Runwise 增长研究院

2026-08-28

Runwise 增长研究院

08/28/2026
企业AI创新

750个GPT证明的是扩散速度，不是业务价值。Moderna把AI创建权交给业务专家的做法，值得每个想推动AI落地的管理者细看。

一句话看懂：Moderna在采用ChatGPT Enterprise两个月内创建了750个GPT，但这一数字证明的是扩散速度而非业务价值。真正值得研究的是组织设计：中央团队统一平台、安全、培训和基础治理，业务专家把专业知识封装成专用GPT，高风险判断仍由人承担。临床端的Dose ID是最清晰的样本——剂量由团队先选，GPT补充分析、引用来源，详细复核由人主导。这套做法让创建边际成本大幅降低，但维护、审批、责任和退出机制等治理债务会随规模同步放大。

当创建权交给业务，两个月750个GPT究竟证明了什么？

2024年4月，Moderna与OpenAI公开了一组很容易被写成“企业AI爆发”的数字：采用ChatGPT Enterprise后的两个月内，公司已经有750个GPT；40%的周活用户创建过GPT；案例口径下，每位用户平均每周进行约120次ChatGPT Enterprise对话。同期，Moderna自己的新闻稿也确认，公司在采用后的数月内已经部署750多个GPT，覆盖法务、研究、制造和商业职能。

这些数字最先证明的是扩散速度，而不是业务价值。它们分别回答了员工做出多少工具、周活人群中有多少人当过创建者、用户与系统互动有多频繁，却没有回答这些工具有多少持续活跃、节省了多少工时、降低了多少错误，更没有证明研发、临床、制造或收入因此改善。750个GPT不能被写成750项有效业务成果。

更值得研究的是创建方式的改变。Moderna没有让中央AI团队逐个替所有部门开发工具，而是在统一、受管理的企业平台内，让掌握专业知识和工作流程的业务专家或专业团队自行定义面向具体任务的GPT。中央团队并未退出，仍承担平台、安全入口、培训和基础治理；高风险判断与最终责任也没有转给模型。就连最受关注的Dose ID，也被定义为临床研究团队的数据分析助手：它为团队已经选择的剂量补充分析、来源和图表，详细复核仍由人主导。至于其他场景如何审批、记录、质量放行或签字，Moderna并未公开完整流程，不能从Dose ID向全部750个GPT外推。

一、它面对的处境：专业场景无限，中央团队不可能逐个开发

Moderna从成立之初就强调数字化。mRNA本身是一种信息分子，公司又积累了十多年的研发数据、云原生基础设施和平台化开发方式。到2023年，它的AI应用已经从药物设计延伸到临床、制造、商业和内部运营。问题在于，数据底座再统一，具体工作仍然高度专业：临床团队要比较剂量与安全性证据，法务要理解合同责任，制造团队关心工艺收率与质量，品牌团队则需要把同一套生物技术信息讲给投资者、医生和普通公众。

如果所有需求都交给中央数字团队，瓶颈会很快从模型能力转向需求翻译。技术人员未必理解一份临床证据包中哪些差异会改变剂量判断，也未必知道一项合同条款、内部政策或监管问答最容易被误读的地方。业务专家把需求写成文档，技术团队排期、开发、测试，等工具交付时，知识、模板甚至模型都可能已经变化。中央团队可以建设平台，却无法成为每个职能的影子专家。

直接开放一个通用聊天窗口同样不够。医药工作不是普通办公问答：临床数据涉及安全性与后续试验设计，制造与质量记录可能进入受监管流程，合同摘要和监管答复会产生真实责任。模型可以快速生成一段看似完整的文字，却不天然知道某项输出的使用情境、证据等级和批准边界。美国FDA后来针对药品与生物制品开发中的AI提出风险导向框架，强调明确使用情境、模型可信度、数据治理和生命周期管理。这意味着，同一个模型用于改写会议纪要与支持剂量分析，不能采用同一套控制强度。

Moderna要解决的因此不是一个“买什么模型”的采购问题，而是一个组织设计问题：中央团队如何统一平台、安全、培训和基础治理，业务专家如何把专业知识、任务步骤与输出要求封装成GPT，高风险输出又由谁复核并承担责任。大量小工具出现后，谁负责更新、共享和退出，也是创建权下放必须面对的问题。公开材料只展示了这套设计的一部分，不能把应该建立的制度当成公司已经完整披露的事实。

二、它做了什么：在受管平台内，把场景定义与创建权交给专业团队

1、先训练使用者，再开放创建权

Moderna没有从ChatGPT Enterprise开始这场变化。2021年，它与卡内基梅隆大学合作推出面向全体员工的AI Academy，课程不只讲工具操作，还包括数据质量、数据可视化、统计思维、机器学习与AI伦理。这个顺序很重要：业务人员能不能创建可靠的专业GPT，取决于他们是否知道数据口径、模型局限和使用责任，而不只取决于界面是否足够简单。

