AI产品演进的第三阶段：持久型AI同事
在探讨人工智能产品的未来形态时，行业正经历从单一交互向深度协作的转变。AI产品的发展可划分为三个时代：第一时代是“聊天”（Chat），用户通过自然语言与模型进行即时对话；第二时代演变为基于“智能体”（Agents）的工作模式，AI开始具备执行特定任务的能力。而即将到来的第三时代，核心在于如何与一位“持久型AI同事”（Persistent AI Coworker）共同工作，这位同事能够持续地协助用户完成复杂的工作流。
"If you think about the first era of AI products as chat, the second era of these products working with agents, that third era that might come soon is how do you work with a persistent co-worker who is able to get things done with you."
这种转变意味着AI不再仅仅是被调用的工具，而是成为嵌入工作流中、具有记忆和持续行动能力的合作伙伴。这种持久性（Persistence）是区分传统AI助手与未来工作伙伴的关键特征，它要求产品能够跨越单次会话，长期服务于用户的特定目标。
OpenAI的组织文化：去中心化的“创始人”心态
Tara Sesh在加入OpenAI一年后，对这家前沿实验室的组织文化感到既熟悉又惊讶。她曾就职于Stripe等高速增长的科技公司，因此对高强度的工作节奏和优秀的同事并不陌生。然而，OpenAI最令她意外的地方在于其极度扁平化的管理结构。与以往所有由创始人领导的公司不同，OpenAI呈现出一种“全员创始人”（Founders-led）的状态。在这种文化下，自上而下的指令极其有限，每位员工尤其是产品团队成员，都在某种程度上扮演着“创始人”的角色。
这种文化带来了两个显著影响：首先，员工与市场之间的距离非常薄。在大公司中，产品经理往往因层级隔离而远离用户需求，但在OpenAI，团队成员必须像初创公司的创始人一样，全力以赴地寻找产品市场契合点（Product-Market Fit）。其次，公司内部不存在所谓的“秘密策略库”。Tara原本期待看到类似支付领域那种详尽的内部操作圣经，但发现OpenAI的思维模式、产品构建理念甚至模型运作方式都迅速公开化。这种透明度迫使团队将精力集中在快速迭代而非内部保密上。
"The level of like top-down direction at OpenAI is extremely limited relative to places I've worked for prior... you are doing everything it takes to get product market fit for your product akin to how a founder might."
产品方法论：实证主义与快速迭代优于理论推导
在AI技术飞速迭代的背景下，Tara Sesh强调产品经理必须调整工作模式。传统的学术性或理论性思维在AI时代不再适用，取而代之的是极致的实证主义（Empirical）。她指出，构建产品时存在两种常见的错误：一是仅基于当前模型的能力进行设计，二是过度预测一年后的技术路径。这两种做法都是错误的。正确的策略是将视野缩短至2到3个月，因为这是模型能力发生显著变化的周期。
在这种快节奏环境中，产品经理的核心竞争力在于能否快速将想法转化为可测试的原型。与其撰写长篇大论的推理文档，不如迅速推出可供用户试用和反馈的版本。这种“ prolific and empirical ”（多产且实证）的方法论要求团队保持高度的适应性，并不断根据用户反馈调整产品方向。同时，产品经理的一个重要职责是提升团队及用户的雄心壮志（Ambition），提醒各方AI所能达到的潜力边界。这种积极的心态对于推动产品突破现有局限至关重要。
"Being prolific and empirical is way more important than being academic or theoretical... Instead, it's like how do I get to something I can try out and test with users as fast as possible."
核心产品与行业影响：CodeEx与JBT的崛起
Tara Sesh目前负责OpenAI的两个关键产品：CodeEx（代码生成相关）和 JBT工作流。这些产品被视为当今知识工作者领域增长最快且最具影响力的AI应用。她的工作搭档Andrew Amberino担任引擎经理，两人共同推动这些产品的技术落地与产品化。在加入OpenAI之前，Tara拥有深厚的行业背景：她在Stripe工作了六年，是前五名产品经理之一，并多次被评为组织内的顶级人才；此外，她还曾在Watershed领导产品工作，是一名创始人和Teal Fellow。值得一提的是，她是Lenny's Newsletter项目中仅有的三位Fellow之一，该节目旨在发掘新兴的产品领袖。
这些产品的成功不仅依赖于底层模型的进步，更得益于OpenAI独特的快速反馈循环。正如Tara所言，OpenAI的许多理念会迅速转化为用户可感知的产品功能，这种从思维到产品的转化速度远超其他公司。对于企业级用户而言，能够无缝集成单点登录（SSO）、审计日志等功能是进入大型企业的关键门槛。虽然本片段未提供具体性能数据，但强调了WorkOS等基础设施平台在帮助初创公司快速实现企业级就绪（Enterprise Ready）方面的作用，这侧面反映了AI产品生态中基础设施的重要性。
"Today my guest is Tara Sash. Tara leads product for both codeex and JBT work at OpenAI. I believe this is the fastest growing and arguably most important AI product for knowledge workers today."
