来源：HRflag

　　（图片由HRflag使用Chatgpt image2.5生成 ）

　　2026年9月，OpenAI在首尔透露，正在与三星电子深化下一代芯片研发与企业级人工智能服务合作。相比双方在芯片、存储和数据中心领域的合作，更值得企业管理者关注的，是三星正在把ChatGPT等AI工具扩展至研发、制造、产品、营销、销售和企业职能，让AI从少数技术团队的专业工具，逐渐成为更多员工日常工作的基础设施。

　　这不是简单增加了一批软件账号，也不只是一次规模更大的技术采购。它透露出一个更深的变化：企业部署AI的逻辑，正在从“哪些部门适合使用”，转向“哪些工作还没有接入”；衡量AI价值的方式，也将从员工节省了多少时间，转向组织能否把这些时间重新组合成更快的决策、更短的流程和更高质量的产出。

　　当AI覆盖研发、营销和销售，它影响的已经不只是某一个岗位的效率。产品如何形成、知识如何流动、部门如何协作、经理如何分配任务、员工如何证明自己的价值，都将被放进同一套新的工作系统中。

　　真正进入变化深水区的，并不是模型本身，而是企业围绕模型重新安排工作的能力。

　　AI不再只是技术部门的项目

　　根据路透社报道，OpenAI韩国负责人Harrison Kim表示，三星电子已经成为ChatGPT在全球规模更大的企业部署案例之一，韩国及海外员工正在研发、营销和销售等工作中使用ChatGPT。与此同时，双方还在下一代芯片、先进存储和全球AI基础设施方面继续合作，使这段关系同时覆盖算力供给、模型应用和企业工作方式三个层面。

　　OpenAI此前披露，ChatGPT Enterprise和Codex将面向三星电子在韩国的全体员工，以及设备体验部门的全球员工开放，应用范围包括软件开发、产品研发、制造、营销及企业职能。员工不仅可以用AI检索和分析信息、起草文档、解释数据，也可以借助Codex编写和审查代码、制作内部工具、搭建网站原型以及自动化工作流程。

　　这组信息真正重要的地方，不在于“多少员工获得了账号”，而在于AI被放到了什么位置。过去，很多企业把生成式AI放在创新中心、数字化部门或者少数试点团队里，它更像一项需要申请、培训和展示成果的新技术；当AI同时进入研发、制造、营销、销售和职能部门，它开始接近电子邮件、搜索、办公套件和协作平台的角色，成为员工完成知识工作的通用入口。

　　软件工具进入企业，通常经历三个阶段。早期阶段解决“有没有”，员工用它完成一些零散任务；扩散阶段解决“有多少人使用”，企业购买许可证、建立培训体系；进入基础设施阶段后，问题变成“工作如何围绕它重新组织”。三星案例所折射的，正是全球大型企业正在跨过第三道门槛：AI不再只是被嵌入现有流程，而是开始参与定义流程。

　　从“给员工一个助手”到“给组织增加一层能力”

　　过去三年，企业谈论AI时最常见的画面，是一个员工面对一个聊天窗口。员工输入问题，模型给出答案；员工撰写邮件、整理会议纪要、总结报告，个人生产力得到改善。这种使用方式真实有效，却很容易让企业把AI理解成办公软件的升级版，进而用使用人数、提问次数和节省工时衡量进展。

　　但企业并不是个人效率的简单相加。一个市场人员更快写完文案，并不意味着产品上市周期一定缩短；一个销售人员更快生成方案，也不代表客户需求能够更早传回研发；一名工程师更快完成代码，并不必然带来更稳定的产品。个人获得的时间，只有进入部门协作和经营流程，才可能变成企业能够确认的价值。

　　DATA

　　麦肯锡2026年全球AI调查显示，近九成受访者所在的组织已经在至少一个职能中经常使用AI，44%的企业正在进行全企业规模化部署，80%的受访者认为AI提升了个人生产力；但只有37%的受访者确认AI已经对企业息税前利润产生影响，真正能够将5%以上利润贡献归因于AI、并认为影响显著的高绩效企业约占6%。

　　这意味着，企业AI最容易获得的成果是“员工觉得更快了”，最难获得的成果则是“公司确实变强了”。两者之间并不只隔着更强的模型，还隔着流程设计、数据连接、权限管理、质量标准、管理责任和绩效机制。

　　个人效率属于工具层，组织效率属于管理层，经营结果则来自二者之间能否形成闭环。

　　三星把AI向多个职能同步展开，提供了一种值得观察的路径。研发、营销和销售原本分处价值链不同位置，使用的数据、工作节奏和判断标准也不相同；一旦它们开始共享相似的AI能力，企业便有机会减少知识在部门交界处的损耗。AI的价值不再局限于替员工完成一项任务，而是开始承担信息翻译、流程衔接和协作加速的角色。

