KeyFrame內部研究專用

ChatGPT被“抛弃”?OpenAI内部99.8%工作输出来自Codex!

算力女粉丝·6月27日週六·6 min中文

三句話摘要

OpenAI內部數據揭示智能體(Agent)已取代聊天機器人成為主流,預示未來工作模式將從「使用AI」轉變為「管理多個AI」。 未來企業和個人的核心能力將從「自己完成工作」轉向「指揮多個AI完成工作並審核結果」,誰能最先掌握這套能力,誰就能在AI時代搶佔先機。 智能體正在取代聊天機器人成為生產力工具 — OpenAI內部99.8%的AI工作輸出來自Codex而非ChatGPT,外部企業用戶也達63.3%,這反映AI的使用方式已從被動提問轉向主動任務委派。

重點整理

重點
  • 1

    智能體正在取代聊天機器人成為生產力工具 — OpenAI內部99.8%的AI工作輸出來自Codex而非ChatGPT,外部企業用戶也達63.3%,這反映AI的使用方式已從被動提問轉向主動任務委派。

  • 2

    工作方式從單點操作轉向並行管理 — 用戶已開始同時管理多個智能體執行不同任務(查資料、整理數據、生成文檔等),就像管理一個小團隊,這會根本改變崗位的價值排序。

  • 3

    非技術人員成為智能體最大受益者 — 財務、法務、運營等白領工作中大量準代碼化的部分(表格整理、數據清洗、流程自動化)被智能體接管,打破原有技術人員的壟斷。

  • 4

    核心能力從「執行」轉變為「管理和審核」 — 人的價值不再是自己完成工作,而是能否正確拆解任務、設定背景信息、判斷結果是否可靠,需要具備調度AI的能力。

實用技巧與重點

乾貨
  • 關鍵數據:
  • Codex在OpenAI內部使用占比:99.8%
  • Codex在企業用戶中使用占比:63.3%
  • Codex在個人用戶中使用占比:16.5%
  • 非開發者增長速度:個人用戶137倍、組織用戶189倍、OpenAI內部12倍(2025年8月至報告時間)
  • 同時管理5個以上智能體的用戶占比:28.6%
  • 發起1小時以上任務的個人Codex用戶:超過50%
  • 發起8小時以上任務的用戶占比:1/14
  • 重度用戶每天產生的Agent運行時間:超過60小時
  • 應用領域:
  • 程式設計:代碼編寫、修改、測試
  • 財務:表格整理、數據分析
  • 法務:文件處理、合規檢查
  • 運營:流程自動化、重複工作標準化
  • 市場:文案生成、數據整理

結論

結論

未來企業和個人的核心能力將從「自己完成工作」轉向「指揮多個AI完成工作並審核結果」,誰能最先掌握這套能力,誰就能在AI時代搶佔先機。

完整解析

詳細

OpenAI在6月25日發佈的最新報告揭示了一個驚人的趨勢:其內部員工使用Codex的比例已達99.8%,幾乎完全壓倒了ChatGPT。這個數據看起來反常識,因為大多數人對外界的認知裡,ChatGPT才是OpenAI最知名的產品。但這份報告實際上反映了AI應用在前沿公司內部已經發生了根本性的轉變——從被動的聊天對話轉向主動的智能體任務執行。

比較更能說明問題:外部企業用戶的Codex使用占比達63.3%,但個人用戶只有16.5%。這個巨大落差說明了什麼?說明普通個人用戶還停留在「我有一個問題,我問ChatGPT」的階段,而前沿企業已經進入「我有一堆工作,我讓多個智能體去執行」的時代。OpenAI自己就像一家汽車公司,對外還在賣傳統轎車,內部卻已經用上了無人車跑物流。

報告的另一個關鍵發現是非開發者的增長速度。自2025年8月以來,個人用戶中的非開發者增長了137倍,組織用戶中增長了189倍,即使是OpenAI內部的非開發者也增長了12倍。這說明Codex已經完全超越了「程式設計工具」的範疇。財務人員用它來整理表格和分析數據,法務用它來處理文件,運營用它來標準化和自動化重複流程——任何涉及準代碼化、有邏輯規則的工作,都可以交給智能體去做。

工作方式的改變體現在任務時間上。報告顯示,超過50%的個人Codex用戶已經發起過1小時以上的單一任務,甚至有1/14的用戶發起過8小時以上的任務。這不是簡單的「幫我寫個函數」,這是「你去跑這個整晚的工作流,我明天來看結果」。更驚人的是,28.6%的用戶已經開始同時管理5個以上的並行智能體。想象一個工作場景:你早上打開電腦,不是只有一個ChatGPT框,而是同時開著5個Agent——一個在查資料,一個在整理數據,一個在生成報告,一個在審查代碼,一個在製作圖表。你的角色從「執行者」變成了「調度者」和「審核者」。

這個轉變對企業和個人都意味著什麼?對企業來說,真正的瓶頸不在於買不買這個工具,而是能不能改造自己的工作流。OpenAI能做得這麼深有特殊條件:員工熟悉AI、系統權限開放、使用成本低。但普通公司面臨的挑戰是數據散落在不同系統、法務擔心數據泄密、管理層擔心出錯、員工不知道怎麼拆任務。智能體真正進入公司需要一整套配套措施:定義哪些任務可以交給AI、哪些結果必須人類確認、如何標準化優秀員工的經驗成可複用的工作流。對個人來說,這意味著未來的競爭不再是「你會不會用AI」,而是「你會不會管理AI」——你能否正確拆解問題、給足背景信息、判斷AI的結果是否可靠、整合多個AI的輸出成一個真正可交付的成果。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。