从理论推演到实证测试的思维转型
在动态且快速变化的AI市场中，传统的静态市场思维已不再适用。过去在产品成熟、可预测的市场（如支付领域）中，产品经理可以基于第一性原理进行严谨的战略推演，因为竞争对手的行为和结果往往是可以预测的。然而，AI市场具有高度的涌现性和动态性，严谨的理论规划反而可能被视为缺乏对不确定性的敬畏。Tara Seshan指出，这种环境要求从业者从学术化、理论化的思维转向实证主义（Empirical）。她回忆道，自己从撰写类似博士论文般的长期战略文档，转变为以最快的速度构建可测试的原型并获取用户反馈。这种从“深思熟虑的理论”到“快速试错的实证”的转变起初令人不适，让人怀疑是否尽职，但最终证明这是应对不确定性的唯一有效路径。
核心假设定义：产品经理不变的基石
尽管工作方式和工具在变，但产品经理的核心职责并未改变，反而变得更加关键。许多初级或中级的工作内容（如编写执行文档、制作演示文稿）正在消退，但定义产品成败的最关键问题（The One Question）依然是PM的立身之本。Tara Seshan强调，PM的核心价值在于提炼出那个决定产品生死的最核心假设。她引用Shashir Rahul的观点，称之为“The One Question”——即那个最需要被测试的具体、最重要的问题。其他所有的宏大战略若不能服务于验证这一核心假设，都是无关紧要的。理解用户、市场和技术的交汇点，并据此形成尖锐的假设，再通过快速测试验证它，这一闭环是PM工作从未改变且日益重要的核心。工程师、数据科学家和设计师都在向这种以问题定义和测试循环为中心的模式靠拢。
从“划船”到“掌舵”：人类角色的升维
随着AI代理（Agents）能力的提升，知识工作的形态正从“划船”转向“掌舵”。Tara Seshan认为，未来的工作将越来越多地由AI代理执行具体的“划船”任务（即大量重复性或基础性的构建工作），而人类的角色则升级为在更高层面上引导方向。这种“掌舵”能力将随着抽象层级的提升而变得愈发重要。过去，指导可能局限于代码行级别；未来，人类将直接设定目标层级甚至更高维度的愿景。虽然数据能提供反馈，但“掌舵”往往需要人类做出带有主观色彩的判断（Opinionated Call）。她指出，我们常常低估了直觉和积极决定论的力量。人类需要描绘出“希望世界变成什么样”的愿景，并据此推动产品向特定方向发展。这种基于人类价值观和愿景的方向设定能力，是目前AI无法替代的。循环（Loops）机制虽然高效，让代理能执行越来越大的任务闭环，但人类必须始终掌握方向盘。
工具同质化下的人类独特优势
当所有知识工作者都能访问相同的先进AI工具时，区分个体竞争力的核心不再是技术门槛，而是人类自身的判断力与独特性。如果缺乏这种差异，大家最终只会构建出千篇一律的产品。这类似于时尚产业：虽然功能性服装人人可穿，但人们更倾向于通过着装表达个人身份声明、群体归属感或与他人的差异化对比。软件产品亦然，它不像房地产那样投入资金就能获得确定回报，而更接近电影制作艺术。正如John Collin所言：“软件不是房地产……它更像电影，投入巨资并不保证成功或质量。”这意味着产品必须包含观点性（Opinionation）和艺术性。因此，团队需要拥有值得表达的有趣想法，并通过快速迭代的反馈循环来验证这些直觉。这种过程无法一蹴而就，而是需要人类在不断的试错中理解产品的真实形态。
持久化AI同事的协作范式转移
未来的工作模式将演变为与“持久化”（Persistent）AI同事的深度协作。这种关系超越了简单的指令执行，转而采用“你掌舵、Agent划桨”（You steer, Agent rows）的分工模式。在这种高阶抽象层面，人类提供战略指导和输入，而AI同事则独立执行大量具体工作。双方以不同的节奏同步进度，互相检查中间成果并提供反馈。这种“同事模型”（Co-worker model）比传统的单线程交互更符合人类的社会协作本能。目前，OpenAI内部已观察到这一趋势：员工不再仅仅通过截图分享代码执行结果，而是开始思考如何让各自的Agent之间进行更自然的协作。理想的工作状态应如同多人游戏（Multiplayer game），团队成员共同驾驭各自的AI助手处理战术性任务，从而实现整体效率的提升。
信任建立与缓慢演进的现实路径
尽管外界常担忧AI的“快速起飞”（Fast takeoff）可能导致失控，但当前的实际进展更符合缓慢演进（Slow takeoff）的特征。这种渐进式的信任建立过程虽然感觉迅速，但本质上是逐步扩大AI承担任务范围和时长的迭代过程。除了模型智能的提升（如长上下文处理能力），战术层面的基础设施优化同样关键。例如，Agent在本地环境中的运行便利性使其能够直接访问数据，从而更高效地完成任务。这种“缓慢但持续”的进步模式允许人类与AI在协作中不断磨合，逐步将更多高阶抽象任务委托给Agent。这种基于信任积累的渐进式自动化，比激进的技术飞跃更具可持续性和可操作性，为知识工作者提供了一种可预测且自然的协作演进路径。
云代理的落地：基础设施与数据访问的关键作用
要让AI智能体在云端成功运行，必须构建庞大的云基础设施。这不仅仅是算法问题，更是战术层面的工程挑战。数据访问权限是核心痛点之一：如果智能体无法像人类同事那样接入Google Docs、Slack或公司数据库，它将因信息孤岛而失效。正如招聘一位被锁在房间里且无系统访问权限的同事毫无用处一样，隔离的云智能体也无法发挥实际效能。虽然公众常关注AI的“智力”突破，但云基础设施、数据接入和可靠性等看似平庸的基础设施问题，对最终效果的贡献同样巨大。这些底层支撑决定了智能体能否真正融入工作流并产生价值。
