裁员 10% 一个半月后，Uber 把 ChatGPT Work 发给 3 万员工

裁员 10% 一个半月后，Uber 把 AI agent 发给了 3 万员工

10 月 22 日，OpenAI 发布官方通稿：Uber 正在把 ChatGPT Work 向全球 3 万多名员工全面铺开。此前这款产品只在 1000 人范围内试点。ChatGPT Work 是运行在 ChatGPT Enterprise 里的 agent，专门承接复杂的多步骤任务，交付的是成品——文档、幻灯片、表格，乃至 web 应用。

时间点值得多看一眼：9 月 2 日，Uber 刚宣布裁员约 3300 人，约占员工总数的 10%，管理层砍掉 20%，是疫情以来最大规模的一次裁员。一个半月后，同一家公司宣布 3 万人全员上 AI agent。两件事在官方通稿里没有任何关联——OpenAI 和 Uber 都没有建立因果，本文也不做因果断言。但把两个事实并排放，你会立刻明白：这就是未来几年所有大公司都会面临的同一道考题，Uber 只是第一个把答卷摊开给人看的。

先看清这件事的量级。企业级 AI 部署大多停留在"试点"和"部门级"，一次铺到 3 万人、覆盖全球所有职能的 agent 部署，在公开报道里此前没有先例。OpenAI 的企业业务据 Bloomberg 10 月 9 日报道，正在驱动公司年化收入增长，预计年底至少达到 700 亿美元（9 月底为 500 亿美元）——Uber 这种量级的订单，就是这条增长曲线的燃料。

这次部署到底包括什么

把通稿和交叉报道里确认的细节拆开，这次部署不是"给每人发个 ChatGPT 账号"那么简单，而是一套完整的企业落地组合拳：

• 产品形态：ChatGPT Work 在今年 7 月 9 日推出，定位是"比普通聊天请求更复杂的工作"专用的 agent。它能跨用户的应用和文件采取行动，一个项目可以跟几个小时，最后交出表格、幻灯片、文档、web 应用等成品。Uber 员工将用它做信息调研、准备会议简报、做演示文稿、数据分析，以及跨应用的工作流。
• 深度集成：接入 Google Drive、Gmail、Google Calendar 和 Slack。员工不用在应用之间来回复制粘贴——比如准备一份周一运营例会的简报，agent 可以自己读日历、从 Drive 拉背景文档、扫 Slack 里的相关决策，最后交出一份整合好的文档。这是"agent"和"聊天机器人"的本质区别：前者有手（能操作应用），后者只有嘴。
• 默认模型：GPT-6.1 Sol。这是 OpenAI 在 9 月 29 日 DevDay 上发布的模型，官方口径是"兼顾前沿性能与成本效率"。企业选型把成本效率和性能并列为第一标准，这个信号值得所有做 AI 应用的人记住：推理成本已经进入采购决策的核心。
• 配套体系：Uber 自建了内部 AI skills 库、已批准集成清单，并为运营、财务、市场、产品团队提供专项培训。注意这个"三件套"——不是发账号，而是配弹药库（skills）、划跑道（approved 清单）、做训练。这才是企业 AI 落地的真实形态，单点工具思维在这里行不通。
• 分工：工程师和软件团队继续用 Codex 做软件开发。知识工作归 ChatGPT Work，代码工作归 Codex——OpenAI 的产品线在 Uber 内部完成了第一次清晰的"文武分工"。

这个"文武分工"本身就是一个值得放大的信号。过去一年，AI coding 工具和通用 agent 经常被混为一谈，好像"一个 agent 干所有活"是终局。Uber 的实践给出了不同的答案：代码场景要的是精确、可测试、可回滚，通用办公要的是灵活、跨应用、能兜底——两种场景对 agent 的能力要求几乎是正交的。OpenAI 让 Codex 守代码、ChatGPT Work 守杂务，等于承认"全能 agent"在可预见的未来是个伪命题。对工具选型者来说，这意味着评估 agent 时要先问"它为哪类任务优化"，而不是"它有多全能"；对开发者来说，垂直场景的 agent 依然有巨大的产品空间，通用 agent 不会吃掉一切。

双方高管的表态都很标准：Uber CTO Praveen Neppalli Naga 说"当 AI 改变我们的工作方式，我们想给每个人创新的工具"；OpenAI 总裁兼联合创始人 Greg Brockman 说"Uber 各团队现在可以用我们的前沿模型和 agent 组合，承担更复杂的工作"。漂亮话之外，真正的信息藏在没说的部分：双方都没有披露 Uber 付了多少钱，也没有公布 1000 人试点的任何结果。他们只承诺"随着推广继续，会分享采用率、用例和可量化成果"。翻译一下：这是厂商宣布的部署计划，实效待验。