生成式AI出现后，Moderna在2023年内部推出mChat。公司数字投资者材料显示，这个入口被设计为可以访问Moderna数据，采用安全数据政策和零数据保留，并跟踪使用与熟练度；它还能处理文档问答、多文档上传和定制工作流。到2023年10月，公司称近65%的员工是mChat活跃用户；到2024年4月，Moderna称其内部采用率已超过80%。两个数字来自不同统计时点，不能与后来ChatGPT Enterprise的周活直接混用，但它们说明员工不是在没有经验的情况下突然获得创建权。

这段铺垫把“会不会用”从个人爱好变成组织能力。Moderna还通过高管会议、全员沟通、激励活动和AI学习伙伴持续推动使用。模型选择也不是一次信仰投票：公司称曾比较mChat、Copilot与ChatGPT Enterprise的用户体验，最终选择员工更愿意使用的方案。对自助式工具而言，采用意愿不是上线后的附属指标，而是平台选择的一部分；没有足够高的日常使用，后面的业务自建只会停留在少数技术爱好者手中。

2、中央团队提供受管入口，专业团队封装自己的知识与任务

ChatGPT Enterprise带来的组织变化，不是中央团队又多了一套开发框架，而是掌握具体知识和流程的业务专家可以在受管工作区内，用自然语言配置专用GPT，把固定指令、参考知识、任务步骤和输出格式装进可重复使用的工具。中央团队不必先理解每个专业细节，业务团队也不必等待一个完整软件项目。750个GPT在两个月内出现，首先说明创建的边际成本被大幅压低。

这种分工把中央团队的角色从“替每个部门写应用”改成“经营统一环境”，而不是取消中央能力。Moderna早期mChat已经把公司数据访问、安全政策、文档能力和使用追踪放在同一个入口；ChatGPT Enterprise则提供受管工作区。企业管理员可以控制谁能访问、创建和分享GPT，以及工作区允许哪些连接和动作。需要谨慎的是，公开资料没有逐项披露Moderna对每个GPT的发布审批、知识权限继承或外部动作白名单，因此不能把产品具备的控制功能直接写成Moderna已经执行的完整制度。可以确认的是，公司没有让员工把专业资料散落在各自的公共账号里，而是把创建活动放进统一企业环境。

平台默认能力与公司自定义治理还要再分一层。OpenAI当前帮助文档说明，受管工作区中的GPT创建者被停用或移除后，所有权会自动转给workspace owner，并被标记为未分配，等待复核或重新指派。这能避免工具在技术上成为无主资产，却不能回答Moderna内部由谁担任业务责任人、谁复核知识与提示词、何时重新分配、何时下线。前者是平台提供的所有权连续性，后者才是医药企业需要自行设计并留下记录的业务责任制度；Moderna没有公开披露后一层的完整做法。

业务专家的价值在于把隐性知识显性化。一名合同专家知道摘要不能漏掉续约、赔偿、数据使用和终止条款；临床开发人员知道剂量分析要应用哪些标准原则；品牌人员知道面向监管者、医生、投资者与普通公众时，哪些术语需要保留，哪些可以转换。把这些要求写入专用工具，不等于训练出了一个新的基础模型，更接近把稳定的工作说明、知识材料和输出模板做成可以反复调用的助手。模型能力由平台提供，场景定义由专业人员提供。

3、不把跨职能使用写成统一制度，而是逐场景标出证据边界

临床端的Dose ID最能说明边界，也是公开材料中唯一披露具体人主导详细复核流程的样本。它可以整合、分析和可视化大规模临床数据，依据标准剂量选择原则，为临床研究团队已经选定的剂量提供支持性理由，引用来源并生成图表。它的价值不是替团队拍板，而是让研究人员能从更多角度追问数据，把原来分散的分析集中到一个对话式入口。Moderna与OpenAI都明确把它称为仍在开发和验证的试点，定位是分析助手；公开材料没有证明它已经缩短临床周期，更没有证明它加速了药物审批。

法务与内部政策场景更接近知识压缩。Contract Companion为不同职能生成可读的合同摘要，Policy Bot帮助员工从大量内部政策中快速找到答案。OpenAI案例称Moderna法务团队对ChatGPT Enterprise的采用率达到100%，这证明工具进入了工作习惯，不代表合同风险可以自动处置。更重要的是，公开资料没有披露合同摘要是否逐份由律师复核、谁批准对外使用，也没有披露Policy Bot的知识更新周期、版本责任人和错误升级记录。

