ChatGPT Mil 上線 GenAI.mil：與 Grok 同場，170 萬人之後該驗收什麼？（2026）

ChatGPT Mil 在 2026 年 8 月 31 日正式上線 GenAI.mil；同一天，平台也加入 Grok for Government。這不是「軍方開始用聊天機器人」那麼簡單，而是一個超過 300 萬人規模的組織，開始把多家前沿模型放進同一個企業入口。

真正值得追問的，是規模背後的證據：官方所稱的 170 萬「累積不重複使用者」，離持續採用、品質改善與任務成果還有多遠？AlphaLab 的判斷是：這次上線證明了分發能力，卻還沒有替模型成效結案。接下來最重要的不是再數帳號，而是公開月活躍、品質調整後的工時、錯誤率、版本紀錄，以及跨模型搬遷成本。

ChatGPT Mil 與 Grok 到底上線了什麼？

先把已知與未知分開。美國戰爭部在兩份同日公告中表示，ChatGPT Mil 與「Starshield AI’s Grok for Government」都已在 GenAI.mil 上線，並獲准於 Impact Level 5（IL5）環境處理受控非機密資訊（CUI）。這是官方對部署狀態的表述；公開公告本身不是產品級授權文件、第三方稽核或效果評測。

面向	公開資料能確認什麼	不能因此推論什麼
ChatGPT Mil	聊天、檔案、Projects、custom GPTs；先用於規劃、政策、物流與行政等文件密集的非機密工作	未公開底層模型版本，也不能推論答案已達任務級可靠度
Grok for Government	官方列出 Auto、Fast、Expert 模式，以及工作空間、持續性專案與可重用 playbooks	功能清單不等於已證明能提升決策品質
資料邊界	兩者均由戰爭部描述為 IL5／CUI 部署	IL5 不是機密等級，也不是「模型不會幻覺」的認證
規模	GenAI.mil 官方稱累積超過 170 萬名不重複使用者；部門總人數超過 300 萬	170 萬不是 MAU，300 萬也不是已啟用人數

“The core experience centers on chat, files, projects, and custom GPTs, with additional features sequenced over time.”

中文：核心體驗以聊天、檔案、專案與自訂 GPT 為主，其他功能會分階段推出。

U.S. Department of War，ChatGPT Mil 上線公告

這段原文很重要，因為它把產品邊界說得比宣傳標語更清楚：ChatGPT Mil 的首波價值在文件工作，不是自動化武器，也不是機密作戰網路。OpenAI 早在 2026 年 2 月的預告中表示，資料會留在政府環境，且不拿來訓練其公開或商業模型；但那篇是上線前的公司承諾，應與 8 月的部署公告分開閱讀。

同日的 Grok 公告則把採購市場研究與物流供應鏈管理列為例子。最穩妥的寫法，是照官方產品名稱表述；公開稿件沒有足夠資訊，把「Starshield AI」進一步當成已獨立核實的法律實體或合約得標者。

170 萬人是分發里程碑，不是成果證明

Grok 公告表示，GenAI.mil 上線約九個月後，已經有超過 170 萬名累積不重複使用者，母體則是超過 300 萬名部門人員。即使把兩個官方自報數字直接相除，得到的約 57% 也只能叫「累積觸及的粗略比例」；它不能改寫成 57% 採用率，因為有人可能只登入一次，300 萬也未必等於實際具有網路存取權的分母。

這個區別不是吹毛求疵。戰爭部自己的 FY2026–2030 戰略計畫第 28 頁，把 enterprise AI adoption 明確定義成「GenAI.mil 月活躍使用者 ÷ 具有網路存取權的文職與軍職人員」。換句話說，官方內部也知道「曾經來過」和「持續在用」是兩件事。

官方績效指標	FY2026 目標	FY2027 目標	真正回答的問題
GenAI.mil 採用率	建立基準並達 40%	75%	有多少可存取人員成為月活躍使用者？
指定 AI pilot 的工作流生產力	定義任務平均完成時間降低 5%	累計降低 15%	工作是否真的更快完成？
目標任務人員可靠存取企業 AI	75%	90%	基礎設施能否穩定送到需要的人手上？

這張表也揭露了最公平的驗收路徑：先看 MAU，再看任務工時，最後把錯誤與返工加回來。登入一次證明好奇心；持續使用證明工具性；時間縮短而錯誤、返工與監督成本沒有上升，才開始接近成果。