从自动化到能力扩张：重新定义“全能型人才”
AI工具的价值不仅在于替代重复性劳动，更在于扩展个人的能力边界。过去被称为“独角兽”的全能型人才（兼具产品思维、工程能力和设计感）之所以稀缺，是因为他们能快速跨越职能间的翻译层并独立构建原型。如今，AI让普通人也能获得这种“全栈”超能力。使用者可以迅速生成设计稿、构建初始原型、制定定价模型并模拟各种场景。这种能力的扩展意味着个人实现愿景的保真度和速度大幅提升。正如演讲者所言，现在每个人都能将脑海中的想法更快速地转化为现实，从而打破了以往受限于个人执行力和沟通能力的瓶颈。这种转变使得“不可能”变为可能，极大地拓宽了个人的可能性范围。
野心的升级：利用AI突破思维局限
当前最大的挑战并非技术能力，而是思维的扩展。在极短的时间内，AI赋予了人类前所未有的执行力，但人们往往低估了这种潜力。参考Patrick Hollen网站上那些“不合理地雄心勃勃”且在短时间内完成的项目，许多此类项目在AI时代前已存在构想却难以落地。现在，通过即时学习、复杂文本摘要或生成CAD模型等能力，原本超出个人 Reach 的技能变得触手可及。因此，我们应期待这类高效执行的项目数量呈指数级增长。关键在于养成新习惯：主动询问AI能否以更宏大或更快的尺度完成任务。正如Tyler Cowen的观点，大多数人低估了向他人提出“更高野心”版本任务的影响。产品经理等角色的核心价值之一，现在转变为提升团队及他人的雄心上限，不断追问“是否可以尝试10倍规模”或“更激进的方案”，从而让工作变得更具兴奋感和可能性。
产品开发的三大核心“模因”与深度反馈闭环
OpenAI内部推崇一种被称为“主输（Mainlining）”的产品文化，这比传统的“吃狗粮（Dogfooding）”更为激进。产品负责人Tara Seshan指出，团队必须时刻自问三个核心问题：我们是否在尽可能宏大和广泛的范围内追求野心？我们的开发速度是否已加速到极致，以最快的速度推进项目？“主输”意味着员工需全天候使用该产品来完成工作，从而将个人体验与产品开发紧密结合。这种文化要求团队成员将所有品味和直觉都投入到对产品的审视中，不断追问“哪里让你困扰？”、“我们要构建什么？”，从而极大地收紧了用户反馈与产品迭代之间的循环。这种近乎痴迷的态度体现在团队频繁的社交媒体互动中，他们以外部观察者的视角审视自身产品，确保每一项功能都能真正满足用户需求并推动进步。这种文化不仅是使用工具，更是将产品视为自身工作的延伸。
以AGI使命为驱动的产品哲学与时间窗口策略
在OpenAI，对通用人工智能（AGI）即将实现的信念是凝聚团队的核心力量。员工不仅致力于实现AGI，更确保其对人类有益。在这种使命驱动下，产品构建面临一个极具挑战性的时间窗口问题：Tara强调，“如果你为模型当前的能力构建，你会失败；如果你为你认为一年后模型将达到的境界构建，你同样会失败。”这两种极端都是错误的。正确的策略是聚焦于未来2到3个月模型将具备的能力。这意味着产品架构必须具有前瞻性，开发者需要“让位于模型”，即设计出不会阻碍未来更强能力发挥的产品结构。为了把握这一窗口，产品团队与研究人员保持紧密沟通，明确模型在编码、写作等特定能力上的提升方向。这种基于短期（2-3个月）但指向长期AGI愿景的平衡，是产品成功的关键。
“这是模型最糟糕的时刻”与ChatGPT的整合愿景
前首席产品官Kevin Weil曾留下一句名言：“这是模型最糟糕的时刻（This is the worst [the models will ever be]）。”这句话揭示了AI技术指数级进步的残酷现实：今天的顶尖模型，在几个月后可能就显得落后。基于这一认知，OpenAI正在重塑ChatGPT应用的用户体验。目前界面上存在ChatGPT、CodeX以及“聊天（Chat）”与“工作（Work）”模式的切换，但这只是过渡。产品的终极目标是消除用户的选择负担：理想状态下，用户只需输入任务（如“为播客嘉宾做研究”），系统应自动选择最合适的模型和界面，无需用户理解底层技术限制。对于CodeX重度用户，现有体验保持不变；但对于普通ChatGPT用户，新的智能体（Agent）能力将主要整合在ChatGPT模式中。
“工作模式”背后的技术实质与团队效能提升
在ChatGPT的“工作（Work）模式”下，底层技术实际上是CodeX引擎，但去除了复杂的代码编辑器界面（如文件树）。这种设计旨在降低使用门槛，同时保留强大的执行能力。例如，生成复杂的财务模型等以往需要深厚专业知识或手动完成的任务，现在可以通过自然语言指令在“工作模式”中轻松实现。Tara提到，OpenAI内部的企业财务团队利用这一功能完成了以前只能由个别专家执行的高难度任务，从而提升了整个团队的执行力。这种转变不仅让非技术背景的员工也能完成复杂工作，还极大地提升了团队在时间线、能力边界和前沿探索上的雄心。通过隐藏技术复杂性，OpenAI试图让AI成为每个人都能驾驭的持久同事（Persistent AI Coworker），而非仅供开发者使用的工具。
模式统一：UI层面的体验差异而非能力隔离