　　研发部门获得的，不只是更快写代码

　　在研发领域，AI最容易被看见的能力是代码生成。工程师可以用它补全代码、查找错误、生成测试用例、解释陌生模块，也可以把自然语言描述转化为原型。随着编码智能体能够处理更长的任务链，研发团队的时间分配开始变化，过去大量用于搜索、调试和基础实现的时间，正在向架构设计、需求判断和质量控制迁移。

　　但代码只是研发活动的一部分。大型企业的产品研发往往涉及需求文档、技术资料、专利信息、实验记录、项目会议、供应商材料和跨地区协作，真正拖慢进度的未必是某一段代码，而是知识分散在不同系统、语言和团队中。AI如果能够在合规权限下连接这些信息，它带来的价值便从“生成代码”扩展为“缩短知识抵达决策者的距离”。

　　在产品开发过程中，工程团队经常需要把市场语言翻译为技术指标，再把技术限制解释给产品和营销团队。过去，这种翻译依赖熟悉多个领域的关键人员，会议数量多，信息损耗也难以完全避免。AI可以先完成资料归纳、概念对照和方案草拟，让跨职能讨论更快进入真正需要人类判断的部分。

　　这种变化还可能降低内部工具的开发门槛。麦肯锡2026年调查显示，32%的受访者表示，其所在企业曾经因为可以借助编码智能体自行开发，而决定不再购买至少一种软件产品或功能。企业技术预算由此出现新的选择：有些需求不必等待统一系统立项，也不必迁就标准软件，可以由贴近业务的团队快速搭建轻量工具，再由IT部门提供架构、安全和维护支持。

　　这并不意味着每个员工都要成为程序员，而是软件生产的边界正在扩展。过去，业务部门提出需求，IT部门排期开发，双方通过需求文档反复确认；现在，业务人员可以先借助AI做出可运行的雏形，再与技术团队共同完善。需求表达因此从“描述一个想法”变成“展示一个可以讨论的对象”，组织内部的创新成本也随之下降。

　　研发管理的重点因此发生位移。管理者不再只关心工程师写了多少代码，还要观察需求验证是否更快、缺陷是否更早暴露、知识能否被复用、实验是否减少重复，以及产品从概念到验证的周期是否缩短。代码数量可能继续增加，但真正值得进入管理报表的，是研发吞吐量和产品质量之间是否形成了更好的平衡。

　　制造场景让AI从知识助手走向业务现场

　　对于制造企业而言，AI进入研发只是开始。生产流程中的设备知识、工艺规范、质量记录、供应链数据和维护经验，构成了更庞大也更复杂的知识网络。许多问题并不是没有答案，而是答案散落在不同工厂、系统、班组和专家经验中，无法在需要时被迅速调用。

　　当企业级AI连接经过授权的技术文档、操作规范和历史案例，一线员工可以更快定位信息，工程人员也能更高效地比较异常模式。AI可以协助整理设备故障现象、生成排查建议、解释质量数据和制作交接记录，但最终判断仍由熟悉现场条件的人完成。这样的分工不是把制造决策交给模型，而是让人从低效的信息搜索中释放出来。

　　制造业尤其能说明“准确答案”与“正确行动”之间的区别。模型能够给出结构完整的建议，却未必理解某条生产线当日的材料批次、设备状态和安全边界；员工拥有现场经验，却可能无法在短时间内检索所有相关记录。AI基础设施的意义，是把二者放进同一套可追溯的工作机制中，让模型提供信息广度，让专业人员保留最终责任。

　　这也使知识管理从后台项目变成生产能力。过去，很多企业投入大量资源建设知识库，却经常面临资料难找、版本不一和更新滞后的问题；生成式AI改善了检索和理解体验，但也放大了底层内容质量的重要性。知识库中如果存在过期工艺、重复版本或者权限混乱，模型只会更快地把这些问题带到员工面前。

　　因此，企业级AI覆盖制造部门之后，技术团队、业务专家和人力资源部门会被拉进同一项长期工程。技术团队负责连接与安全，业务专家负责判断知识有效性，HR则需要把知识维护、经验沉淀和AI协作纳入岗位责任。AI看似缩短了员工寻找答案的时间，背后却要求企业建立更清晰的知识所有权。

　　营销部门的变化，不止是内容产量上升

　　营销通常是生成式AI最早进入的业务部门之一，因为写作、图像、研究和创意都能快速看到效果。员工可以在较短时间内生成更多标题、产品介绍、社交媒体内容和活动方案，也可以用AI归纳消费者评论、比较竞品信息和整理市场趋势。产能上升十分直观，因此也最容易让管理层产生“AI已经创造价值”的印象。

　　问题在于，营销从来不只追求内容数量。内容增加之后，审核压力可能同步上升，品牌表达容易趋同，消费者也会更快习惯由AI生成的标准化语言。如果企业只是把过去的内容流程加速，得到的往往是更多素材，而不一定是更清晰的品牌定位和更好的市场反馈。