Uber 和 OpenAI 不是第一次合作

这次铺开是两家关系的水到渠成。今年 5 月，Uber 上线了面向司机的 AI 助手，把实时市场数据（收入趋势、热力图）翻译成"去哪儿接单"的 positioning 建议；面向乘客的一端，则有用自然语音订车的语音交互（基于 OpenAI 的 Realtime API）。按 OpenAI 今年 5 月客户案例的数字，Uber 每天 4000 万单、1000 万司机与配送员、覆盖 70 多个国家 15000 座城市——司机端的 AI 早已是生产系统的一部分。

有意思的细节藏在 5 月那份客户案例里：Uber 的工程团队为司机助手搭建了多 agent 架构，按请求类型路由到专用子系统（轻量分类用小模型、复杂推理用大模型），还自研了 AI Guard——一个筛查 prompt 与回复的内部治理层，负责安全、隐私、政策合规与幻觉抑制。一个连 prompt 都要过安检的公司，现在把 agent 发给 3 万员工，它的内部 skills 库和 approved 清单大概率就是 AI Guard 思路的延续：先建围栏，再放马。这对任何想在企业里推 agent 的人都是现成的参考答案。

为什么这件事值得一个头条

先说一个判断：这是企业 agent 从"试点叙事"进入"全员叙事"的分水岭事件。过去两年，企业 AI 的故事线是"某某公司试点 AI，效率提升 X%"——样本小、周期短、不可比。3 万人全员铺开，意味着 agent 第一次被当作生产力基础设施来部署，而不是创新部门的玩具。基础设施和玩具的区别在于：前者要回答 ROI、要进预算、要培训、要治理——Uber 的"三件套"（skills 库、approved 清单、专项培训）恰恰就是基础设施化的标准动作。

再说时间点的张力。9 月 2 日裁员约 3300 人（约 10%），10 月 22 日 3 万人上 agent——任何读者都会把这两件事连起来想。负责任的写法是：并陈事实，不做因果断言。通稿里没提裁员，两家公司没建立关联，任何"AI 导致裁员"或"裁员为了上 AI"的说法目前都是脑补。但换个角度：正因为时间点敏感，Uber 这一轮的采用率数字会被放在显微镜下看——如果 3 万人里只有 3000 人在用，或者人均每周只用一次，"AI 替代人力"的叙事和"AI 增效"的叙事，会同时受到质疑。Uber 这一轮，测的不只是 OpenAI 的产品，更是整个"企业 agent 价值叙事"的可信度。

第三个值得品味的点是模型选型。默认模型不是最强的，而是"兼顾性能与成本"的 GPT-6.1 Sol。这说明企业采购的心智已经变了：2024 年问"哪个模型最强"，2026 年问"哪个模型在可接受的成本下最够用"。对独立开发者这是个提醒：你的产品的模型成本结构，决定了你能不能接住企业客户——而企业客户正在用"成本效率"投票。

还有一个维度：竞争。企业 AI 市场过去两年的默认答案是微软 365 Copilot——它赢在"已经装在 Office 里"。OpenAI 拿下 Uber 3 万人，是第一次有人用"agent"这个新物种，在 Copilot 的主场插旗成功。注意 Uber 的技术栈：Gmail、Google Drive、Slack——一家 Google 系+Slack 系的公司，没有选 Copilot，选了 OpenAI。这个选择的象征意义大于合同本身：企业 AI 的竞争正在从"办公套件绑定"转向"agent 能力"，而后者是没有预装优势可言的。对独立开发者这是个好消息：巨头互掐的战场越开放，小玩家的生存空间越大——Uber 的 approved 清单上，迟早会有非巨头的位置。

最后，OpenAI 的企业业务年化收入预计年底至少 700 亿美元（Bloomberg 10 月 9 日口径，9 月底为 500 亿美元）。Uber 这种 3 万人规模的订单，就是这条曲线背后的一个个 concrete 实例。看懂这一点，就能理解为什么 OpenAI 要为一次"客户成功"专门发通稿：企业 agent 正在从"故事"变成"收入"，而收入需要标杆客户来证明。

