OPM AI 工具推广让每位员工拥有六个助手，但获得访问权限不等于产生影响

OPM 向每位员工开放了六个获批 AI 平台的访问权限，形成联邦政府范围最广的多供应商工作场所部署之一。OPM AI 工具推广涵盖 ChatGPT、Claude、Gemini、Microsoft Copilot、Grok 和 Perplexity。该机构超过 70% 的员工积极使用至少一个平台。

这一采用水平使 OPM 成为政府 OneGov 采购战略的重要试验案例。集中式协议帮助这个规模相对较小的机构从六家竞争供应商处获得产品，而无需分别协商六份独立的企业协议。

不过，OPM 自身的数据揭示了一个更棘手的情况：访问权限和使用率的提升，快于各类工作中可衡量改善的普遍出现。处理开放式写作和分析任务的员工报告称效果显著更好，而负责结构化退休、法律和财务流程的团队则没有同等收获。

这一差距界定了真正的竞争。OPM 不只是在比较 ChatGPT 与 Claude，或 Gemini 与 Grok；它正在检验，在单个工具尚未深度整合进机构工作流之前，广泛访问权限能否改善运营。

OPM AI 工具推广将采购转化为产品战略

OPM 将集中采购视为保留选择空间的方式，而不只是降低采购工作量。

OPM 首席信息官 Adam Starr 在 9 月 15 日于华盛顿举行的 GovExec Government and AI Summit 上介绍了此次部署。随后的一篇六工具部署报道详细列出了这些平台及该机构的采用数据。

六款获批产品分别来自 Google、Microsoft、xAI、OpenAI、Anthropic 和 Perplexity。员工可以在通用助手、研究导向系统以及与工作场所软件集成的工具之间选择。

这种做法不同于传统的企业标准化项目。机构通常选定一个平台，围绕它培训员工，并接受由此带来的供应商依赖。OPM 则建立了一个内部市场，让多个平台同时可用。

Starr 表示，随着模型变化，供应商会经常相互超越。保留多种工具可让员工转向最适合具体任务的产品，也让 OPM 能随着能力和商业条款的发展重新评估供应商。

OneGov 让这一战略具备了可操作性。美国总务管理局会协商符合条件的机构可使用的通用条款和采购路径。机构仍须完成所需的订购和审批工作，但起点是共享的商业框架。

GSA 当前的 AI 采购指南列出了 Anthropic、Google、OpenAI、Perplexity 和 xAI 面向政府的服务。Microsoft 产品也通过更广泛的 OneGov 安排得到覆盖。

