行业参考 · 金融 · IT · 证据 E1
損保ジャパン 2 万人导入 Gemini Enterprise：DAU 超 50%、WAU 约 80%
这是公开报道的其他企业案例，不是 Alan 交付的项目。内容由 AI 收集整理，以原文为准。
企业遇到的问题
全员铺开生成式 AI 时，既要防止「没人用」，又要防止「被不当使用」，还要在 2 万人规模上把权限、监控与活用推广管起来。
概要
ITmedia キーマンズネット 对损害保险 Japan 的报道：2026 年 1 月对约 2 万人导入 Gemini Enterprise，6 月时点平日 DAU 超 50%、WAU 约 80%；用 AI 素养考试控制权限、Model Armor 实时拦截、BigQuery 分析使用情况、Cloud Monitoring 监控配额，并鼓励员工自建自定义 Agent。
原文写明的事实
- 2026 年 1 月对约 2 万人导入 Gemini Enterprise；2026 年 6 月时点平日 DAU 超 50%、WAU 约 80%
- 不给全员无条件授权，只有通过 AI 素养测试的员工才被登记为用户
- 为自动化 2 万人规模的权限管理开发了每日更新用户的作业：把人事数据的员工名册与培训数据的合格者名册比对，只把合格者反映到分配对象用户列表
- 该日次作业以 Cloud Scheduler 触发 Cloud Run Jobs，用服务账号访问 Spreadsheet API 取得合格者数据，自动完成用户注册与删除；因 VPC Service Controls 保护下无法直连 Google Workspace 表格，采用经外部代理的构成
- 用 Model Armor 模板对用户 prompt 与 Discovery Engine API 的回答实时筛查，检测到风险即阻断；对象包括责任 AI 安全过滤器、prompt injection、jailbreak、恶意 URL，以及对个人信息等敏感数据的转换与令牌化
- 把 Discovery Engine API 审计日志经 Log sync 路由转送 BigQuery，结合分配用户列表、所属部门、Gemini Notebook、自定义 Agent 信息，按组织单位分析使用情况
- 看的指标有三个：整体 DAU/WAU 与留存率；Gemini Notebook 与自定义 Agent 的使用情况；支社支店等部店单位的使用情况
- 用 Cloud Monitoring 设三类告警策略：日志型（致命错误与违规即时通知）、指标型（内部错误与超时多发）、配额监控（Discovery Engine API 与 Model Armor API 配额逼近）
还有 1 条细节，见文末原文来源。
怎么做的
- 输入：人事员工名册、培训合格者名册、用户 prompt 与模型回答、审计日志、配额指标
- 处理：素养考试准入 → 日次作业同步权限 → Model Armor 实时筛查 → BigQuery 按组织分析 → Cloud Monitoring 配额预警
- 数据：员工名册、培训合格名册、使用日志、prompt 与回答
- 动作：合格者获得权限并自动注册/删除；风险 prompt 与回答被阻断；先进部店的好事例横向展开
- 输出：2026 年 6 月时点平日 DAU 超 50%、WAU 约 80%
如果你也想做：复制评估
AI 初评，供参考。具体能不能做，要看你企业的数据、流程和人。
- 难度：高（需要配置 Skill / Connector）
- 需要的能力：权限同步作业、风险 prompt 筛查策略配置、使用情况分析看板
- 需要接的数据/系统：人事系统名册、培训系统合格名册、Workspace 表格、BigQuery、Cloud Monitoring
- 仍需人工的环节：使用者对生成内容负最终审核责任；推进团队做横向展开与培训
- 风险：权限按日同步若名册数据不准会误开或误关权限；只追 DAU/WAU 会掩盖业务效果缺失；技术防护不能替代使用者判断
- 原文没披露的：业务效果量化未披露；素养考试内容与合格标准未披露；可读部分为文章前半，后续内容需登录
大规模权限准入、实时拦截与用量监控在该企业已实际运行；业务效果层面的稳定收益仍需实测确认。
来源
证据说明：ITmedia キーマンズネット 记者署名报道，含企业具名工程师采访与架构细节，属企业方受访的一手媒体来源。；模型自称 E2，按来源结构下调为 E1。