养更多开发者来规模化 AI。”

与采用统计数据相比，这句话更清楚地揭示了运营层面的转变。Univé 正将 AI 素养视为一种劳动力能力，而不只是获批应用的目录。它期待员工识别合适任务、创建有用的起点，并持续对产出的工作负责。

这并不意味着不再需要专家。中央团队仍须管理安全、隐私、架构和高风险集成，还需要判断员工原型何时值得获得正式支持或更广泛部署。

不同之处在于，专家不再需要自行发现每一个机会。员工能够通过实际使用暴露需求，而中央团队则专注于控制措施和共享基础设施。这种安排类似于公司内部的分布式产品开发体系。

对于知识型员工而言，这一模式也改变了 AI 采用的定义。打开聊天机器人、偶尔起草一封电子邮件，只是浅层使用。围绕真实工作流程构建可重复使用的助手，则要求员工界定任务、识别可信信息，并决定何处仍需人工判断。

这使 OpenAI Univ 的故事不再主要关乎软件访问，而是关乎组织设计。平台提供了共同能力，但领导力和运营规则决定了这些能力能否进入日常工作。

领导层将 AI 采用变成管理责任

Univé 要求管理者重新设计工作，而不只是批准技术采购。

这家保险公司首先为管理团队安排了专门会议。据报道，这些会议聚焦于工作将如何变化，以及领导者需要做什么，而不是依次展示产品功能。

这种区别直击企业 AI 项目中的一个常见弱点。高管批准平台，技术团队进行配置，员工接受培训；随后，管理者仍像底层流程从未改变一样分配、审核和衡量工作。

Univé 为管理者赋予了更积极的角色。他们必须为实验创造时间、支持负责任的使用，并帮助团队识别值得重新设计的任务。这使采用成为一种运营责任，而非可有可无的学习活动。

这种方法也给中层管理者带来了压力。管理者必须在产出目标与实验之间取得平衡，而实验在初期可能产生不均衡的结果。他们还必须判断工作流程何时适合更广泛使用，何时仍需测试。

当 AI 影响专业工作时，这些判断会更加困难。一份快速生成的草稿看似有用，却可能包含缺乏依据的主张。一份案件摘要可能遗漏相关细节。一项结构严谨的建议，仍可能建立在薄弱证据之上。

因此，管理者需要具备足够的 AI 素养，以质疑输出结果，但不必成为模型工程师。他们必须理解，生成的文字即使语气笃定也未必正确。他们还需要识别何时机密信息、权限或受监管决策会引发额外担忧。

对于欧洲雇主而言，这一时间点具有重要意义。欧盟委员会现行的 AI 素养指南指出，组织应根据员工知识水平、系统风险和使用情境来定制素养工作。该指南特别将幻觉列为工作场所使用 ChatGPT 的风险。

该指南还指出，《欧盟 AI 法案》第 4 条已于 2025 年 2 月 2 日开始适用。各国主管机构计划于 2026 年 8 月开始监督和执法。具体的合规方式仍取决于情境，但仅仅被动获取说明可能并不足够。

Univé 的领导力会议并不自动构成法律合规。欧盟委员会明确表示，照搬已发布的素养实践并不会产生合规推定。不过，这家保险公司的做法符合更广泛的预期，即组织应将培训与实际岗位和风险联系起来。

领导层参与还可以缩小正式政策与日常行为之间的差距。员工会从管理者奖励、审核和允许什么中获得信号。当本地管理者不鼓励实验或忽视不安全的捷径时，政策文件的影响力有限。

反过来也同样成立。热情的管理者可能在控制措施和审核实践尚未准备好之前，就推动员工使用 AI。领导层的投入只有在包含克制、升级路径和明确责任归属时才会发挥作用。

Univé 试图通过将许可与问责结合来解决这一冲突。员工可以探索，但专业人员仍对最终决定负责。管理者可以鼓励开发，但组织保留共同的治理流程。

这正是其模式区别于自上而下自动化项目的地方。目标不是向每位员工强加一种获批工作流程，而是在共同边界内让团队改进自身工作。

这一压力也延伸到正在评估 ChatGPT、Microsoft Copilot、Google Gemini、Anthropic Claude 或内部模型的企业买家。模型比较固然重要，但仅有访问权限很少能带来深入采用。买家还需要一套管理体系，将能力转化为可重复的行为。

行业数据表明，这一差距依然很大。在一项针对 1,100 名高管的调查中，这份采用基准报告发现，93% 的组织正在探索或启用生成式 AI，但只有 30% 已实现全面或部分规模化。