1000 人试点成功，不等于 3 万人成功

企业软件有个经典陷阱叫"试点悖论"：试点总是成功的。因为试点参与者是自愿的、是好奇心最强的、是容忍度最高的——1000 个主动报名试用 AI agent 的 Uber 员工，和剩下 29000 个"被通知从今天起多了一个工具"的员工，是两种完全不同的用户。前者遇到 bug 会报给 IT，后者遇到 bug 会直接关掉标签页。

这就是为什么双方"承诺后续分享采用率"这句话比通稿里其他内容都重要。真正决定这轮部署成败的指标，不是"发给了多少人"，而是三个更难看的数字：周活比例（3 万人里每周真正用的人有多少）、任务完成度（agent 交出的成品有多少不用大改就能用）、替代工时（到底省下了多少以前要人肉干的活）。这三个数字目前全是未知数——OpenAI 和 Uber 一个都没公布。

从 Uber 的配套动作可以反推他们对"试点悖论"是有准备的：专项培训按职能切分（运营、财务、市场、产品各一套），说明他们知道"通用培训"对 29000 个被动用户没用；内部 skills 库的存在，说明他们知道员工不会自己从零搭建工作流——得把"开箱即用"的弹药先备好；approved 集成清单，说明他们预判了"员工乱接应用"的数据安全麻烦。这些配套不是装饰，是 Uber 交过学费后长出的铠甲。

对观察者来说，正确的姿势是：把 10 月 22 日当作起点而不是终点。未来两到三个季度，盯着 Uber 会不会公布采用率数字——公布了，说明数字拿得出手；一直不公布，本身也是一种信息。企业 agent 的"Uber 时刻"到底成色如何，答案不在通稿里，在未来的财报电话会和员工访谈里。

三个真正的风险：权限、幻觉与"被 AI 替掉"的恐惧

把乐观预期先放一边，3 万人规模的 agent 部署有三个绕不开的风险，每一个都可能让项目翻车：

• 权限风险：agent 的手伸得越长，祸闯得越大。ChatGPT Work 接入了 Gmail、Google Drive、Calendar、Slack——这意味着 agent 能读你的邮件、翻你的文档、看你的日程。在试点阶段，1000 个技术敏感用户知道"别让 agent 碰敏感文件"；铺到 3 万人，一定会有人让 agent 去读它不该读的东西：未公开的财报、裁员名单、并购谈判纪要。Uber 的 approved 清单和 AI Guard 思路（5 月客户案例里提到的 prompt/回复筛查层）就是用来堵这个口子的，但"清单"和"执行"之间，永远隔着 29000 个具体的人。这是整个企业 agent 行业都没完全解开的题：agent 的权限模型，目前还停留在"粗放授权"的阶段。
• 幻觉风险：成品越漂亮，错得越隐蔽。ChatGPT Work 交付的是"成品"——排版精美的简报、像模像样的数据分析。问题在于，agent 的幻觉不会写在脸上：一份会议简报里混进一条编造的"上季度决策"，一份数据分析里藏着一个算错的口径，阅读者很难察觉。试点用户有时间逐字核对，3 万人规模下，大多数人会直接转发。Uber 给运营、财务、市场、产品做专项培训，培训里最重要的部分应该就是"怎么审 agent 的产出"——但这恰恰是最难标准化的部分。
• 组织风险：裁员 10% 之后，谁还敢真心用它？这是最微妙的一条。9 月刚裁掉 3300 人，10 月就让剩下的人用 AI agent——员工的第一反应不会是"好耶增效"，而是"我教会了它，是不是下一个就是我"。这种恐惧不会写在任何调研问卷里，但会真实地体现在使用数据上：人们会用它干杂活，但不会把核心工作流交出去；会夸它好用，但不会主动推广。Uber CTO 在通稿里说"让每个人塑造 Uber 的未来"，话是好话，但信任赤字是裁员的后遗症，agent 铺得越快，信任重建的压力越大。这是所有"裁员+上 AI"组合的公司都要面对的同一面镜子。

这三个风险没有一个是 OpenAI 的产品更新能单独解决的——它们都是组织问题。这也恰恰说明：企业 agent 竞争的下半场，比的不是模型能力，而是谁更懂"把 AI 放进一个 3 万人的组织里"这门手艺。Uber 的"三件套"（skills 库、approved 清单、专项培训）就是这门手艺的雏形，值得所有做企业 AI 的人抄。

