Public Storage 通过 OPL 数据 空间在各企业职能中扩展安全的 AI 平台
概览
Public Storage 采用 champion-driven rollout 的方式，在 GCP 上基于 OPL 数据空间 部署了安全、私有的生成式 AI 平台，在 30 天内达到约 50% 活跃采用率，并把一个关键运营工作流缩短了 80% 以上。
关键数据
- 用户数：5000–10000 员工
- 区域：美国
- 行业：房地产
- 部署方式：GCP（容器化、私有网络）
- 模型：Anthropic Claude、OpenAI GPT、Llama、Gemma
- 上线节奏：2 周试点，30 天内全面可用
- 采用情况：首月约 50% 活跃使用
- 结果：运营流程显著提速、跨职能采用 、企业级治理落地
关于 Public Storage
Public Storage 是一家财富 500 强自助仓储 REIT，在美国运营 3000 多个设施。
挑战：在企业范围内安全扩展 AI
当生成式 AI 工具快速走红时，Public Storage 很快意识到机会与风险并存。各团队开始自行试用 AI，逐渐形成一堆零散订阅和不受治理的用法。
管理层提出了明确目标：提供一个 安全、集中式 AI 平台，既能提升组织整体的 AI 素养，又能发现高价值业务场景并稳定释放效率收益，同时不牺牲数据安全与合规性。
关键要求
- 在企业 GCP 环境中 私有部署
- 仅允许企业认证员工通过防火墙内访问
- 接入现有 Okta SSO
- 避免 provider / 单一 LLM 锁定
- 完整审计轨迹、DLP 和 PII 脱敏
- 按群组的 RBAC
方案：部署在 GCP 上的 OPL 数据空间
OPL 数据空间被选中的关键原因，是它具备 可扩展基础架构：它既能作为简单聊天界面迅速落地，又能逐步演化成安全、多模型、受治理的内部 AI 平台。
架构亮点
- 计算 / 编排：GCP 上的容器化工作负载，按内部需求自动扩缩
- 存储 / 数据库：托管 PostgreSQL 与安全对象存储
- 网络：私有网络；仅公司内部认证员工可访问
- CI/CD：自动化升级管线
- 日志 / 监控：GCP 原生工具与 Langfuse
- 安全控制：MFA、RBAC、数据驻留、PII 脱敏、中断式提醒、审核导出、DLP、出口限制
“我们的目标不只是部署 AI，而是负责任地扩展它。 OPL 数据空间让我们能够在保持治理能力的同时，由业务部门共同发掘高价值使用场景。” — Public Storage CTO
模型与数据处理
Public Storage 采用 多模型策略 来平衡能力、隐私与成本：
- 主力：Anthropic Claude（零数据保留）
- 高频 场景：OpenAI GPT（零数据保留）
- 开源权重：Llama 与 Gemma，用于更私有的场景
- RAG：默认 Sentence Transformers，用于 embedding，并持续优化检索性能
- PII 处理：自定义过滤器会在敏感信息到达模型前进行 剥离并中断处理，同时向用户展示提醒
推广与赋能
Public Storage 采用了审慎的 champion-driven rollout 模式。先通过 为期两周的试点 与指定推广 champion 验证方案，再在 30 天内面向更广组织开放。
培训聚焦于 贴近岗位的实际用法，而不是抽象的 AI 课程。团队为早期用户举办了 1.5 小时的 “PS.AI Orientation”，结合真实示例和最佳实践。
在首月内：
- 约 50% 已 onboarding 用户 成为活跃用户
- 随着团队之间分享成功工作流，使用持续增长
- 几乎所有企业职能都已覆盖，包括 HR、市场、财务、法务、客服、运营、IT 等
结果：生产力、采用率与治理
01. 运营时间节省
例如，一位区域经理把每周 4 小时的预约审查流程缩短到约 40 分钟，降幅超过 80%。
02. 跨职能采用
首月 约 50% 活跃使用率，并且很多工作流是业务部门自己构建并在团队间传播的。
03. 企业级治理
- 完全私有部署
- PII 脱敏、审核导出、DLP 与 moderation guardrail
- RBAC、MFA 与出站限制提供多层安全防护
典型使用场景
- 预约分析
- 一线与内部沟通文案起草
- 内部政策与流程检索
- 跨部门 AI agent 和工作流试验
为什么选择 OPL 数据空间
- 可扩展基础：从 聊天界面演进成完整内部 AI 平台
- 多模型灵活性：商用与开源权重模型并存
- 企业治理能力：PII 脱敏、审计轨迹、RBAC、DLP
- 快速部署
- 开放架构：便于持续迭代而不依赖单一供应商
如果你正在评估 Enterprise Plan，可以直接联系销售团队。