OpenAI目前的产品形态主要包含工程模式、聊天模式和知识工作模式。其中，知识工作模式由Codex驱动，但用户往往对底层技术感到陌生或畏惧。Tara Seshan指出，这种模式分离主要存在于UI层面，而非底层能力的差异。知识工作模式与Codex在核心能力上完全一致，如果用户在Codex中要求生成复杂的财务模型或预测未来六个月的收入，其效果与知识工作模式无异。真正的区别在于思维链的呈现方式和技术细节的暴露程度。OpenAI的目标是让用户无需在模式间做出选择，系统会根据用户的请求自动展示最合适的界面。这种设计的初衷是降低用户的使用门槛，让不同背景的人都能利用智能体改变工作方式。
"It's really at the UI level... what kind of technical detail do you want exposed to you?"
产品战略：将智能体能力自然引入十亿级用户群
OpenAI面临的核心挑战是如何将ChatGPT庞大的用户基础转化为智能体能力的早期采用者。第一阶段的AI产品以聊天为主，第二阶段则是与智能体协作，目前主要集中在编程领域。OpenAI希望将这种能力扩展到知识工作等领域。关键难点在于去复杂化，即不让十亿级消费者用户去思考“harness”等晦涩的技术概念。产品团队的目标是让智能体的使用变得自然且无需显式决策。通过整合ChatGPT网页版和桌面应用，OpenAI试图将智能体的力量无缝带给现有用户。这不仅是功能的叠加，更是产品范式的转移，旨在让所有用户都能享受智能体带来的效率提升。
"We'd like to bring it to more domains certainly like knowledge work and that is part of the goal..."
迭代哲学：完成优于完美，快速响应反馈
与过去强调UI细节完美的产品理念不同，OpenAI在AI时代采取了“完成优于完美”的策略。Tara Seshan回忆，在传统软件公司如Polish，产品未打磨至完美便不会发布。但在AI时代，快速将具有变革性的产品推向用户至关重要。通过尽早获取真实使用数据，团队能更准确地识别问题并快速迭代。这种策略要求产品团队在发布前后都要倾听正确的信号。尽管目前的产品体验仍有改进空间，特别是对于非生产力用途的消费者任务，但快速试错和响应反馈已成为核心工作模式。这种敏捷的开发方式使得OpenAI能够迅速适应市场变化，并持续优化用户体验。
"Done is better than perfect... getting the product in the hands of users when you have so much conviction that it's transformative is way better than perfect."
从Claude Code到Codex：市场认知的滞后与团队的内生迭代
在社交媒体上，近期出现了一种明显的风向转变：技术社区的关注点正从Claude Code转向Codex。尽管Twitter等平台的观点可能存在“气泡效应”，但这种外部感知的变化引发了对OpenAI内部策略调整的疑问。Tara Seshan指出，这种外部认知的变化并非源于内部工作模式的突变，而是市场逐渐追赶上了团队早已确立的高效迭代节奏。她引用了一句禅宗谚语来比喻这一过程：“开悟前，担水砍柴；开悟后，依然担水砍柴。”
“实际上，Codex应用团队在初期就建立了以用户为核心、迭代周期极短的工作流。他们尽可能深度使用（mainline）该应用，以确保每一个细节都经过打磨。”
Tara强调，团队的操作模式从未改变。无论是她加入之前还是之后，核心逻辑始终一致：是否充分提升了使命？是否在最大化加速进展？团队内部成员（包括开发者）都在持续使用产品，不仅解决自身问题，也倾听公司内其他用户的声音。这种成功并非因为AI技术本身突然成为答案，而是源于人类团队对用户和产品的极致专注。 外部用户的认可只是对内部既定高效流程的滞后反馈。
创始人精神与独立驱动的产品文化
Tara Seshan将Codex的成功归功于团队中每一位成员的特质。她提到，OpenAI的许多创始人级别的人物（如Andrew、Tibo等）都保持着高度的独立思考能力和对细节的执着。在桌面团队中，成员们不仅关注宏观方向，更关心每一个功能模块的价值。当发现需要改进的地方时，他们会独立行动并迅速搭建原型。如果内部测试效果不佳或用户反馈无价值，团队会果断迭代甚至放弃；只有当产品真正被证明有用时，才会推向外部。
“团队中的每个人都极具思考力、独立且直截了当。他们像创始人一样关心每一个细节，发现问题就自行构建解决方案。”
这种文化形成了一种全闭环的反馈机制。开发者不仅是产品的建设者，也是第一批重度用户。他们通过“吃自己的狗粮”（dog fooding）来验证产品，确保在推向市场前已解决核心痛点。Tara认为，这种由个体主动性驱动的快速试错与迭代能力，是产品能够迅速成熟并赢得用户口碑的关键。外部感知的“转变”，实质上是内部这种高强度、高自主性研发节奏的外溢结果。
角色边界模糊化：从职能分工到结果负责
随着AI能力的提升，传统职场中工程师、产品经理（PM）、设计师之间的角色边界正在迅速消融。Tara Seshan分享了她对初创公司文化的喜爱：在早期创业环境中，几乎没有严格的职责界限。无论是Stripe还是OpenAI，核心逻辑是“一切皆有可能，最终每个人都要对成功负责”。现在，随着技术能力的提升，这种“无边界”的工作模式终于与能力相匹配。她认为，关键在于有人对最终结果负责（即成为“DRi”，Directly Responsible Individual），无论其头衔是工程师还是设计师。