IL5 解決資料能放哪裡，沒有回答答案能不能信

美國國家檔案局對 CUI 的定義很直接：它需要依法律、規則或政府政策採取保護與散布控制，但它不是 classified information。DISA 的連線指引也把 IL5 與 IL6 分開：IL5 可容納需要較高保護的 CUI；最高至 Secret 的機密資訊屬 IL6 範圍。

因此，ChatGPT Mil 的 IL5 身分是一個重要但有限的結論：資料處理環境跨過了特定合規門檻，卻沒有自動證明輸出正確、引用完整、沒有偏誤，或不會遭遇 prompt injection。戰爭部另有一條 IL6／IL7 機密網路 AI 協議路線，也更凸顯本次 GenAI.mil 公告的 CUI／非機密邊界；不能把兩條部署路線合併成「ChatGPT Mil 已處理軍事機密」。

美國政府問責署（GAO）整理聯邦機關使用生成式 AI 的風險時，仍把幻覺、不透明、偏誤與資安列為核心問題。這裡最實用的分界是：accreditation 管的是允許在哪種環境處理哪類資料；evaluation 才管特定模型、版本與工作流，在特定任務能不能持續過關。若不熟悉後者，可先看 AlphaLab 的AI Evals 入門。

多模型降低集中風險，但不會自動消除供應商鎖定

把 Gemini、ChatGPT 與 Grok 放進同一個入口，確實比單一供應商更有比較、備援與議價空間。這是本次上線最有戰略意義的部分：模型不再只是個別團隊自行採買的工具，而開始成為可替換的企業運算層。

但「選單裡有三個名字」不等於可自由搬家。Projects、custom GPTs、persistent projects 與 playbooks 都可能累積供應商特有的狀態。美國管理及預算局的 M-25-22把降低 lock-in 說得更具體：資料與模型可攜性、API 互通、知識移轉、測試文件、終止權利與回滾安排都要落進採購設計。

所以真正的 anti-lock-in 測試不是問「能不能切換模型」，而是每年挑一個代表性工作流，把文件、instructions、evals、playbook 與 audit trail 從 A 搬到 B，記錄遷移時間、人工重建比例、功能損失與停機。這與一般團隊做任務路由評測、用Canary 閘門管理模型更新，其實是同一套思路：可替換性必須靠演練證明。

下一份公開成績單，至少應有六個欄位

1. 持續採用：MAU、WAU／MAU、30／90 日留存，而不是只累加 unique users。
2. 品質調整後的生產力：完成時間、人工審核、返工與每件被接受成果的總成本一起算。
3. 任務可靠性：引用錯誤、幻覺、拒答、錯誤自信與 prompt-injection 成功率，依任務與版本拆開。
4. 更新治理：每個輸出保留 model／version，升版前跑固定 eval，未達門檻就回滾。
5. 跨模型一致性：相同高風險問題的 disagreement rate、採用理由與轉人工比例。
6. 可攜與紀錄：專案、輸入、輸出與稽核軌跡能匯出多少，搬遷一次要花多少時間。

最後一項不只是 IT 管理。NARA 2026 年 8 月的 AI records guidance提醒，AI 輸入、輸出、audit trails，以及與模型與採購相關的文件，在用於官方業務或決策時可能成為聯邦紀錄。當 Grok 的 playbooks 或 ChatGPT 的 Projects 被用來保存組織知識，「留多久、誰可看、如何匯出、何時能刪」就同時是合規、稽核與供應商切換問題。

AlphaLab 的判讀：這是基礎設施勝利，還不是任務成果

我同意這次上線值得重視。把前沿模型帶進可處理 CUI 的共同入口，讓上百萬人有機會在受控環境使用，難度遠高於做一場漂亮 demo。多模型並存也把「哪個模型適合哪個任務」變成可以持續比較的管理問題，而不是一次性的品牌押注。

但我不同意把部署規模直接翻譯成決策優勢或任務成效。兩份上線公告列出功能、容量與宏大目標，沒有同時提供 MAU、留存、錯誤、返工、成本或可重跑評測結果；官方戰略計畫反而已經寫出更好的驗收方式。最合理的下一步，是按那套定義公開成績，而不是繼續用累積帳號替成果代言。

對企業與政府採購者而言，ChatGPT Mil 的故事也給出一條簡單原則：先確認資料可以合法、安全地放在哪裡，再用真實任務驗證答案能不能信；最後定期演練能不能換供應商。合規、效果與可退出性是三個不同 Gate，少一個都不能叫完成。