　　当AI成为基础设施，营销工作的单位需要从“生成一篇内容”转向“完成一次从洞察到反馈的循环”。模型可以先聚合消费者信息，帮助团队形成假设，再生成不同表达方案并支持测试；投放和销售反馈返回后，团队继续修正用户画像、产品卖点和内容策略。AI真正压缩的不是写作时间，而是市场学习周期。

　　这也会改变营销团队内部的分工。基础内容生产、格式转换和多语言适配逐渐自动化，员工的价值更多体现在判断品牌边界、识别真实需求、设计实验以及解释数据。过去擅长执行单一渠道任务的人，需要理解更完整的客户旅程；而能够连接产品、数据和商业目标的人，可能成为团队中更关键的角色。

　　企业对营销AI的绩效评价也要随之变化。单纯计算生成了多少文案、节省了多少工时，很容易把团队引向产量竞赛；观察上市速度、内容转化、测试效率、品牌一致性和客户反馈质量，才能判断AI是否真正进入业务系统。

　　AI扩大了内容供给，但竞争优势仍然来自企业比市场更早学到了什么。

　　销售部门的价值，在于把信息优势变成行动优势

　　销售工作表面上高度依赖沟通，实际上包含大量信息处理。拜访前需要了解客户背景，沟通后需要整理需求，内部还要协调产品、报价、合同和交付资源。销售人员的时间经常被分散在搜索材料、填写系统、更新记录和制作方案上，真正用于客户判断和关系建立的时间反而受到挤压。

　　AI进入销售流程后，可以承担客户研究、会议准备、沟通纪要、机会点归纳、方案初稿和后续任务整理。它也能把散落在邮件、会议和客户管理系统中的信息组织起来，帮助销售人员更快理解账户状态。

　　DATA

　　微软2026年工作趋势研究显示，66%的AI用户认为AI让自己能够把更多时间投入高价值工作，58%表示自己正在完成一年前无法完成的工作。这种能力扩展在复杂销售场景中尤其明显。

　　然而，销售效率并不等于更快发出一份报价。AI整理出的客户信息是否准确，推荐的沟通策略是否适合当前关系，产品承诺是否超出交付能力，都需要销售人员和管理者把关。随着自动化程度提高，销售人员承担的责任不会减少，反而会从信息录入转向信息判断。

　　更有价值的变化出现在部门之间。销售一线获得的客户反馈，可以由AI归纳为更结构化的需求信号，并传递给产品和研发；研发形成的新能力，也可以更快转化为销售可理解、客户可感知的语言。过去依赖会议和人工整理的反馈链条，有机会变得更短、更连续。

　　这正是全职能部署区别于单部门试点的地方。营销使用一个模型、销售使用另一个工具、研发再建设一套独立系统，各自都可能提高效率，却很难形成共同学习。统一的企业级AI平台如果能够连接业务语境和权限体系，就有机会让客户信息、产品知识和市场判断在组织中更顺畅地流动。

　　当AI进入企业职能，管理成本也开始被重新计算

　　AI向企业职能部门扩展后，变化会更加接近日常管理。财务可以用它解释经营数据、辅助预算分析和整理报告，法务可以用于检索条款、比较合同和识别需要人工关注的风险点，采购可以归纳供应商信息，行政可以搭建轻量化流程。大量过去依赖复制、转录、搜索和格式调整的工作，会被重新分配。

　　这类变化不一定立即表现为岗位数量变化，往往先表现为岗位内容变化。员工仍然承担原来的业务目标，但完成目标所需的任务组合发生了变化，一些重复步骤减少，分析、沟通和复核所占比重上升。岗位名称可能保持不变，岗位内部的“劳动配方”却已经不同。

　　这也是为什么企业很难仅凭组织架构图理解AI影响。传统组织架构呈现部门和汇报关系，却看不出一个岗位每天花多少时间搜索资料、协调信息、重复录入和等待审批。AI首先改变的是这些隐藏在职位名称之下的微小任务，随后才可能积累成更大的流程和组织调整。

　　对高管而言，观察AI带来的变化，不能只看IT部门提交的账号开通率。更有价值的问题是，哪些流程的等待时间缩短了，哪些信息能够一次录入、多次使用，哪些决策获得了更完整的证据，哪些岗位释放出的时间被投入了客户、创新和风险控制。只有这些变化进入经营语言，AI才真正走出技术项目。

　　HR将成为AI基础设施能否落地的关键接口

　　当AI只是一个软件项目时，HR通常负责培训和内部传播；当AI进入全职能工作，HR面对的任务则完全不同。岗位设计、人员配置、能力模型、绩效管理、学习发展和管理者责任都会受到影响，AI因此不再只是HR需要推广的一项工具，而成为HR重新理解组织运行的窗口。