这一采购框架很重要，因为评估六种产品原本会带来显著的采购成本。每份合同都可能需要单独的安全审查、许可讨论、使用控制和续约决策。

OPM 也不具备最大型联邦部门那样的采购议价能力。Starr 表示，OneGov 让该机构获得了原本难以独立争取到的条款。

由此形成了一种不同寻常的部署模式。OPM 对采购层进行了标准化，同时避免在用户层实施标准化。员工获得获批选项，而供应商在合同签署后仍持续竞争。

这改变了该机构与供应商的关系。赢得协议不再保证员工会在日常工作中选择某一产品。随着模型改进、集成扩展或信任减弱，使用情况可能发生变化。

六工具安排还会产生比较性证据。OPM 可以观察哪些产品吸引用户，以及哪些任务带来重复使用活动。随后，它可以将真实需求与由培训活动或高管关注推动的采用区分开来。

但可用性本身并不能证明适用性。不同系统具有不同的控制措施、界面、模型行为和数据处理边界。OPM 必须让员工理解这些差异，同时避免让他们不堪重负。

因此，眼下的成果比工作场所转型更有限。OPM 已消除了采购障碍，并为员工提供了合法试用多个领先平台的途径。

这是一项有意义的变化，也更清晰地暴露出下一道障碍：将试验转化为可靠的运营改进。

为什么 OneGov 让多模型 AI 成为可能

OneGov 将联邦 AI 采购从各机构孤立谈判，转向通用条款、共享议价能力和更快的访问。

GSA 推出 OneGov，旨在整合此前以不同条件采购相似技术的各机构采购活动。该战略涵盖软件、云服务、安全产品和 AI 系统。

这一模式并不意味着建立一个覆盖全政府的软件部署。相反，GSA 建立的协议可由参与机构通过认可的合同载体和订购路径使用。

这一差异很重要。机构仍负责评估任务适配性、安全、隐私、档案管理和内部授权。OneGov 减少了商业摩擦，但并未将运营责任从机构领导者身上转移出去。

GSA 表示，云服务提供商必须持有适当的 FedRAMP 授权，或正在申请该授权。FedRAMP 为联邦机构使用的云服务安全控制评估提供标准化流程。

获得授权仍不代表员工可以将任何政府信息输入 AI 助手。机构必须界定可接受的数据类型、获批账户、保留规则和禁止用途。

OPM 的 AI 合规计划将碎片化采购列为采用障碍之一，也指出安全开发环境的访问权限不一致，以及对 AI 活动可见性有限等问题。

该计划描述了一个基于云的环境，具备私有端点、分段网络和基于角色的访问控制。它还概述了沙盒测试、开发、试点、生产和最终退役等阶段。

这些控制措施表明，采购协议只是开始。一款 AI 产品可以通过 OneGov 在商业上获得供应，但某个具体使用案例仍可能需要额外审查。

GSA 自身也建议机构从明确的任务问题着手。其指南建议与有限用户群测试产品，检查数据流，协调监督职责，并监测使用量。

OPM 为通用助手选择了更广泛的访问模式。这一决定让员工有空间在每个工作流都有专门应用之前，先发现有用的任务场景。

这种自下而上的探索具有优势。最接近流程的员工往往能发现中央技术团队忽略的重复性工作。他们可以测试起草、摘要、研究、编码和文档分析，而无需等待定制系统。

这种做法也带来治理压力。六种工具产生的问题比一种工具更多。员工需要知道，同一份文档是否适合用于每个平台，以及哪些输出需要额外审查。

管理员同样需要可比较的遥测数据。不同产品的活跃用户统计可能采用不同定义。一次登录、一次提示和持续的每周使用，代表不同程度的采用。

续约的经济性也会变得更加复杂。初始协议可能使广泛试验变得容易，而后续按使用量计费的条款会暴露使用情况和价值上的差异。

这一转变已经开始。GSA 的新 ChatGPT 协议计划于 2026 年 10 月 1 日生效。它以折扣后的按使用量计费模式取代初始访问方案，并免除平台访问费。

该协议为期 27 个月，覆盖符合条件的 ChatGPT 模型，包括授权联邦环境中的服务。它还将订购选项扩展到多个政府层级。

对 OPM 而言，这构成了一项直接考验。当访问跨越初始阶段后，该机构必须决定使用情况是否足以证明持续消费的合理性。

六家供应商面临同样的基本挑战。便捷采购打开了大门，但持续参与将取决于员工需求、工作流适配性、安全性和可证明的任务成果。

六个 AI 助手为联邦工作带来日常竞争

OPM 的多模型战略让员工成为评判竞争性 AI 系统的实际裁判。

每个获批平台都以不同的产品定位进入工作场所。Microsoft Copilot 可受益于其与熟悉生产力应用的接近性。ChatGPT 和 Claude 则服务于广泛的写作、分析和编码需求。