制造和监管场景的责任更重。2024年《华尔街日报》援引Moderna管理层称，一个GPT帮助从研究资料中草拟监管问题答复，另一个制造端工具帮助预测新酶结构，以探索提高工艺收率、减少浪费。前者可以把检索与初稿压缩到更短时间，后者可以扩大候选探索空间；但报道没有披露监管答复的批准与留痕流程，也没有披露制造预测如何验证、是否进入受监管记录、由谁批准工艺变更或执行质量放行。Moderna自身新闻稿只确认GPT已进入制造职能，并未披露这两个工具带来的已审计效率或质量结果。

用同样的框架诊断你的业务

Moderna的案例里，最难抄的不是750个GPT，而是那套看不见的治理边界。如果你正在犹豫该把AI创建权放到哪一层、哪些场景该由人复核，不妨用AI顾问先诊断一下自己企业的AI落地现状。

免费体验 Upskill AI 顾问 →

商业与品牌场景的风险相对较低。公司品牌团队使用GPT准备季度业绩会幻灯片，也把生物技术术语转换成适合不同受众的表达。这里的模型主要承担起草、改写和受众切换；从上市公司披露和医学传播的责任性质看，正式材料理应由相应专业人员确认，但Moderna公开资料没有说明品牌、财务、法务或医学团队的具体审核链。临床、法务、制造和商业并不是四个同质的“AI用例”，它们共享一个模型入口，却需要不同的数据、证据和控制强度；后一部分是根据任务风险得出的治理要求，不是Moderna已公开验证的统一流程。

4、用同伴网络扩散工具，而不是让创建者彼此孤立

大量业务自建要形成组织能力，还需要发现与复用。OpenAI客户案例称，Moderna通过提示词比赛识别前100名AI重度用户，组成内部生成式AI Champions；在各业务线和地区设置office hours，并运营一个约有2000名周活参与者的内部AI论坛。中央团队不必回答所有问题，先跑通的用户可以展示工具、拆解提示、帮助同事判断某个场景是否值得做。

这套传播机制降低了两类成本。第一类是学习成本：一位临床或法务专家看到相邻团队的工具，比阅读一份通用培训材料更容易理解如何把工作拆成指令、知识和输出。第二类是重复开发成本：如果一个合同摘要工具或政策问答工具已经可用，其他团队可以先复用，再决定是否需要本地化。到2025年，媒体援引Moderna高管称公司已开发超过3000个GPT，并出现把员工问题路由到绩效、股权或福利专用GPT的HR入口，说明这种小工具组合仍在扩张。

不过，传播网络不等于治理已经跟上。公开资料没有说明哪些GPT进入公司级目录、谁负责评价质量、低活跃工具何时下线，也没有披露业务责任人在组织变化后如何重新指派。平台可以把离职创建者的GPT转给workspace owner，解决技术所有权中断，却不会自动完成专业知识复核、责任认领和退出判断。工具越多，搜索、重复、命名、知识更新和版本差异越可能反过来增加认知负担。Champions和论坛能够帮助扩散，却不能替代正式的业务所有者、更新周期和退出规则。

5、以Dose ID为高风险样本，保留人的判断与责任

高风险治理最容易被写成一句空话：“最终由人负责。”Moderna公开材料里更有价值的细节，是Dose ID把人的位置放在流程中：剂量先由临床研究团队选择，GPT按标准原则补充分析与理由，输出列出来源和图表，随后由人主导详细复核。人不是在模型已经做完决定后盖章，而是提出问题、选择标准、检查证据并承担后续判断。

这套具体流程目前只能代表Dose ID，不能被外推为所有GPT的统一人工责任层。合同摘要、政策问答、监管答复、制造预测和品牌材料都能确认辅助任务，却缺少同等粒度的复核者、批准节点、记录方式和质量放行证据。FDA关于药物开发AI的原则强调以人为中心、风险导向、明确使用情境、数据治理、性能评估和生命周期管理；这些原则说明医药企业应如何设计控制，不是对Moderna现有GPT体系的合规认证。

因此，本文把“统一平台、业务创建、专业责任”作为基于公开材料提出的分析框架，而不是Moderna正式命名或完整披露的治理体系。平台统一解决入口与技术控制，业务创建解决场景翻译，专业责任则必须按使用情境另行验证。公开证据能确认前两层已经大规模展开，也能用Dose ID观察第三层的一个具体样本；其他职能是否已形成同样清楚的签核、审计和退出流程，仍是信息缺口。

三、结果如何：750个GPT证明了扩散速度，经营价值仍未被量化

Moderna已经证明，一家数千人规模的生物技术公司可以把GPT的创建与采用从少数数字团队快速扩散到多数职能。mChat的采用从2023年10月近65%活跃员工，发展到2024年披露的超过80%内部采用；ChatGPT Enterprise采用初期两个月内出现750个GPT，40%的周活用户当过创建者，案例口径用户周均约120次对话。法律团队100%采用、内部AI论坛约2000人周活，又提供了组织层面的使用信号。