　　更先需要更新的是岗位分析。过去的岗位说明书通常以职责模块描述工作，例如市场研究、客户维护、数据分析和项目管理，但同一项职责中可能包含十几种不同任务。AI能够替代、增强或者改变的，往往不是整个岗位，而是其中某些可标准化、可数字化、可验证的任务。

　　一份销售岗位可能同时包含客户研究、方案制作、商务沟通、内部协调和关系判断。AI能够高比例参与前两项，对沟通准备和内部协调形成辅助，却很难独立承担长期信任和复杂谈判。若企业直接讨论“这个岗位会不会被AI取代”，结论容易空泛；若把岗位拆解为任务、决策和责任，变化就会清晰许多。

　　这意味着人力规划的基本单位正在发生变化。过去，业务部门根据工作量申请人数，HR依据编制、成本和人才供给判断是否招聘；今后，同样的需求还会多一层计算：哪些任务可以由员工与AI共同完成，哪些工作可以通过流程重构消除，哪些能力必须通过新增人才获得。人员、软件和智能体开始共同构成组织产能。

　　这种计算并不等于把人力规划变成简单的“减员公式”。AI可能减少某些重复工作，也可能因为产品开发更快、客户覆盖扩大而创造新的工作量；有些团队的人数保持稳定，却能同时承担更多市场和产品；另一些团队则需要增加具备业务判断、数据治理和AI编排能力的人才。真正发生变化的是企业配置产能的方式，而不是单一方向的人数变化。

　　AI素养将从“会提问”变成“会完成工作”

　　企业早期的AI培训常常集中在提示词技巧上，因为它易于理解，也容易在短时间内形成成果。员工学会设置角色、补充背景、规定格式，输出质量确实会改善。但当模型能力持续提升，提示词本身的门槛不断降低，真正拉开差距的将不再是会不会写一段复杂指令。

　　成熟的AI素养更接近一种工作能力。员工需要判断任务是否适合交给AI，知道应该提供哪些背景信息，能够检查事实和逻辑，理解数据与权限边界，并对最终结果承担责任。微软2026年调查中，50%的AI用户认为质量控制变得更重要，46%强调批判性思维，86%把AI输出视为起点而不是最终答案，这说明AI越深入工作，人的判断越难被省略。

　　研发人员需要判断代码是否符合架构和安全要求，营销人员需要识别内容是否偏离品牌，销售人员需要确认客户信息和承诺边界，HR则要防止模型把历史数据中的偏差带入人才决策。不同岗位面对的风险与价值并不相同，因此企业很难用一门通用课程解决全部问题。

　　广告

　　更有效的学习方式会嵌入真实工作。员工围绕一项具体任务学习如何使用AI，提交结果后由同事和经理复盘，逐渐形成可复用的操作模板和质量标准。培训的产物不只是“完成了多少学时”，还包括一组经过验证的工作方法、案例和风险边界。

　　这种学习也会从个人经验转向团队资产。早期熟练用户往往拥有自己的提示词和工作习惯，效率提升停留在个人层面；当团队把高质量用法沉淀为共享流程，新员工无需从头摸索，组织能力才开始积累。

　　AI时代真正稀缺的不是零散高手，而是能够不断把个人经验转化为组织方法的团队。

　　绩效管理不能把AI使用量当成结果

　　AI进入全员工作后，企业很容易获得大量使用数据，包括登录频次、调用次数、活跃人数和生成内容数量。这些指标能够反映平台是否被采用，却无法直接证明业务价值。员工频繁使用AI，可能代表工作方式进步，也可能只是因为任务复杂、输出需要反复修改。

　　如果把AI使用次数直接纳入绩效，员工自然会增加可见的使用行为，却未必改善最终结果。一个部门生成了更多文档，不代表决策更快；一名工程师调用模型更多，也不代表系统质量更好；一名销售人员制作了更多方案，更不能直接推导出客户关系更深。使用量适合用于观察采用趋势，不适合替代绩效结果。

　　更合理的评价会沿着业务链条展开。研发关注周期、质量和复用率，营销关注市场学习速度与转化，销售关注机会推进和客户价值，职能部门关注处理周期、准确性与内部体验。AI是否参与不是核心，参与之后是否改善这些结果才是核心。

　　MANAGEMENT GAP

　　微软调查显示，65%的AI用户担心如果不快速适应AI会落后，但45%认为专注完成当前目标比重新设计工作更安全，只有13%表示即使短期结果未达成，组织也会奖励他们用AI重塑工作的尝试。

　　这个矛盾说明，企业一方面期待员工创新，另一方面仍可能用旧目标挤压探索空间。流程重构在早期通常会带来学习成本，员工需要测试模型、整理资料、验证结果并与其他部门协调，短期内未必比原流程更快。如果绩效制度只奖励当期产出，团队就会倾向于用AI完成一些表面优化，而不愿触碰真正复杂的流程。