Gemini 与 Google 的模型组合和政府服务相连接。Perplexity 强调答案发现和研究。Grok 则将 xAI 的模型和搜索导向功能带入比较。

这些描述不应被视为固定边界。供应商持续增加研究模式、连接器、编码功能、文档分析和类似代理的操作。随着每次发布，产品重叠程度都在扩大。

这种重叠支持 Starr 保留多个选项的论点。今天在某项任务上表现出色的平台，可能在另一家供应商更新模型后失去优势。

员工选择也提供了采购团队很少能从单一供应商合同中获得的信号。反复的自愿使用表明某个产品适合真实工作，尽管这并不能证明工作本身得到了改善。

偏好与表现之间的区别很重要。员工可能因某个平台的界面感觉熟悉而偏爱它，也可能因登录要求或数据限制造成摩擦而避开另一个平台。

使用情况也可能遵循组织习惯。Microsoft Copilot 可能出现在员工原本就工作的地方，而独立的浏览器助手则需要刻意切换上下文。

相反，独立系统可能提供嵌入式助手所缺乏的能力。一些员工可能保持多个标签页打开，并将不同任务交给不同产品。

这种行为更像消费者使用 AI，而不是传统的联邦软件部署。它赋予员工灵活性，但也可能让提示、已保存工作和组织知识分散在不同供应商之间。

在一个助手中生成的有用答案，可能对同事仍不可见。支撑性上下文可能留在单独的文档存储库、电子邮件线程或员工笔记本中。

这种碎片化使知识管理成为采用问题的一部分。更多助手并不会自动为组织创建共享记忆。

因此，OPM 必须评估的不只是模型质量。它需要了解员工如何检索源材料、验证输出、保留决策，以及将有用结果转入记录系统。

研究助手可以给出简明答案，但员工仍需要权威证据。起草助手可以重组备忘录，但最终记录必须符合机构要求。

编程助手则呈现出另一种情况。它们可以帮助技术人员理解旧有系统，或生成拟议变更。安全、测试和部署决策仍由人工审查者负责。

竞争压力并不止于这六家供应商。其他联邦机构正在关注：在早期采购优惠到期后，OPM 的多模型方法是否仍然可控。

积极结果将削弱“机构需要一个默认助手”的假设。它将支持一种组合模式，即获批产品围绕任务和预算展开竞争。

消极结果则会强化整合的理由。机构可能会认为，重复的培训、治理、集成和使用监控成本，超过了员工选择带来的好处。

因此，供应商竞争的不只是基准测试分数。它们还必须减少行政工作量、适配获批环境、支持特定工作流，并产出经得起人工审查的结果。

这项六工具部署让这种竞争变得可见。它并未决定谁会胜出，而且 OPM 尚未公布各平台的使用情况或性能结果。

在缺少这些数据的情况下，没有供应商可以宣称全机构范围的可用性就等于员工偏好。现有证据支持的是组合策略，而非对其中工具的排名。

高采用率尚未带来同等影响

OPM 最有力的证据表明，决定 AI 助手是否有用的是工作场景的结构，而非普遍热情。

OPM 在 6 月对员工进行了调查，收到超过 1,100 份回复，回复率为 56%。其员工脉搏调查结果提供了比采用率 headline 数字更详细的信息。

在受访者中，81.4% 表示使用过获批 AI 工具。遥测数据则显示，实际总体使用率接近 70%，这说明自报采用率不应作为唯一依据。

随着职级提高，报告中的使用率也有所上升。调查发现，77.4% 的非主管人员、93.5% 的主管人员和 97.3% 的高级管理人员在使用这些工具。

OPM 获批 AI 工具的全机构净推荐值为正，为 17.9。不过，不同组织单元之间的结果差异显著。

