据 OpenAI 官网 2025 年 8 月 18 日发布的问答内容，DoorDash 首席人事官 Mariana Garavaglia 介绍了公司如何在内部扩大 AI 采用范围，目标是帮助员工更快地构建、学习与创新。来源显示，这次访谈重点并非单一产品发布，而是围绕企业组织如何推动员工使用 AI、如何让 AI 成为日常工作能力的一部分展开。对于关注 OpenAI、Claude、Gemini 等模型 API 接入的开发者和企业团队而言，DoorDash 的案例提示了一个趋势：AI 不再只是技术团队的工具，而正在进入人力、运营、产品、学习与组织协作等更广泛场景。
从“少数团队试用”到“全员能力建设”
来源摘要强调，DoorDash 正在扩大 AI adoption，也就是将 AI 使用从局部试点推进到更大范围的员工赋能。对大型企业来说，这一过程通常不只是开通一个聊天工具，而是涉及员工培训、使用规范、权限管理、工作流嵌入以及效果评估。Mariana Garavaglia 作为首席人事官参与讨论，也说明 AI 普及已经成为组织管理议题，而不只是 IT 或研发部门的采购问题。
从 API 使用者视角看，这类企业实践会带来更复杂的模型调用需求。员工在不同岗位上使用 AI，可能对应不同的上下文长度、响应速度、并发峰值和数据安全要求。企业若希望让 AI 真正进入日常工作，就需要在底层准备稳定的模型服务、统一账号与权限体系，以及可观测的调用成本管理。
- 人力与学习场景：可用于员工培训、知识问答、内部材料整理与能力提升。
- 产品与运营场景：可支持文档生成、数据解读、流程优化和跨团队协作。
- 研发与自动化场景：可辅助代码、测试、需求梳理和内部工具构建。
- 管理与合规场景：需要明确权限、审计、数据边界和使用规范。
对开发者和 API 接入方的影响
DoorDash 的案例释放出的信号是，企业级 AI 使用量可能会随着组织推广而快速增长。过去，很多团队的模型调用集中在少数应用或少数工程师手中；而当企业开始推动员工“build, learn, innovate faster”，调用入口会变得更多，使用时间更分散，峰值也更难预测。这会直接影响 API 架构设计。
首先是额度与并发。全员化使用意味着不能只按单个应用估算请求量，而要考虑多个部门、多个工作流同时调用模型的情况。其次是稳定性。如果 AI 工具成为日常协作的一部分，接口波动会影响内部效率，因此需要熔断、重试、降级和多模型备选策略。再次是成本控制。不同任务不一定都需要最强模型，企业往往需要在高能力模型、轻量模型和批处理任务之间做路由分配。
对于通过中转服务接入 OpenAI、Claude、Gemini 等模型的团队来说，这类趋势意味着中间层价值会进一步上升。统一 API、模型路由、账单拆分、调用日志、限额控制和异常监控，都会成为企业推广 AI 时的重要基础设施。尤其在多部门同时使用的环境中，单纯“能调用模型”已经不够，关键是能否把调用变成可管理、可追踪、可优化的企业能力。
企业推广 AI 的关键不只是模型本身
来源中的访谈对象是 CPO，这一点值得注意。它表明企业采用 AI 的重点，正在从“模型性能如何”延伸到“员工如何理解、学习并安全使用 AI”。企业需要让员工知道哪些任务适合交给 AI，哪些内容需要人工复核，哪些数据不能输入外部模型服务。否则，即便模型能力足够强，也难以形成稳定的组织收益。
对开发者而言，这也意味着产品设计要更贴近企业实际使用。一个面向组织的 AI 应用，除了提示词和模型选择，还需要角色权限、知识库接入、敏感信息处理、团队空间、使用统计等能力。对于 API 批量调用场景，还应提前规划缓存、队列、异步任务和模型降级策略，避免在业务推广后才被成本和稳定性问题反向制约。
总体来看，DoorDash 的分享体现了企业 AI 落地的一个新阶段：从单点提效走向组织级赋能。对本站读者来说，最直接的启发是，未来 AI 接入方案应同时关注模型能力、调用稳定性、费用结构和员工使用体验。谁能把这些环节打通，谁就更容易在企业级 AI 应用扩张中获得持续价值。