“我不在乎个人角色之间的界限，大家只专注于让结果发生。有人基于自身兴趣和能力承担额外工作，团队不介意这些边界。”
然而，这种模式也带来了关于专业技能（Craft）流失的担忧。许多专业人士担心，当AI接管了部分具体任务后，他们是否会失去打磨特定领域技能的机会？Tara坦言这是一个尚未有定论的问题。她观察到，AI模型正在有效地抽象化某些具体的执行任务，甚至做得比个人更好。因此，从业者的技能重心正在从“完成特定具体任务”转移到“将专业能力应用于产品的其他部分或更高层次的学科整合”。这种转变要求从业者重新定义自己的核心价值，从执行者转变为结果的所有者和复杂问题的解决者。
工程师角色的范式转移与情感阵痛
随着AI工具的普及，软件工程领域的日常工作模式发生了剧烈变化。过去，程序员的核心职责是长时间编写代码，这种“心流状态”曾被视为工程师工作的本质。然而现在，手动编码不再是主要任务，这种转变让许多从业者感到失落甚至哀悼那种纯粹的编程体验。尽管有人享受这一变化，但不可否认的是，从“手写代码”到“利用AI生成”的过渡是一个艰难的过程。这种角色的重新定义不仅改变了工作流，也引发了对职业身份认同的深层思考。
人类大脑在AI时代的不可替代性：责任、表达与共情
面对“未来是否还需要人类”的疑问，Tara Seshan认为在可预见的几年内，人类的“问责主体”身份至关重要。她指出：“Ultimately, who owns like what's the end product? Was it high quality?”（最终谁对结果负责？产品是否高质量？）特别是在高度监管或需要直接人际互动的行业，人类必须拥有最终决策权。此外，软件构建具有艺术性和表达性。她引用电影制作的类比：“Software is not like real estate. It is more like a film... the greatest films are not the ones with the biggest budgets.”（软件不像房地产，更像电影……最伟大的电影并非预算最高的。）这意味着人类的审美、观点和个人风格在软件创作中依然核心。最后，人际关怀与团队协作变得更为重要：“How we care for each other and relate to one another... elevate each other's ambitions.”（我们如何互相关怀、协作并提升彼此的雄心），这是AI难以复制的人类特质。
Sites工具：实现“个人软件”梦想的动态载体
Tara Seshan分享了AI如何彻底改变她作为产品经理的日常，特别是通过Sites工具实现“个人软件”的民主化。她不再依赖静态文档或表格，而是通过自然语言提示词快速构建动态网站。例如，她为团队创建了一个基于数据库的“黑手党游戏”站点用于团建；又为一个徒步旅行队构建了实时追踪海拔和饮食输入的动态仪表盘。这些案例证明了Sites具备自动更新、共享及整合内部数据的能力，实现了Alan Kay在60年代提出的“拥有个人软件的个人电脑”的梦想。她强调：“I literally with a prompt say like build me this exact tool that I need... and it just does it.”（我只需用提示词说‘为我构建这个我需要的工具’，它就自动完成了。）这种“即问即得”的构建方式，让动态展示和数据处理变得极其高效。
跨平台无缝体验与日常工作的重构
Sites工具的易用性体现在其全平台的无缝接入能力。用户可以在Web端、移动端或通过CodeEx等接口随时发起构建请求，无需关心底层部署细节。Tara Seshan解释道：“You can do it through work. You can do it through codeex... anywhere.”（你可以在Work中做，在CodeEx中做……任何地方都能做到。）系统会自动处理代码生成、部署托管及权限设置（公开、团队内部或私有）。这种“零摩擦”的开发体验，使得她日常工作中大量的文档、演示文稿和数据分析任务被动态网站取代。这种转变不仅提升了效率，更让软件构建成为一种随时可用的思维延伸工具，极大地扩展了非技术人员利用AI创造价值的可能性。
CodeEx 的可视化功能与写作的双重定义
在探讨生产力工具时，除了广泛知晓的 "Sites" 功能外，CodeEx 中的 /visualize（可视化）命令也是一个极具潜力的隐藏利器。该功能允许用户输入如 "Visualize my chatbot usage until now" 等指令，系统会自动抓取历史交互数据并生成直观的图表。对于需要向他人展示复杂数据分析结果的用户而言，这一工具极大地简化了从数据提取到故事化呈现的过程。
"Ask you can just do slashvvisualize... and it will pull in like all the things that you've done and create like an amazing visualization for it."
