当 AI 人人都能做东西：OpenAI 如何重做工作的入口
Akshay Nathan 解释 ChatGPT Work 为什么与 Codex 合并，以及 AI 普及后产品、团队和个人真正稀缺的能力为何变成想法、品味与高质量反馈循环。
单集信息
| 项目 | 内容 |
|---|---|
| 播客名 | 跨国串门儿计划（中文 AI 翻译版） |
| 主持人 | 一凯；原访谈主持人为 swyx、Vibhu |
| 嘉宾 | Akshay Nathan，OpenAI 核心产品工程负责人 |
| 集标题 | #651.OpenAI 产品工程负责人：工作的未来、AI 通才、创意与品味 |
| 发布日期 | 2026 年 7 月 29 日 |
| 原集链接 | Latent Space 原英文访谈视频 |
| 中文音频 | 小宇宙完整音频 |
Akshay Nathan 关心的是：当 AI 让越来越多人可以直接做出软件，产品、团队和个人的瓶颈会转移到哪里？他的答案有些反直觉：做东西的能力会变得普遍，真正稀缺的是想法、品味，以及把想法放进真实反馈循环里的能力。1
Work 为什么要和 Codex 合在一起
Akshay 2023 年加入 OpenAI 时，公司大约有 500 人。他原本担心这家公司已经不够像创业公司，实际感受到的却是自下而上的干劲仍在：任何人有想法，都还有机会把它做出来。1
ChatGPT Work 的直接起点，是 Codex 在 OpenAI 内部的意外扩散。战略、财务、市场营销等非开发者开始用 Codex 处理自己的工作，并产生了一种获得超能力的感觉。产品团队因此意识到，Agent 的力量不应只给开发者，问题变成了怎样把它展示给更广泛的知识工作者。
这也解释了为什么他们没有把 Codex 和 Work 做成两个应用。两者共享底层 Agent 框架，差异在用户体验、代码仓库和 diff 的可见程度，以及沙箱等默认设置。Codex 可能展示文件编辑和 diff；Work 则包装成更接近知识工作的体验，创建电子表格时系统也会把用户路由到 Work。
这里有一个重要的产品判断：不要根据用户身份把能力硬切开。写代码的人会写战略，做营销的人会做数据分析，播客主理人也可能搭建网站。Akshay 的说法是：「我们不想规定你什么时候该用哪种体验，但我们也不想限制任何人。」2
网站正在变成工作产物
值得注意的是，Agent 开始直接交付可以继续使用的工作环境。Akshay 说，OpenAI 财务团队过去把月度报告放在幻灯片和电子表格里，后来改成网站，原因是网站能同时承载数据、交互和不断变化的重点。
他还讲到一个个人实验：周末拍了约 30 张实体桌游照片，交给 ChatGPT 后，系统消耗约 17 亿个 Token，生成了一个带 3D 积木放置、可以实际游玩的网页游戏；随后又建立实验面板，观察 AI 自我对弈和调整参数。这个过程把散落在聊天文本里的研究，变成了可以查看和修改的界面。2
网站比 Markdown 灵活，却也更容易庞杂。Agent 可以把所有信息都放上去，但用户仍要判断什么重要、什么应该删掉。于是产品设计变成了设计一个「能制造其他产品的产品」：让用户表达想法、确认 Agent 拿到了正确工具和来源，然后用展示而非说教，让用户发现下一步可能性。
记忆越深，边界越需要被看见
Work 默认继承 ChatGPT 的记忆，能读取关于用户的上下文。Akshay 认为，长期累积的零散对话会形成能代表用户的背景。
但能力越强，权限问题越难回避。Work 可能连接插件、本地文件和持续运行的电脑环境，Agent 能接触到的上下文非常私人。关于绩效评审，他的边界很清楚：AI 可以检索代码、Slack、文档和历史记录，帮助管理者收集背景，却不应该直接生成一份关于人的评审并原样发出。它的价值是减少遗漏，不是替代判断和责任。
Chronicle 是更激进的实验性方向，试图从用户使用电脑的方式中学习，目前默认没有开启。值得关注的不是它能否记录一切，而是哪些信息被记住、何时被调用，以及用户是否能理解和控制这个过程。1
AI 让人更像通才，但不会替你产生好想法
Akshay 对未来团队的描述是每个人都更接近 T 型人才：横向拥有通用能力，纵向保留一项专长。AI 可以帮助没有设计训练的人反复迭代方案，却不能自动替他形成可靠的视觉判断。
他认为 AI 仍不擅长「带来新想法」。模型可以生成并组合设计方案，但用户需要先提供问题、反馈或方向。真正有根据的想法往往来自和用户交流、观察摩擦、回应反馈，或在已有计划上继续推进。
所以节目反复回到同一个判断：「瓶颈某种程度上变成了想法和品味，因为现在谁都能做东西了。」工具普及之后，拥有更多选项不等于拥有更好的方向，选择、删减和判断会更频繁地落到人身上。
生产力不等于动作
访谈最后把问题拉回团队管理。过去常用代码提交次数、代码行数、故事点、Token 用量或 Pull Request 数量来代替生产力，AI 让这些指标更容易被刷出，却不一定更接近目标。
Akshay 给出的替代指标是「尝试次数」，但不是越多越好，而是看团队能否高质量地走完一个循环：产生想法，做出东西，拿到反馈，根据反馈调整，再验证或推翻假设，然后进入下一个循环。这个指标同时包含交付、学习和团队文化，因为真正重要的是能不能反复做这件事，并在过程中保持动力。
他把最容易犯的错误概括成「把动作和进展混为一谈」。AI 让动作变得异常便宜：可以更快写代码、做网页、生成报告、开更多任务。但进展要求团队先明确想达成什么，再判断这些动作是否让目标更近。没有目标，Agent 只会把忙碌放大。
这集值得怎么听
- 想理解 ChatGPT Work，重点听 Codex 如何从开发者工具变成非开发者的工作入口，以及为什么共享底层能力不等于提供相同界面。
- 想做 AI 产品，重点听「网站是产出物」和「展示而非说教」两段：它们讨论的不是功能数量，而是如何让用户发现能力并继续修改结果。
- 想衡量 AI 时代的生产力，重点听「尝试次数」以及「动作与进展」的区别。提交更多内容，不等于更接近目标。
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.