该基准并不直接衡量 Univé，但它说明了为何这家保险公司的领导力模式值得关注。企业级访问权限已经变得普遍，而全组织范围的执行仍远不普遍。

治理成为员工主导创新的机制

Univé 的核心机制是受控自主：广泛的开发权限置于继承权限、审核、监控和人工责任之中。

员工主导的开发能够带来速度，因为创意无需在中央待办队列中等待。但它也会带来风险，因为许多人可能构建出不一致的工作流程。Univé 的回应是在推广之初就将治理设计其中。

OpenAI 表示，该框架包括企业身份验证、隐私评估、安全审核、负责任 AI 原则、治理流程、持续监控和明确的人工问责。这些控制措施同时覆盖访问和行为。

连接器的权限继承尤其重要。连接器让 AI 服务能够从另一套获批准的企业系统中检索信息。权限继承意味着 AI 应只能访问员工本已获授权查看的信息。

没有这一边界，一个有用的助手可能会成为意外进入受限记录的途径。它可能检索用户通常无法打开的文件，或以暴露敏感上下文的方式跨系统整合信息。

权限继承可降低这一风险，但无法消除所有风险。现有权限本身可能已过于宽泛。检索到的信息可能被复制到不恰当的提示词中。生成的摘要也可能向之后收到输出的人泄露敏感细节。

因此，该治理模式依赖的不只是技术访问控制。员工需要理解适当的使用方式，审核者需要升级路径，监控机制则必须识别值得调查的模式。在系统生成答案后，明确的问责仍必须持续存在。

OpenAI 表示，ChatGPT Enterprise 中的客户提示词和公司数据不会被用于训练其模型。其公开的企业隐私控制措施还包括面向组织部署设计的管理与安全功能。但这些平台控制只是企业治理的一层。

使用该系统的公司仍需决定员工可以提交哪些数据、哪些连接器获得批准，以及哪些任务需要额外审核。它还必须管理记录、留存、行业要求和内部访问政策。

Univé 所处的保险环境使这种分工至关重要。AI 可以帮助收集证据、整理文件并准备案件。它不应悄然取代专业人员评估案件的职责。

OpenAI 描述了一项宠物保险工作流程，其中理赔准备过去需要数小时。该公司表示，AI 如今可在数分钟内将这些案件准备好，供作出决策。经过培训的理赔专业人员仍对每一项最终决定负责。

措辞很重要。所报告的改进适用于准备时间，而非整个理赔流程。这并不能证明每一项理赔都能在数分钟内解决。它同样没有展示错误率、申诉率、客户结果，或所需人工审核的工作量。

不过，这一用例说明了一种合理的分工。系统负责收集、阅读和构建证据结构。专业人员评估准备好的材料，运用专业知识，并对决策负责。

核保遵循类似模式。在核保人员开始工作前，Workspace Agent 可以检查待处理队列、从获批准的来源收集信息、识别缺失文件，并标记需要关注的案件。

Workspace Agent 是一种 AI 工作流，可在获批准的业务系统之间准备或协调重复性工作。它不止于单一的对话提示词，而是在员工开始任务前先汇集上下文。

当核保人员登录时，队列中可能已经包含相关证据和高亮显示的风险指标。员工花在查找材料上的时间更少，花在评估案件上的时间更多。Univé 将其定位为对判断的准备，而非对判断的替代。

这一边界有助于员工接受该系统，因为它在不要求专业人员交出控制权的前提下提供了实用价值。它也带来了更具可辩护性的治理叙事。人并非在流程末端作为象征性的批准者加入；专业判断始终是预期工作流的一部分。

这一结构反映了个人知识工作中的一项有用原则。AI 能够从获批准、具备上下文的信息中获取内容时，比依赖孤立提示词表现得更好。管理良好的AI 知识库可以改善检索，但用户仍需核实系统呈现的内容。

Univé 的模式最终依赖于双向信任。员工必须相信获批准的平台能保护公司信息。组织则必须相信员工会在边界内工作、质疑输出并上报问题。

只有当这些控制措施易于理解和使用时，治理才会成为加速器。过多的审批步骤会将实验重新推回排队流程或未经授权的工具中。薄弱的控制则会增加隐私事件和不可靠决策发生的可能性。

因此，该公司的机制是一种平衡，而非声称治理已不再具有限制性。某些活动应继续受到限制。其成就在于创造了一个广阔领域，使低风险实验能够进行，而无需为每个想法重新协商。