这种能力解决了长期困扰许多专业人士的难题：如何不仅收集大量图表和数据，还能以一种易于理解且对叙事有用的方式呈现它们。Tara Seshan 表示，/visualize 让这一过程变得极其简单且令人惊喜地愉悦。这反映了当前 AI 工具中仍存在大量未被充分认知的强大功能，而通过播客等媒介分享这些技巧有助于用户更好地掌握产品潜力。
写作即思考 vs. 写作即报告：AI 的边界划分
Tara Seshan 将工作场景中的写作严格划分为两类："Writing as thinking"（写作即思考）与"Writing as reporting"（写作即报告）。前者指撰写产品构想、战略建议或具有争议性的观点简报，后者则涉及团队周报、项目计划等状态同步文档。针对这两类写作，AI 的应用策略截然不同。
对于"Writing as reporting"，她强烈建议充分利用 AI 模型进行自动化处理，以简化流程并提高效率。然而，对于"Writing as thinking"，她坚持认为这是人类思维的核心过程，绝不应由 AI 替代。撰写简报的过程——包括大纲构建、利弊权衡、反复修剪与迭代编辑——是她理清思路的关键步骤。她批评那些认为 "永远不使用 AI 写作" 或 "总是使用 AI 写作" 的极端观点，主张根据写作的目的来灵活选择工具。
"Writing is thinking is something I never will automate... the act of going through and outlining something, turning it into some level of pros, cutting and editing it... is one of the most important steps for me to get my ideas in line."
从文档文化到原型驱动：沟通范式的转变
在 Stripe 工作期间，公司推崇深厚的写作文化。Tara Seshan 提到，Jeff Weinstein 等高管也高度重视简报的撰写与分享。在这种环境下，一份精心打磨的文档不仅是思考的证明，更是推动项目方向、争取团队共识的核心工具。她习惯撰写详尽的简报，邀请同事攻击其中的漏洞以强化观点，这种迭代过程往往能使文档达到 "标志性" 的质量。
然而，在 OpenAI 的当前时代，这种范式发生了显著变化。长文档不再被视为深思熟虑的信号，因为 AI 可以轻松生成看似详尽但缺乏实质思考的长文。因此，沟通的重点从 "文档" 转向了 Mockups（原型）、Prototypes（可交互原型）以及 A/B 测试的结果数据。Tara Seshan 指出，能够让人尝试、互动或展示实际实验结果的产物，比单纯的文档更具说服力。
"The sharable artifact here is not really a long dock... I am way more on mocks not docs or prototypes not docs and if I have something that people can try and interact with... This is a way better communication tool than like the doc itself."
70% 完成度原则：协作与反馈的艺术
尽管沟通载体发生了变化，但 Tara Seshan 依然保留了在 Stripe 时期养成的核心工作习惯：在文档完成度达到 70% 时寻求反馈。这一原则源于她前经理的建议，即不要等待完美 polished（打磨）的成品，而是带着粗糙的边缘和 "crags" 进入协作流程。
她观察到，大多数优秀的人才并不愿意与一个 "完美抛光" 的想法互动，因为那样会让他们的意见显得多余或难以切入。相反，一个具有粗糙感、留有修改空间的作品更能激发他人的参与欲和贡献意愿。通过让他人共同打磨作品，不仅能获得更全面的视角，还能增强团队对最终方案的认同感。这种 "作弊式" 的迭代方法——通过大量反馈来强化文档或原型，而非一次性产出完美结果——是她认为提升工作质量最高效的方式之一。
"The right thing to always do is write a doc to 70% completion and then take it to the people that you need buyin from... very few great people want to interact with like a perfectly polished finished idea."
坚持“写作即思考”：人类主导核心创作流程
Tara Seshan在日常工作中严格区分AI辅助与核心思考的边界，她认为写作是保持思维敏锐度的纪律性训练。尽管她将报告撰写等重复性工作外包给模型，但她坚持亲自完成文档的第一版写作和最终润色。她秉持一个个人信念：如果要求他人阅读自己的文件，自己必须先反复研读。在会议筹备中，她也会预先计算并投入相当于参会者总耗时的精力来准备材料。对于AI的使用，她明确拒绝让模型生成初稿或进行最终的文字抛光（polishing），因为这些环节直接关联到思维的深度构建。
“Writing is thinking. I have to do myself... If I'm going to make someone read my document, I have to at least read it first that number of times.”
