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 min中文
觀看原始影片

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

  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

  • 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

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

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。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。