　　这并不意味着降低绩效要求，而是区分运营结果和转型任务。稳定业务继续对收入、质量和交付负责，承担流程创新的团队则需要明确试验范围、时间窗口和阶段成果。只有当探索被正式写进工作安排，员工才不必在正常工作之外“兼职转型”。

　　中层管理者会成为最重要的组织变量

　　全员拥有AI之后，管理者的价值不会因为信息更容易获得而消失。相反，员工能够更快生成分析、方案和代码，管理者需要处理的选项会增加，判断质量和资源取舍变得更加重要。过去管理者花在催进度、收集材料和整理汇报上的时间，可能减少；花在定义问题、设定边界和审查结果上的时间则会上升。

　　很多AI项目在试点阶段表现出色，进入团队协作后却难以持续，原因往往不在技术。员工使用方式不同、数据来源不统一、质量标准模糊，最终仍要由经理通过会议和人工检查补齐。工具提高了局部速度，却把协调压力转移给了管理层。

　　中层管理者因此承担新的“工作架构师”角色。他们需要判断哪些任务适合自动化，哪些环节必须保留人工复核，员工释放出的时间应流向哪里，以及新的工作方式如何与客户和其他部门衔接。这个角色比“鼓励大家使用AI”复杂得多，也更接近真正的经营管理。

　　管理跨度也可能发生变化。如果信息汇总、任务跟踪和基础反馈更多由AI辅助，一名经理理论上可以支持更大的团队；但如果团队同时运行大量人与智能体协同流程，异常处理和质量监督也会增加。管理跨度能否扩大，取决于工作是否真正标准化，而不是取决于企业购买了多少智能体。

　　对管理者的评价也会出现新的维度。除了完成业务指标，还要看团队能否形成可复用的AI工作方法，员工能力是否提升，流程是否减少无效环节，风险是否得到控制。经理不再只是分配人力，也开始管理由人员、模型、数据和工具共同构成的复合产能。

　　企业需要的不是更多AI案例，而是一套工作目录

　　许多企业内部并不缺少AI案例。市场部有内容生成，销售部有客户研究，财务部有报表分析，研发部有代码辅助，每个部门都能展示几项成果。问题在于，这些案例常常以个人经验存在，彼此难以复制，也很少进入标准流程。

　　全职能部署之后，企业更需要建立一套工作目录。目录记录高频任务由谁发起、使用什么数据、AI承担哪一步、人工在哪些节点复核、结果进入哪个系统，以及如何衡量质量。它把抽象的“AI赋能”变成可观察、可改进的工作结构。

　　这套目录也能帮助企业识别重复建设。不同部门可能都在开发会议总结、信息检索、报告生成和数据解释工具，如果缺少统一视角，采购和开发成本会不断叠加。共性能力可以建设为平台，专业能力则保留在业务场景中，技术投资因此更容易形成规模效应。

　　工作目录还为岗位和能力调整提供证据。HR不必依靠宏观预测判断某个职业将如何变化，而可以观察具体任务的使用频率、AI参与程度、复核成本和业务结果。随着数据积累，企业能够更准确地判断哪些岗位需要重新设计，哪些人员需要转向更高价值任务，哪些团队需要补充新的专业能力。

　　这种方法也让AI治理更加具体。企业不再只发布一份通用政策，而是为不同任务规定数据边界、模型选择、审批方式和人工责任。员工知道什么可以交给AI、什么必须经过专业审核，管理者也能知道异常发生后由谁处理。

　　数据与知识治理，决定AI能否从助手变成同事

　　通用模型能够提供广泛知识，但企业真正关心的往往是自身业务。产品参数、客户历史、技术文档、价格政策、合同模板和项目经验，才是员工完成工作的关键材料。AI如果无法安全连接这些信息，就只能停留在起草和搜索层面，很难参与核心流程。

　　连接企业数据之后，价值与风险会同时上升。模型能够提供更贴近业务的回答，也可能接触敏感信息、过期文档和互相冲突的数据。企业级部署所提供的数据保护、用户与访问管理及安全控制，因此不是采购合同中的附加条款，而是AI规模化使用的基本条件。

　　三星与OpenAI的合作之所以具有观察价值，也在于它并不是单纯开放一个公共工具。息强调了企业级数据保护、权限管理和安全控制，使员工能够在公司治理框架内使用模型。大型企业从简单限制转向受控开放，反映的并不是风险消失，而是治理方式开始成熟。

　　未来的AI权限管理可能比传统软件更加细致。员工是否能访问某份文档，只是第一层问题；模型能否综合多份信息、能否执行操作、能否把结果发送给其他系统，还需要新的控制机制。随着智能体从回答问题走向完成任务，权限、审计和责任链条都会被重新设计。