她采用“人类开始，人类结束”的策略。虽然不依赖AI进行核心写作或润色，但在中间环节会利用模型进行特定元素的研究、数据提取或作为“反向验证工具”来挑战自己的想法。这种模式确保了思维能力的退化被最小化，同时利用了AI在信息检索和格式转换上的效率优势。她强调，不依赖模型生成初稿或进行最终润色是保护思维能力的必要手段。
编码与知识工作的本质分野
在构建ChatGPT这一新纪元产品的过程中，OpenAI团队深入反思了知识工作与编程在根本逻辑上的差异。编码具有强烈的“输出导向”特征，当用户提出代码任务时，可以通过运行测试来验证结果的正确性。编程的验证基于输出：只要代码通过所有预设测试，即可确认任务完成。然而，知识工作（如撰写报告、制作演示文稿）无法仅凭最终结果判断质量。用户不能简单地查看一份包含“90%成功率”数据的演示文稿就确信其价值，因为知识工作的核心在于过程、输入和推理链条。用户必须审视模型是如何一步步得出结论的，才能判断其逻辑是否严密、数据引用是否准确。这种差异决定了AI在两种场景下的交互模式截然不同。
面向知识工作的协作型产品设计
鉴于上述差异，产品设计的重点必须从单纯的“任务执行者”转向深度协作的伙伴。在知识工作中，用户需要看到所有的中间过程、引用来源以及输入数据，以便跟随模型的思路进行验证。UX设计需支持透明化：用户应能查看模型在生成最终输出前的思考路径和引用依据，从而建立信任。例如，在线程界面中展示更多的引用标记（citations）和中间步骤，让用户理解数据是如何汇聚成结论的。这种设计不仅提升了产品的可用性，更解决了知识工作中“如何证明工作有效性”的核心痛点。正如对话中所指出的，这不仅仅是界面调整，更是让模型成为真正的“协作者”，帮助用户共同完成从输入到输出的完整旅程。
高管汇报场景中的AI协作隐喻
这一设计理念在高层管理场景中尤为关键。想象一位高管向执行团队汇报计划时，重点不在于展示最终PPT的精美程度，而在于展示推导过程和工作量（Proof of Work）。用户需要向决策者证明：“这是我所做的所有步骤和推理。”同样，AI在辅助知识工作时，也必须展示其“工作量”——即它是如何收集信息、分析数据并得出结论的。这与工程领域形成鲜明对比：工程师只需关注架构决策是否合理以及测试是否通过，无需知晓每一个微小的技术细节。AI需具备上下文感知能力：它能否访问用户的邮件、Notion文档等内部数据，直接决定了其协作的深度和准确性。这种对过程透明性的需求，是知识工作AI化的核心挑战。
个人成长与阅读推荐的启示
在讨论产品逻辑之余，Tara Seshan分享了对其产生深远影响的书籍。首推《Barbarian Days》（野蛮之旅），讲述了一位纽约客记者对冲浪的热爱。该书的核心启示在于：一个人可以极度热情并投身于某项事业，即使他永远无法达到完美。这种对卓越的追求而非结果的执念，具有 transformative（变革性）的力量。另一本推荐书籍是《安娜·卡列尼娜》，她认为这本书具有多层解读空间：13岁时读懂情节，17岁理解阶级斗争与欧洲历史背景，30岁则看到关于人性与女性的深刻故事。阅读体验随个人成长而深化，这映射了我们在AI时代面临的挑战：我们需要以新的视角重新审视熟悉的事物。此外，她还推荐通过Slow Substack或Invisible Book Club等深度解读形式来阅读《权力掮客》（The Power Broker）或《战争与和平》，强调分章节、伴随专家解读的阅读方式能更好地消化厚重经典。
电影艺术对AI创作的启示
Tara Seshan 近期深受克里斯托弗·诺兰执导的电影《奥德赛》（The Odyssey）影响，她认为这部作品深刻探讨了AI如何转型社会以及道德的崩塌。诺兰被评价为现代导演中极少数能完美平衡艺术性与商业成功的人。此外，她还重温了黑泽明的经典黑白电影《罗生门》，该片首创了多视角叙事手法，让观众无法得知绝对真相。Seshan 感慨道，尽管《罗生门》诞生于20世纪50年代且制作条件受限（如手持摄像机、黑白画面），但其创意与精致度令人惊叹。她由此反思，自己如今拥有的创作工具比黑泽明时代强大百倍，没有任何借口不提升野心去创造更好的作品。这种对创作潜力的觉醒是她近期的重要感悟。
私人化AI工具与“舒适软件”运动
在推荐非OpenAI的AI产品时，Seshan 表达了对“舒适软件”（cozy software）运动的推崇。她认为理想的未来是开发者为特定小群体定制精准满足需求的软件，而非追求大众化平台。她特别提到朋友Sebastian开发的两款应用：一款能将任意内容转化为播客并自动推送到Apple Podcasts订阅源；另一款是名为GATS的私人社交网络。Seshan 将GATS描述为类似WhatsApp但更聚焦于小圈子朋友的私密Twitter式平台。她在该平台上获取了大量有趣的信息，并认为这种由朋友为朋友打造的工具代表了软件发展的正确方向。她强调，人们应当制作完全契合自身及好友需求的软件工具。
托尼·莫里森的工作哲学与Teal Fellowship经历
