甲骨文内部AI推广：提效背后的成本与瓶颈

过去两年，甲骨文花费数十亿美元帮助其他企业运行AI，但相比之下，自家公司全面引入AI的时间却晚得多。甲骨文联合CEO克莱·马古尔克在内部员工大会上坦言，直到去年，公司还没有找到让生成式AI在整个员工队伍中真正发挥作用的方法。

转折出现在今年4月和5月。甲骨文首席信息官杰伊·埃文斯告诉员工，公司开始部署ChatGPT Enterprise和Codex。甲骨文没有简单地把工具开放给员工，而是同步制定公司标准、安全控制措施和内部政策，三个月内使用率便达到80%。埃文斯表示：
“我们把这些工具做得太容易上手了，结果可能多少会被成本吓到。”

为此，甲骨文建立了内部监控机制，可以查看员工使用哪些模型，以及分别产生多少费用。埃文斯指出，OpenAI GPT-6 Astra的使用成本达到其他模型的2.5倍，而许多任务并不需要调用如此昂贵的模型。例如，日常工作就可以交给成本较低的Terra处理。这揭示出企业大规模引入AI后的第一道难题：模型能力越强，账单可能越可观，如何按任务匹配模型成为成本控制的关键。

AI显著加快了软件开发，但也把工程流程的瓶颈推向其他环节。埃文斯举例说，开发人员用这款工具大约一周就能生成代码，放在以前，一个开发团队通常要花两到三个季度才能完成。然而目前，开发速度提升还没有转化为更快的产品交付。马古尔克解释称，公司仍在研究如何重新设计测试、验证、部署和发布管理流程，使其跟上代码生成速度。“写代码本身变快了，并不意味着所有事情突然都会快1000倍。”

甲骨文还被授权提前使用Anthropic用于扫描代码安全漏洞的Mythos Preview模型。埃文斯称，这款模型投入使用后，短短两周发现的潜在问题就超过甲骨文此前一整年的发现数量。不过，如此强的扫描能力也带来了大量误报。埃文斯估计，Mythos发现的问题中约60%至70%属于误报。甲骨文因此建立了新的核查流程，由工程师先确认漏洞是否真实存在，再着手修复。

甲骨文的经历暴露出企业大规模引入AI后的下一道难题：强大的模型能够大幅压缩单项任务所需时间，却可能同时带来高额账单，并把瓶颈转移到测试、验证、部署等其他环节。从工具普及到流程重构，企业真正要解决的，是如何让AI带来的速度红利贯穿整个交付链路。