主任办公室的得分为 95.7。OPM 的技术组织得分为 65，其人力资本办公室也报告了显著积极的结果。

法务运营部门得分为负。退休服务部门的得分低至负 38.1，近六成受访者被归类为贬损者。

在该机构位于 Boyers 的退休业务部门，员工对“AI 提升了本部门绩效”这一说法给出了 10 分制中的 4.6 分。

这种差异并不只是热情领导者与抗拒变革的一线运营员工之间的分野。它反映的是底层工作的形态。

通用助手相对适合非结构化知识任务。起草、综合、头脑风暴、研究和初步分析，都可以在普通聊天界面中展开。

结构化运营则遵循不同的模式。退休事务处理依赖既定的案件流程、记录、计算、政策和系统，员工无法用一个孤立的对话窗口取代这些要素。

OPM 描述了一名组织设计员工：该员工过去需要花数小时甚至数天，在电子表格中对焦点小组反馈进行编码。如今，AI 辅助流程可在数分钟内生成初步分类和主题。

员工的责任并未消失。工作重心转向验证输出并利用研究发现。

另一个例子来自退休业务。一名员工为一项每年大约执行 11,000 次的保费缺口计算创建了工具。

根据 OPM 的说法，人工计算此前每个案例需要五到十分钟。新流程则能在数秒内生成可审计的工作表。

这一案例比一般的使用统计数据更具说服力。它将明确任务、可重复输出和可审查工件联系在一起。

它也说明，六个通用助手只是该战略的一层。最大的运营收益要求 AI 进入既有工作流，而不是迫使员工把工作转移到单独的聊天窗口中。

OPM 所面临的障碍也印证了这一点。近半数受访员工表示，缺乏学习或试用的时间。超过三分之一提出了准确性和可靠性担忧。

近四分之一提到了安全或数据敏感性问题。只有 1.4% 表示主管曾阻止他们使用 AI。

这些发现削弱了一种常见的采用叙事。主要问题未必是管理者在文化层面的反对。员工需要时间、可信赖的输出、明确的规则以及更好的集成。

OPM 还报告称，调查中得分最低的项目是获批 AI 工具是否改善了部门绩效。全机构得分为 10 分制中的 7.3 分。

这一得分并不意味着失败，但它显示出使用情况与组织影响之间仍存在明显差距。活跃用户可能会在孤立任务上节省时间，却未必能改变一个部门的整体绩效。

因此，OPM 的 AI 工具推广已经通过了访问测试和初步采用测试。它尚未通过影响力一致性测试。

权衡在于选择与运营控制

向员工提供六种选择会鼓励试验，但也会增加治理数据、质量、支出和机构知识所需的工作。

单平台策略提供了行政管理上的简洁性。培训可以聚焦于一个界面，政策可以围绕一个环境制定，支持团队也可以形成可重复使用的解答。

这种简洁性伴随着依赖风险。如果所选供应商落后、变更条款，或无法胜任特定任务，员工的替代选择将十分有限。

OPM 接受更高的复杂度，以保留竞争压力。该机构可以比较不同产品，避免假定某一模型会始终在所有类别中表现最佳。

核心风险在于，模型选择可能演变为碎片化行为，而非经过充分了解的组合。员工需要实用指引，了解哪种工具适合每一项获批任务。

如果缺少这类指引，六个助手可能会生成六种不同的答案、文档习惯和工作存放位置。员工可能在多个平台重复输入提示词，却无法了解哪些差异真正重要。

准确性仍是另一项制约因素。生成式系统产出的是概率性结果，也就是说，它们生成的是可能的回答，而非检索得到的保证准确的事实。流畅的语言可能掩盖缺乏依据的细节或缺失的背景。