Univé 的采用数据仍无法证明什么

高激活率和大量自定义 GPT 表明了参与度，但并不能证明准确性、持久价值，或不同岗位之间的采用是否均衡。

OpenAI 的 Univé 案例是由平台提供商发布的客户故事。其中的数据具有参考价值，但读者应将其视为公司自行报告的证据，而非独立评估。

97% 的激活率并不能揭示每个许可证产生有价值工作的频率。85% 的周使用率更有说服力，但它衡量的仍是活动而非结果。员工可以每周使用 ChatGPT，却未必能提升质量、速度或客户服务。

1,500 个自定义 GPT 也提出了另一项衡量问题。庞大的目录可能反映创造力和广泛参与，但也可能包含重复助手、被弃用的实验、过时指令，或仅由一人使用的工具。

下一项治理挑战是生命周期管理。Univé 需要识别哪些 GPT 仍在活跃使用、由谁负责、使用哪些数据，以及其指令最后一次审核是什么时候。否则，有价值的员工自主构建可能形成一条难以管理的内部软件长尾。

可发现性同样重要。员工需要知道哪一个助手获准用于某项任务。如果多个 GPT 都声称能处理同一工作流，用户可能会基于名称或便利性而非质量作出选择。

当任务存在差异时，质量衡量会变得更加困难。理赔准备可以根据完整性和处理时间进行测试。管理层简报可能需要不同标准，包括事实准确性、来源覆盖度以及对决策者的实用性。

员工主导的创新也可能造成收益分配不均。拥有自信管理者、干净数据和可预测工作流的团队可能会快速推进。其他团队可能缺乏时间、可访问的信息，或适合当前模型的任务。

OpenAI 更广泛的企业 AI 数据显示，其客户中也存在这种不均衡。其调查覆盖了近 100 家企业的 9,000 名员工，而使用数据发现，处于第 95 百分位的员工发送的消息数量是中位数员工的六倍。

OpenAI 还报告称，75% 的受访员工认为 AI 提升了其产出的速度或质量。由于这些是来自 OpenAI 客户的自我报告结果，因此不应将其视为普遍适用的生产力衡量。

重度用户与典型用户之间的差距，对 Univé 构成了直接检验。强劲的平均数据可能掩盖那些回避平台、浅层使用平台，或缺乏适当培训的员工。具备 AI 准备度的劳动力不仅仅意味着存在一个高度活跃的领先群体。

还有一种风险是，准备工具会在专业人员开始审查证据前就塑造决策。优先级工作队列决定了什么先得到关注。摘要会影响哪些事实看起来重要。风险标记可能会锚定审查者的初始判断。

人工问责并不会自动纠正这些影响。专业人员可能会接受一个看似合理的摘要，因为工作负荷很高，或因为系统通常表现良好。当审核 AI 所花时间与重复完成原始任务相当时，监督就会变弱。

Univé 需要证据证明员工能够发现缺失的上下文和错误建议。它还需要监测经过准备的案件是否改善决策，还是仅仅让现有流程更快。

宠物保险示例说明了这种衡量缺口。将准备时间从数小时缩短到数分钟听起来意义重大。然而，公开案例并未披露样本量、评估周期、理赔复杂性、例外比例或质量对比。

这种缺失并不意味着该主张不实。它限制了该结果能够支持的结论。证据表明这是一个前景可期、经报告的工作流，而非证明该方法适用于所有保险业务的受控演示。

智能体工作流将加剧这些担忧。聊天机器人通常等待用户提示。智能体可以主动检索信息、组织任务并准备输出。更大的主动性会创造更多价值，但也会扩大系统的运营影响力。

Capgemini 调查中，只有 46% 的组织建立了 AI 治理政策。同一研究发现，71% 的组织无法完全信任自主 AI 智能体用于企业场景。随着 Univé 从助手迈向智能体，这种怀疑具有相关性。

该公司的保障措施提供了可信的起点。但它们并未解决关于可审计性、评估、偏见或长期维护的问题。随着 AI 触及影响成员的决策，这些问题会变得更加重要。

因此，最有说服力的下一阶段应少关注增加 GPT，更多关注证明真正有用的 GPT 能持续保持准确、受治理且可维护。采用创造了动力。评估现在必须决定哪些工作流值得成为基础设施。