　　企业知识的质量也会变得更加透明。过去，过期文件沉睡在知识库里，对多数员工影响有限；AI将其检索并生成答案后，错误会快速传播。企业因此需要明确内容负责人、更新周期和可信来源，让知识治理从一次性建设转向持续运营。

　　AI基础设施也会重新塑造软件预算

　　当AI覆盖多个职能，企业的软件组合会发生变化。过去，不同部门分别购买项目管理、内容生成、客户分析、流程自动化和知识检索工具；未来，通用模型和智能体可能吸收其中部分功能，并通过自然语言为员工提供统一入口。软件采购的关注点将从“功能是否齐全”转向“能否连接现有流程并持续产生结果”。

　　麦肯锡调查中，约20%的受访者表示，AI相关运营成本已经限制了使用范围。模型调用、数据处理、系统集成、安全管理和人员培训共同构成实际成本，单看许可证价格容易低估投入。AI成为基础设施，并不意味着成本可以忽略，而是企业需要像管理云计算一样管理使用量和价值。

　　部门也会面对“购买还是自建”的新选择。编码智能体降低了内部开发门槛，一些轻量流程和专业工具可以快速搭建；但涉及核心数据、长期维护和复杂权限的系统，仍然需要稳定架构。能够快速做出原型，不等于企业适合长期维护所有软件。

　　这会促使IT部门从需求承接者转向平台治理者。业务团队可以更主动地构建工具，IT则提供安全框架、数据接口、模型选择、成本监控和技术标准。权力不再完全集中在开发队列中，但责任也不能完全分散到个人。

　　AI预算的归属同样会发生变化。它既不是纯粹的IT成本，也不是某个业务部门的单独费用，而是与人员成本、软件成本和流程效率共同相关。越来越多企业可能把AI投入放进业务案例中核算，观察每一类工作增加了多少收入、降低了多少等待和返工，而不是统一宣称节省了多少工时。

　　从“节省时间”到“重新配置时间”

　　几乎所有企业AI项目都会谈到时间节省，但时间本身不会自动转化为利润。员工每天节省一个小时，如果这个小时被更多会议、消息和低价值任务重新填满，企业并没有真正获得新增产能。只有当组织明确时间流向，效率收益才可能进入经营结果。

　　这也是个人体验与企业利润出现差距的重要原因。员工确实更快完成了原来的任务，因此真实感受到生产力提高；企业却可能继续按照原有节奏安排工作，审批节点、部门边界和决策方式没有改变。局部任务更快，端到端流程仍然需要同样长的时间。

　　AI基础设施带来的管理问题，不是如何把每一分钟都填满，而是哪些工作值得投入更多时间。研发人员可以把时间用于架构和实验，销售人员可以增加客户沟通，营销人员可以进行更多测试，HR可以深入组织诊断。企业如果只是同步提高工作量目标，员工会得到更多输出，却未必得到更高价值。

　　时间配置也关系到员工体验。AI能够减少重复劳动，但如果管理层把每次效率提升都迅速转化为更高负荷，员工会把AI理解为新的压力来源。相反，如果企业清晰说明节省时间将如何用于客户、学习、创新和质量，员工更容易形成稳定的使用意愿。

　　这并不是福利与绩效之间的二选一。员工减少低价值消耗，企业获得更快学习和更高质量，两者可以同时成立；关键在于管理者是否看见了任务结构，而不是只看见可压缩的工时。

　　AI释放的时间如何被重新投资，将成为企业AI回报率中最容易被忽略的一笔账。

　　全职能AI会改变人才流动的方向

　　当不同部门使用相似的AI平台，一部分专业壁垒会降低。营销人员可以搭建简单的数据工具，产品人员可以制作原型，销售人员可以完成更深入的行业研究，职能人员也能把自己的流程需求转化为自动化方案。员工能够跨越原本由技术门槛形成的边界，内部人才流动会出现新的可能。

　　但专业能力不会因此变得不重要。AI降低的是执行某些任务的门槛，却提高了判断结果、定义问题和整合资源的价值。没有市场理解的人可以生成一份营销方案，却不一定知道消费者为什么购买；没有工程经验的人可以做出原型，也不一定理解系统在大规模运行中的风险。

　　企业的人才标准会因此形成新的组合。单一专业深度仍然重要，但能够借助AI连接相邻领域、与不同职能协作并承担结果责任的人，会更受重视。这类人才不只是“会使用AI”，而是能够利用AI扩大自己的工作半径。

　　招聘也会逐渐识别这种能力。简历上写“熟练使用ChatGPT”很难提供有效信息，面试更可能观察候选人如何拆解任务、选择信息、验证结果和解释取舍。企业关注的不再是候选人记住了多少提示词，而是他能否在人机协作环境中稳定完成高质量工作。