联邦人事工作提高了风险。OPM 影响着整个政府的招聘、福利、退休服务、劳动力政策和人力资本系统。

错误的草稿可以通过审查修正。将错误数值填入福利流程，则可能给个人带来后果，并为机构增加额外工作。

安全政策同样必须保持具体。企业协议可能提供比消费者账户更强的控制措施，但这并不意味着每个数据集都适合用于每一种用途。

记录保存义务又增加了一层要求。当 AI 参与正式工作时，机构需要制定规则，以保存提示词、输出、决策和支撑证据。

当系统影响与就业相关的活动时，偏见和公平性需要得到关注。OPM 的合规框架要求开展影响评估，审查质量、数据来源和潜在偏见。

这些要求并不禁止采用 AI。它们解释了为何运营集成必须比获得通用助手访问权限更谨慎地推进。

随着协议逐渐成熟，成本控制将变得愈发重要。按使用量计费的模式将支出与活动关联起来，促使机构区分有价值的使用与随意试验。

原始提示词数量无法回答这一问题。一次简短交互可能避免数小时的人工工作，而一次漫长会话也可能无法产出任何可用成果。

OPM 提出的测量框架提供了更好的方向。它将使用、情绪和影响区分开来，而不是将它们视为可以互换的概念。

使用情况揭示员工是否尝试这些产品。情绪有助于识别摩擦和信任问题。影响则必须将工具与既有指标相连接，例如处理时间、服务质量或招聘速度。

最后这一类别仍然最难衡量。机构可以快速统计活跃用户，但使命成果通常取决于多个系统和政策变更。

如果 OPM 在可比任务之间比较结果，这种六平台设计可以发挥帮助作用。如果各部门在缺乏一致测量的情况下采用不同产品，它也可能阻碍评估。

该机构还必须避免让供应商竞争演变为员工困惑。一个产品组合需要共享标准、清晰的任务边界，以及一种能够将有用工作保留在任何单一助手之外的方式。

核心权衡可以管理，但并非暂时存在。每一项新的模型能力、连接器或采购结构，都会改变灵活性与控制之间的平衡。

三个信号将显示广泛访问是否真正奏效

下一阶段将由续约选择、工作流层面的结果，以及运营较弱部门正在缩小采用差距的证据来评判。

第一个信号是 OPM 对 OneGov 条款变化的回应。ChatGPT 的下一份协议将于 10 月 1 日开始，而其他初始优惠也接近各自预定的终止期限。

OPM 的采购决定将显示，该机构是否会在试用性访问期后继续维持全部六个平台。持续提供这些工具将支持 Starr 的组合策略。

整合则意味着实际需求或行政成本更倾向于较少供应商。无论哪种结果，都会比最初的采购公告提供更多证据。

具体细节将十分重要。OPM 可以保留多种工具的访问权限，同时为特定任务指定优先产品。它还可以将面向广大员工的助手与专门的开发或研究服务区分开来。

第二个信号是 OPM 是否公布任务层面的绩效指标。活跃用户比例说明了覆盖范围，但无法证明退休业务处理时间缩短或招聘结果改善。

保费缺口计算器提供了一个有用模板。它明确了重复任务、此前所需时间、更快的工作流以及可审计输出。

未来证据应遵循这一结构。OPM 应将 AI 支持的流程与周期时间、错误率、返工、服务质量或其他既有运营指标联系起来。

这些证据将强化全政府范围采用的理由。如果持续聚焦于登录次数和调查情绪，则会削弱“广泛访问改变机构绩效”的说法。

第三个信号是，低得分部门在 AI 进入其既有系统后是否有所改善。退休服务部门提供了最清晰的测试，因为其工作具有结构化特点，且员工情绪较为消极。

如果集成工具能在保留审查和可审计性的同时改善案件处理，OPM 将证明 AI 可以超越起草和分析。

如果差距持续存在，广泛访问对管理者、技术人员和其他处理非结构化信息的员工而言仍将最有价值。

这一结果并不意味着该项目毫无价值。它将为通用助手确立更有限的边界，并引导投资流向面向特定工作流的工程建设。

其他机构在复制 OPM 战略中最显眼的部分之前，应当关注这些信号。采购多个助手比维持一个能够产出可衡量结果、并受到有效治理的产品组合更容易。

迄今为止最重要的教训并不是每位员工都需要六款产品，而是集中采购可以带来选择空间，同时内部证据决定哪些选择值得持续投入。

对于知识工作者而言，实际问题同样直接：一款助手是否只是让某项孤立任务感觉更快，还是改善了同事和客户所依赖的流程？

请带着这一区分关注 OPM 下一轮 AI 工具推广数据。重点观察工作流成果、续订决策，以及结构化运营环节中的提升。这些指标将揭示 OneGov 是创造了持久能力，还是仅仅让试验变得更容易。