但这些数字的分母必须分开。40%不是全员创建率，而是周活用户中的创建者比例；120次不是每位Moderna员工的对话量，来源也没有说明统计了多少周、均值是否被少数重度用户拉高；750个统计的是工具数量，不是活跃应用数量。到2025年超过3000个GPT，只能证明创建继续增长，无法自动证明价值同步增长。

更关键的经营结果仍然空缺。Moderna没有公开披露自建GPT的整体节省工时、错误率、外部服务成本、持续活跃率或淘汰率，也没有把它们与研发周期、临床周期、制造效率和财务结果做可归因连接。供应商案例使用了“提高效率与准确性”“改善患者结果”等表述，但这些是方向性判断，不是独立审计结论。这个案例已经证明了创建与采用速度和真实业务场景，尚未证明750个乃至3000个工具形成了同等规模的经营回报。

四、为什么不能盲目照搬：创建权下放会把治理债务一起放大

第一，Moderna的起点不是一张ChatGPT许可证，而是多年数据平台、云基础设施、AI Academy和内部工具使用习惯。没有统一身份、资料权限和数据质量基础的企业，直接鼓励员工上传文件、创建工具，首先放大的可能是数据泄露、过期知识和口径冲突。所谓“业务能够创建AI应用”，只有在受管环境内才是一种能力，在公共账号和影子工具里更像一种风险。这一点在企业AI落地的普遍困境中同样成立：88% 用上了 AI，只有 6% 真正赚到钱：AI 落地的价值鸿沟提醒我们，工具扩散与价值实现之间隔着治理与归因。

第二，自建工具把需求翻译成本降下来，也把维护责任分散出去。一个GPT创建时可能准确，三个月后政策、合同模板、临床标准或基础模型已经变化。模型升级还可能让同一套指令产生不同输出。平台默认所有权转移能够防止工具因创建者离开而在技术上失主，却不能替代业务责任人的重新确认。若没有明确所有者、复核日期、使用范围、回归测试和下线条件，数量增长越快，维护与退出债务越大。Moderna公开材料尚未证明这套业务生命周期治理已经完整建立。

第三，审批与专业责任不能被一句“人工确认”代替。受监管记录要求可靠性、完整性与可追溯性；FDA对药物开发AI也强调使用情境与可信度。企业要区分辅助阅读、生成草稿、支持分析与进入正式受监管记录的不同层级，并为高风险层级设置证据引用、专业复核、变更记录和升级路径。Dose ID的人主导复核是一个清晰样本，但不能据此外推所有750个GPT都采用相同控制，更不能把临床判断与最终责任交给模型。

第四，采用率可能受到公司文化、管理推动和供应商叙事共同放大。Moderna把AI写进高管沟通、培训、激励和组织设计，供应商也需要展示标杆客户。两者都可能真实，同时也意味着公开数字带有选择性：最活跃的两个月、最成熟的工具和最积极的团队更容易被展示。其他企业在复制前，应要求看到分层活跃率、任务完成质量、人工升级率、维护成本和失败案例，而不是只比较创建数量。

五、给管理者的启示：创建权可以下放，平台与责任不能下放

Moderna最值得迁移的不是“两个月做750个”的速度。基于公开材料，本文提出一个三层分析框架：中央团队经营模型入口、身份权限、安全政策、数据连接、培训与基础治理；业务专家定义场景、知识、任务步骤、模板与输出标准；专业责任层再根据使用情境确定复核、批准、记录与退出。前两层在Moderna已有较充分证据，第三层目前只有Dose ID展示了具体的人主导详细复核，其他职能的实际流程不能由本文代替公司披露。

管理者在开放创建权之前，应先回答三个问题。第一，这个工具的明确所有者是谁，知识从哪里来，何时必须复核？第二，输出只是帮助理解、起草和分析，还是会进入患者、合同、质量、监管或资金决策？第三，用什么指标决定继续维护、扩大使用或下线？低风险工具可以鼓励快速试验，高风险工具则要用更严格的验证和记录换取使用权。

Moderna回答了标题中的问题：当专业场景多到中央团队不可能逐一开发时，创建权可以在受管理的企业平台内交给掌握知识和流程的业务专家或专业团队；中央团队仍负责平台、安全、培训和基础治理，临床等高风险场景的判断与最终责任仍由专业人员承担。两个月750个GPT说明这种分工能够快速扩散，却不证明750个工具都创造了业务价值。创建民主化越快，维护、审批、责任和退出机制的治理债务也会积累得越快，这才是规模扩散之后必须补上的下一套能力。类似的治理难题也出现在其他企业级AI实践中：企业AI创新案例｜8个月让20万名员工完成接入，摩根大通先统一的不是模型，而是风险边界同样把治理边界放在模型能力之前。