　　内部人才市场同样可能更加活跃。过去，一名员工转向新职能往往需要较长的知识积累，AI可以提供资料解释、工作辅导和即时反馈，降低进入相邻领域的成本。企业能够把更多注意力放在学习能力、业务判断和责任意识上，而不只依赖完全匹配的过往经历。

　　HR的角色将从推广工具转向经营组织能力

　　在AI规模化部署中，HR最容易被安排的任务是组织培训、统计使用率和开展文化宣传。这些工作依然必要，但如果HR只停留在推广端，就会错过更核心的变化。AI正在改变岗位任务、管理跨度、人才标准和绩效逻辑，这些恰好都是人力资源管理的基本对象。

　　HR可以成为技术能力与业务流程之间的接口。IT部门了解模型、系统和安全，业务部门了解客户、产品和现场，HR则能够把变化转化为岗位、能力、组织和激励语言。三者共同工作，AI才不会停留在技术可用，却无法进入管理制度。

　　岗位体系需要从静态说明书转向动态任务结构，能力模型需要加入问题定义、质量判断和人机协作，培训需要围绕场景形成真实成果，绩效则需要区分使用行为与经营结果。人才盘点也要关注员工能否扩大工作边界，而不只是当前岗位表现。

　　HR还需要帮助管理层识别能力分化。相同工具开放给所有员工，并不会自然带来相同结果，有人能够把AI变成工作系统，有人仍停留在零散问答；有些团队能够共享方法，有些团队则依赖少数个人。真正的数字鸿沟将不再只是有没有账号，而是能否把AI嵌入高价值工作。

　　这种分化不适合简单归因于员工态度。岗位场景是否清晰、数据能否获得、经理是否支持试验、绩效是否认可改进，都会影响使用深度。把采用不足解释为“员工不愿改变”，往往会掩盖组织设计中的问题。

　　因此，AI时代的员工体验也不只是工具是否好用。员工需要知道企业为什么引入AI，哪些责任不会被模糊，新的能力如何影响发展机会，以及高效率是否会换来无止境的工作增加。清晰的预期能够降低不确定性，也能让AI从个人防御性使用走向团队协作。

　　大企业的优势，不只是预算更多

　　麦肯锡2026年调查显示，年收入超过10亿美元的大型企业中，54%的受访者表示AI已经进入全企业规模化阶段，而规模较小企业的这一比例约为三分之一。大型企业在智能体扩展上的差距更加明显，40%的大型企业正在至少一个职能中规模化使用智能体，高于上一年的27%，小型企业则基本停留在22%。

　　预算和技术资源当然解释了一部分差距，但规模化能力同样重要。大型企业拥有更多流程、数据和人才，也拥有更复杂的权限、系统和组织边界；能够完成跨部门部署，通常意味着企业已经开始建立相对统一的平台和治理方式。真正的优势不是买得更多，而是能够让多个部门在共同规则下使用。

　　这并不意味着规模越大，AI收益就一定越高。复杂组织也更容易出现工具重叠、标准冲突和协作成本，局部创新可能被漫长流程消耗。大企业能否把规模转化为优势，取决于共性能力是否平台化，专业场景是否保留足够灵活性。

　　三星案例值得关注，正因为它把AI放进了一个业务跨度极大的组织。半导体、消费电子、制造、研发、营销和全球销售对AI的要求完全不同，统一平台并不等于统一用法。大型企业真正需要统一的是安全底线、数据标准和价值语言，而不是让所有员工采用同一套提示词。

　　对其他企业而言，这一案例也不必被理解成“必须立刻全员采购”。不同企业的业务复杂度、数据基础和管理成熟度并不相同，部署节奏自然会有差异。更重要的信号是，AI竞争正在从单点能力转向组织覆盖，从模型试用转向工作系统。

　　下一阶段的差距，会出现在部门连接处

　　企业早期的AI成果通常出现在部门内部，因为任务边界清晰、数据容易获得，也便于展示效率。下一阶段更大的价值，却可能出现在部门之间。研发与市场、销售与交付、财务与业务、HR与各级经理之间的信息等待和重复解释，长期构成了组织中最隐蔽的成本。

　　AI能够总结会议，却更有价值的是让会议结论自动进入后续流程；能够生成客户方案，却更有价值的是把客户反馈同步转化为产品洞察；能够分析员工数据，却更有价值的是把组织问题连接到管理行动。前者是任务效率，后者是流程效率。

　　跨部门场景也最能检验企业的管理基础。数据口径不一致、责任边界不明确、系统无法连接时，模型很难自动弥合这些差异。AI甚至会把原有问题更快暴露出来，让企业发现某些流程长期依赖关键人员、临时表格和口头协调。

　　这不是AI项目的失败，而是组织真实运行方式被照亮。很多企业以为自己已经拥有标准流程，实际工作却依赖大量例外处理；以为知识已经沉淀，员工仍然通过熟人寻找答案。AI进入之后，这些隐性结构开始变得可观察，也提供了重新设计的机会。