Seshan 引用了作家托妮·莫里森（Toni Morrison）关于工作的四条箴言作为人生座右铭：“无论做什么，都要做好（为自己而非老板）”、“是你塑造了工作，而不是工作定义了你”、“真正的生活在家庭中”以及“你不是你所做的工作，你是你这个人本身”。这些观点被她置顶在Twitter上以时刻提醒自己工作与个人身份的分离。此外，她回顾了早年参与Teal Fellowship的经历，称其为人生的转折点。一位前辈曾鼓励她提升野心（elevate her ambitions），告诉她不必拘泥于既定路径。这一经历让她感激不已。她还提及Teal Fellow Ari Weinstein，后者创立的公司被OpenAI收购后加入团队，负责计算机使用相关项目。Ari的创造力、对工艺的热爱以及对Mac系统的精通深深激励了Seshan，展现了优秀同行者对个人成长的巨大推动作用。
Y Combinator Fellowship 的早期经历与名人校友
Tara Seshan 回忆了她在 Y Combinator Fellowship（YC Fellowship）项目的经历。该项目由 Peter Thiel 发起，核心理念是鼓励年轻人放弃传统大学教育，转而通过创业实践来追求个人抱负。作为奖励，参与者可获得 10万美元 的资助。Seshan 提到，该项目早期每年仅招收 20人，这一人数限制在最初的四到五年间一直保持不变。她本人是该项目的第二届学员，当时整个项目被 CNBC 拍摄成了纪录片并公开在 YouTube 上。她幽默地表示，观众可以在网上看到她 19岁时登台路演 的尴尬视频。在同期学员中，她特别提到了 Figma 创始人 Dylan Field，称其为该项目中最成功且才华横溢的代表人物之一。Seshan 表示，能与这些优秀的创业者共事让她感到非常幸运。
"Peter Thiel is like, 'Hey, people shouldn't go to college. Instead, they should just try building something that they want and you get $100,000 to not do college and instead just go follow your ambition.'"
ChatGPT Work 模式的多平台使用指南
在访谈后半段，Seshan 重点推荐了用户尝试 ChatGPT 的 Work（工作）模式。她指出，虽然该功能目前可能只是一个需要手动切换的小按钮，但其潜力巨大。用户可以在 ChatGPT 桌面应用、网页版 以及更关键的 移动端 App 上体验这一功能。她建议用户从简单的任务开始，例如让 AI 构建一个关于你自己的网站，或者生成一段可视化展示 ChatGPT 使用情况的代码块。这些用例展示了 AI 处理复杂任务 的能力，且应用场景几乎是无限的。Seshan 强调，通过让 AI 构建一个“告诉你如何使用 Work 模式”的网站，用户可以直观地感受到 AI 解决实际问题 的强大力量。这种交互方式让用户能够更亲密、更深入地体验 AI 技术的实际效用。
"Ask it to build a site about you. Um maybe to start or ask it to make a little visualize block of your chat GBT usage. It's a really cool way to start like experiencing the power of this stuff very intimately."
云端持续工作：移动端体验的核心优势
Seshan 特别强调了 ChatGPT Work 模式在 移动设备 上的独特优势，即其强大的 云端持续工作能力。她描述了一个极具颠覆性的使用场景：用户在地铁或 Muni（旧金山有轨电车）上启动任务后，即使离开信号覆盖区域、手机无服务，AI 依然会在 云端后台继续运行 并完成工作。当用户重新获得信号时，任务已经全部完成。
这种体验被 Seshan 形容为 “超级神奇”，因为它打破了传统本地运行 AI 需要全程保持设备在线和屏幕亮起的限制。她指出，虽然这一功能在其他平台也有体现，但在移动端尤为突出且未被充分认知。云端执行 意味着用户不再需要盯着屏幕等待，而是可以将工作委托给 AI 在后台异步处理。这种从“实时交互”到“结果交付”的转变，是 AI 助手真正融入工作流的关键一步。Seshan 认为，这种无需全程陪伴的异步协作模式，是 ChatGPT Work 目前最具变革性的特性。
"When you pop out after having no service, the thing is done for you. That's the part that feels super duper magical... You've finally got these things running in the cloud doing real work."
结论
OpenAI正通过“持久型AI同事”范式，推动知识工作从单线程交互向深度协作转型。其核心优势在于利用云端基础设施与数据访问权限，实现“你掌舵、Agent划桨”的高效分工，并通过2-3个月的快速实证迭代缩短反馈循环。该模式显著降低了复杂任务（如财务建模、动态网站构建）的技术门槛，使非技术人员也能获得“全栈”能力。
然而，这一转型仍面临挑战：知识工作因缺乏客观验证标准（如代码测试），需依赖过程透明性以建立信任；人类在战略判断、愿景设定及最终问责上仍不可替代。此外，工具同质化要求个体通过独特观点与艺术性构建竞争力。总体而言，AI并非瞬间取代人类，而是通过渐进式自动化重塑工作流，关键在于提升雄心上限并适应新的协作节奏。