三个信号将表明该劳动力模式能否扩展

验证 Univé 模式的将是受治理的复用、可衡量的决策质量和安全的智能体部署，而不是登录活跃度的又一次上升。

第一个信号是围绕可复用的员工构建工作流进行整合。自定义 GPT 的数量很可能持续变化，但原始总量的重要性低于其在团队间经验证的使用情况。

关注 Univé 是否为这些 GPT 制定了所有权规则、审核周期、使用衡量标准和退役流程。成熟的目录应让可信工具更易被找到，同时移除重复、闲置或过时的助手。

如果更多团队复用一组较小、经过审核的工作流，该公司的构建者模式将显得更有力。这将表明，本地实验可以发展为共享的组织能力，而无需依赖中央团队来提出每一个初始想法。

如果目录在缺乏生命周期控制的情况下持续扩张，这一论点就会削弱。Univé 可能会以更快、更不易察觉的形式重现传统的软件蔓延。问题将从应用不足转变为治理不善的应用过多。

第二个信号是理赔和核保的结果报告。准备时间是一项重要的运营指标，但需要与质量和客户指标结合。

有用的衡量标准包括缺失文件率、返工、专业人员覆核、投诉、申诉结果，以及验证准备好的案件所需时间。Univé 不需要公开敏感运营数据，但更广泛的证据集会让其报告的收益更具说服力。

关键问题在于，更快的准备是否带来了更好的专业关注。如果理赔人员将节省的时间用于复杂案件和成员沟通，该模式就支持 Univé 的合作社宗旨。如果工作负荷只是增加，劳动力收益就会更为有限。

决策质量也检验人工问责是否仍具实质性。如果员工经常在未经充分审核的情况下接受 AI 准备的材料，专业人员的签字就意义不大。覆核和纠正模式可以揭示人们实际行使判断的积极程度。

更强的结果证据将强化 OpenAI Univ 的论点：能力建设比工具部署更重要。薄弱或缺失的质量证据则会让这一故事仍以参与度而非转型为中心。

第三个信号是从自定义 GPT 向 Workspace Agents 的过渡。Univé 表示，正在探索能够在获批准系统中主动准备重复性工作的工作流。这一转变将检验其当前治理框架能否处理更高程度的自主性。

智能体会引入更长的行动链。它们可能从多个来源检索信息、确定任务优先级、识别缺失证据，并在用户介入前准备建议。每一步都会新增一个权限、上下文或推理可能失效的位置。

请留意清晰的代理行动边界、可追溯的来源证据、监控机制，以及直接的人类干预方式。同时关注 Univé 是否区分低风险准备工作与需要更严格审查的高风险决策。

安全的代理部署将强化公司的核心主张。它将表明，领导力、治理和员工能力能够支持更复杂的工作流，同时不削弱专业人员的责任归属。

如果部署过程中责任不清或准备工作不可靠，这一主张就会被削弱。这将意味着，为对话式助手设计的治理机制并不能自动迁移到主动型代理。

这三个信号构成了企业买家的实用检验。第一，员工实验能否发展为持续维护的共享工具？第二，这些工作流能否带来超越活跃度和速度的成果改善？第三，代理能否在可见的边界内运行？

这些问题的答案至关重要，因为企业 AI 正从“获得访问权限”转向“实现整合”。OpenAI 报告称，2025 年其企业客户对包括 Projects 和自定义 GPTs 在内的结构化功能的使用增长了 19 倍。该公司还表示，ChatGPT Enterprise 的每周消息量增长约八倍。

这些数据反映的是需求，而非一种放之四海而皆准的实施方案。Univé 提供了一种候选模式：领导层确定方向，治理机制界定安全的运行空间，员工则从实际工作中发掘应用场景。

这一模式具有吸引力，因为它避免了等待一个中央团队去自动化整个组织。但它同样要求很高，因为每个由员工构建的工作流都会带来有关责任归属、证据和维护的问题。

知识工作者也应在更小范围内吸取同样的教训。当 AI 与真实信息和可重复的工作相连接时，它会更有用；但它也会带来更重大的影响，因此来源核查和人工审查变得更加重要。

因此，评估 ChatGPT Enterprise 的组织不应只问能够激活多少许可证，而应提出一个更难的问题：谁来重新设计工作？谁来质疑不可靠的输出？谁来维护员工构建的内容？

Univé 已给出了一个初步答案。它为员工创造留出了空间，同时将最终决策权保留给承担责任的专业人员。下一阶段必须证明，这种平衡能够经受住目录扩展和更自主代理的考验。

这才是 openai univ 搜索和企业采用相关新闻标题背后的真正考验。请关注受治理的工作流、决策质量证据和代理控制措施。这些信号将表明，Univé 是否打造了一支具备 AI 能力的员工队伍，还是仅仅打造了一支高度活跃的队伍。