Uber全员部署ChatGPT Work：AI办公进入规模化落地阶段

当OpenAI的ChatGPT Work从工程团队走向全公司，会发生什么？Uber给出了一个颇具参考价值的答案：向超过30,000名员工开放ChatGPT Work，让非工程岗位也进入AI工作流。据YouTube发布的现场分享，这不仅是一次工具采购，更是一场围绕工作方式的重构实验。

从工程师到全员：AI工具的边界正在消融

在很长一段时间里，AI编程助手和生成式工具的主要使用者是工程师群体。但据分享者观察，OpenAI内部最早的一批深度用户和Token消耗最高的人群，其实并非工程师。这一细节打破了“AI工具只属于技术岗”的惯性认知。

Uber此次将ChatGPT Work推广至整个New Work社区，意味着产品、运营、市场等职能岗位也将获得同等能力的AI支持。分享中提到，工程领域已经率先采用这些工具，并因此改变了工作流本身；如今其他团队“对此充满期待”，这被视为一次“台阶式变化”（step change）。

关键打法：功能专家与工程师结对

规模化部署AI工具，难点往往不在采购，而在落地。Uber分享的一个做法值得关注：将职能专家与工程师配对，共同审视完整的工作流，而不是让各团队各自摸索。

这种 pairing 模式的逻辑在于，职能专家最清楚业务痛点在哪里，工程师则知道如何把流程拆解为可自动化的环节。两者结合后，团队能够把整个流程“拿进来”，真正实现端到端的自动化，而不是停留在单点提效。分享者直言，正是在这一步，才看到了实实在在的收益。

AI对齐（AI Alignment） 是分享者提及“通过对齐确保人类保持控制权”背后的核心技术议题，指让AI系统的目标、行为与人类意图和价值观保持一致的研究方向。它关注的不是模型“能不能做”，而是“做的事是否符合我们真正想要的结果”。在企业场景中，对齐问题体现为：自动化流程是否会偏离业务目标、智能体在多步骤任务中是否会采取未授权的操作。当前主流方法包括基于人类反馈的强化学习（RLHF）、 Constitutional AI、以及可解释性与红队测试等。对于大规模部署AI办公的企业而言，对齐不仅是研究课题，也直接关系到权限边界、审计追溯与责任归属的设计。

效率之外：关于控制权与权力集中的思考

话题没有停留在效率层面。分享中提出了一个更宏观的框架：构建能力惊人的智能机器，同时通过对齐确保人类保持控制权。此外，分享者明确表达了对“权力过度集中”的警惕，认为AI应当赋能每一个人，而不是成为少数机构的专属能力。

这一立场与当前企业AI采购中的普遍顾虑形成呼应——当越来越多核心工作流依赖少数AI供应商，企业如何在效率与自主性之间取得平衡，将是一个长期议题。

人机关系的再定义：从“伏案敲键盘”到更有价值的工作

分享中有一段颇具画面感的反问：我们有多少时间弓着身子对着机器敲敲打打，这真的是我们来到这里要做的事吗？在分享者看来，这并不合理。

这引出了AI办公更深层的价值主张：把重复性的、机械式的劳动交给机器，让人转向判断、协作与创造性工作。当然，分享者也坦承这是一种“变化”，是所有人都需要经历的过程，机会与阵痛并存。

对企业的启示：规模化AI落地需要组织设计

Uber的案例提供了几个可复用的经验：其一，不要把AI工具限定在技术团队，非工程岗位往往有更大的流程优化空间；其二，用结对机制打通业务理解与技术实现之间的断层；其三，从完整工作流出发设计自动化，而非零散地堆叠工具。

当AI办公从“试点”走向“全员”，真正的挑战不再是模型能力，而是组织能否围绕AI重新设计协作方式。Uber的3万人部署，或许只是这场组织变革的开始。

说明：本文基于YouTube公开分享内容整理，部分表述为现场口语转述，具体部署细节以Uber官方信息为准。