对 vibe 开发者意味着什么

如果你是独立开发者或小团队，这条新闻里有三层可直接用的信息：

• 第一，"企业内部 AI skills 库"是个新生态位。Uber 在自建 skills 库，意味着每家大公司未来都可能需要有人帮它们写、审、维护内部 skills——把公司流程、合规要求、业务知识打包成 agent 可用的技能。这和 Agent Skills 成为中立标准（见本轮另篇报道）是同一趋势的两面：标准统一了，内容供给就成了生意。会写高质量 skill 的人，未来可能像今天的 Salesforce 管理员一样，成为企业里的一个专职角色。
• 第二，"approved 清单"是渠道。Uber 的"已批准集成清单"意味着：想进企业 agent 生态，你的产品得先过审批。反过来想——如果你做的工具能进某大公司的 approved 清单，你就拿到了 3 万潜在用户的直达通道。企业 agent 的分发逻辑，正在从"应用商店"变成"审批清单"，提前研究目标客户的采购与合规流程，比多做一个功能更重要。
• 第三，学 Uber 的"三件套"打法，哪怕你只有 3 个人。给团队推 AI 工具时，别只发账号：建一个共享的 skills/prompts 库（弹药）、列一份批准可用的工具清单（跑道）、花半天做一次培训（驾校）。Uber 用 3 万人验证了这套打法，你的 3 人小团队可以直接抄作业——规模不同，逻辑相同。

还有一个冷观察：工程师继续用 Codex，知识工作者用 ChatGPT Work。这说明在 OpenAI 自己的产品版图里，"写代码的 agent"和"干杂活的 agent"已经分家。对 vibe 开发者（恰好横跨这两类）的启示是：选工具时别贪大求全，代码场景和通用办公场景的最优解可能根本不是同一个产品——让写代码的归写代码，让做 PPT 的归做 PPT。

把第一点再展开讲透，因为它可能是未来两年真实存在的赚钱机会。什么样的"内部 skill"值钱？三类：流程型（"新供应商准入要过哪 7 道审批""季度复盘文档的标准结构"——公司里老人 brain 里的隐性知识）；合规型（"对外报价邮件必须包含哪三段声明""什么数据不许进 prompt"——法务和安全的红线）；数据型（"查上季度华东区毛利去哪个表、口径是什么"——数据团队天天被问重复问题）。这三类 skill 的共同点是：公司愿意付费，但通用 AI 厂商不会替你做。今天能写这类 skill 的人，英文世界里已经有人在收咨询费了——Uber 这 3 万人铺开，只会让需求更大。

最后说句大实话：Uber 的故事和你我这种独立开发者之间，隔着 29999 个人。但逻辑是通的——agent 的价值不在"它有多聪明"，而在"你给它配了多少弹药、划了多少跑道"。Uber 配的是 skills 库和 approved 清单，你配的是自己的 prompts 库和工作流文档。把这套"三件套"思维用在你的一人公司上：建一个自己的 skills 库（哪怕只是个 markdown 文件夹）、列一份你信任的工具清单、定期复盘哪些流程可以交给 agent。你不需要 3 万人，也能吃到同一波红利——规模不同，逻辑相同，而逻辑才是值钱的部分。

诚实口径

这篇报道的边界说清楚，免得信息走样：

• 这是"厂商宣布的部署计划"，不是实测战报。一手来源是 OpenAI 10 月 22 日官方通稿，经 PYMNTS、unite.ai、dataphoenix、Seeking Alpha 等四源交叉，口径一致。但双方均未披露合同金额，也未公布 1000 人试点的任何结果（采用率、使用频率、ROI 均为未知）。双方承诺后续分享采用率与可量化成果——在那之前，任何"成功/失败"的结论都是 premature 的。
• 裁员与 agent 部署并陈，不做因果断言。2026 年 9 月 2 日 Uber 裁员约 3300 人（约 10%、管理层 20%，疫情以来最大规模）是公开事实；10 月 22 日 agent 全员铺开是另一件公开事实。两家公司均未建立两者关联，本文不建立。
• 5 月司机助手、乘客语音订车、AI Guard、40M 日单等背景数字，来自 OpenAI 5 月客户案例经二手报道转述，仅作背景。
• Bloomberg "年化收入年底至少 700 亿美元"为 10 月 9 日报道口径，系媒体引述的预期数字，非 OpenAI 财报数字。
• 1000 人试点→3 万人铺开的"30 倍"表述：3 万是"多于 30000 员工"（more than 30,000），试点是 1000 人，倍数仅为量级示意。