　　高管关注AI时，视线因此会逐渐从演示效果转向组织接口。模型生成一份漂亮报告已经不再稀奇，报告能否触发正确决策、进入正确系统并由正确的人承担责任，才构成真正的企业能力。

　　AI越接近基础设施，竞争越不发生在模型窗口里，而发生在组织连接处。

　　三星释放的信号，是AI正在成为工作的默认层

　　三星与OpenAI的合作具有明显的产业纵深。一端是芯片、存储和数据中心，构成全球AI计算的物理基础；另一端是ChatGPT Enterprise与Codex进入员工工作，构成企业AI应用的组织基础。三星既参与生产AI所需的基础设施，也把AI引入自身的产品与工作流程，这种双重身份让此次合作超出了普通软件采购的意义。

　　三星此前还宣布，将作为战略存储合作伙伴，为OpenAI的Stargate计划提供先进半导体解决方案；三星SDS则计划参与AI数据中心设计、建设和运营，并支持企业部署OpenAI服务。由此形成的不是单一产品合作，而是一条从算力、平台到企业应用的连续链条。

　　对于企业管理者而言，这条链条提示了AI竞争的下一种形态。模型能力仍会快速更新，但多数企业无法仅凭选择某个模型建立长期优势，因为先进能力会不断扩散。真正更难复制的，是企业数据、专业知识、工作流程、人才结构和管理机制共同形成的组织系统。

　　因此，AI基础设施并不等于把一个聊天工具安装到每台电脑。它意味着员工在需要检索、分析、创作、编程、决策和协作时，可以在统一的安全框架中调用智能能力；也意味着企业能够持续观察这些能力如何进入业务、产生价值并暴露风险。

　　当这种能力成为默认层，员工不会再特意强调“这项工作使用了AI”，就像今天很少有人强调自己使用了搜索引擎和电子邮件。AI将逐渐隐入工作过程，真正被管理者看见的，是产品周期、客户响应、决策质量、创新数量和经营结果。

　　这也标志着企业AI叙事的重心正在变化。过去的问题是模型能做什么，现在的问题是组织准备让它参与什么；过去企业比较工具功能，现在开始比较流程重构和规模化能力。技术仍在进步，但价值竞争正在回到企业最熟悉、也最困难的领域——经营与管理。

　　结语：工具普及之后，管理差距才真正出现

　　三星把ChatGPT和Codex扩展至研发、制造、营销、销售及企业职能，表面上是一项规模庞大的AI部署，背后则代表企业工作入口正在改变。AI由技术团队的辅助工具变成全职能员工都能调用的通用能力，组织中的信息、软件和知识开始以新的方式被生产与使用。

　　工具普及不会自动抹平企业差距，反而可能放大差距。模型相近、账号相同的两家公司，可能因为数据质量、流程设计、经理能力和绩效机制不同，获得完全不同的结果。一个把AI用于增加内容和报表，另一个把AI用于缩短产品学习周期，它们采购的是同一种技术，积累的却不是同一种能力。

　　这也是为什么企业AI进入基础设施阶段后，HR和业务管理者的重要性进一步上升。技术部门可以提供安全可靠的平台，却无法独自决定岗位如何变化、时间如何重新配置、员工如何学习、经理如何承担责任。AI的企业价值，最终仍要通过人与组织兑现。

　　未来一段时间，企业之间真正值得观察的，不再是谁最早宣布接入了某个模型，而是谁能够把研发、营销、销售和职能部门连接成更完整的智能工作系统。AI不会只待在IT预算中，它将进入人员规划、岗位设计、能力建设、绩效评价和管理者日常决策。

　　当AI成为所有员工都能调用的基础设施， 模型能力只是起点，组织能力才开始决定终点。

　　三星此次扩展企业级AI的意义，正在于它让这场变化从少数人的工具实验，走向了整个企业工作方式的重构。

　　参考资料

　　1. Reuters：OpenAI says working with Samsung on next-generation chips， deepening cooperation

　　https://www.reuters.com/world/asia-pacific/openai-says-working-with-samsung-next-generation-chips-deepening-cooperation-2026-09-09/

　　2. OpenAI：Samsung Electronics brings ChatGPT and Codex to employees

　　https://openai.com/index/samsung-electronics-chatgpt-codex-deployment/

　　3. Samsung Global Newsroom：Samsung and OpenAI Announce Strategic Partnership

　　https://news.samsung.com/global/samsung-and-openai-announce-strategic-partnership-to-accelerate-advancements-in-global-ai-infrastructure

　　4. McKinsey：The state of AI in 2026—On the road to ROI

　　https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

　　5. Microsoft：2026 Work Trend Index—Agents， human agency， and opportunity

　　https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization

　　原文链接：https://mp.weixin.qq.com/s/zcfOqvTWnlX_cXpd1RmHdQ