Codex from 0 to 10M Users: Building ChatGPT Work — Akshay Nathan, OpenAI

这场访谈捕捉了OpenAI核心产品团队对"如何让AI能力惠及更广泛人群"这一长期问题的最新答案。Akshay的职业轨迹很关键——他曾在Walrus（无代码自动化）、Airtable（低代码数据库）和OpenAI企业部工作，这些经历都围绕同一个信念：让普通人能够使用曾经只有工程师才能掌握的超能力。LLMs到来时，这个愿景终于有了缺失的技术基础。

ChatGPT Work的推出故事始于一个内部观察。当Codex发布时，Akshay在内部UXR（用户研究）会议上发现了一个令人惊讶的现象：非技术部门（财务、市场营销等）的员工都开始使用Codex，更令人印象深刻的是他们为此感到骄傲——"我不应该能用这个，但我在用"，这种自豪感源于他们获得了原本属于开发者的"超能力"。这启发了一个关键的产品问题：为什么要限制这种能力只给开发者？如何将其推向ChatGPT数亿用户中不知道他们能做什么的人？

产品架构上，OpenAI做了一个聪明的决定：统一底层技术（harness），但在UI/UX层面保持区分。具体来说，ChatGPT和ChatGPT Work共享同一个计算引擎——同样的agents系统、同样的artifacts能力、同样的plugins连接。这意味着两个产品都能实时获得最新的能力。但他们在用户面向的设计上做了有针对性的权衡：Classic ChatGPT因为需要优化延迟、个性化和对话流畅性，所以对artifacts的细节展示更少（保持对话聚焦）；ChatGPT Work则完全相反，积极展示代码diff、计算过程、所有的中间步骤——因为知识工作者需要验证agent的推理过程。这种设计来自一个深刻的洞察：现代工作的边界已经模糊了，一个人在一天内可能会从写代码切换到制作财务报告、再切换到规划营销活动。强行用"这是给开发者的"或"这是给非开发者的"来分割产品，违背了AI正在改变的现实。

在功能层面，一些创新尤其值得关注。Artifacts系统让AI不再只输出代码片段，而是完整的可编辑HTML（Sites）、Excel表格、PowerPoint演示。其中Sites尤其有趣——虽然Twitter上很多人吹捧它作为"原型工具"，但Akshay指出一个更重要的用法：Sites本身成为了知识工作的一个新的输出格式。他提到公司财务团队现在用Sites替代月度报告中的PPT和Excel——不是因为Sites更漂亮，而是因为当你有无限灵活的HTML canvas和一个能够理解意图的AI时，信息组织和更新的成本大幅下降。访谈嘉宾展示了一个游戏设计的例子：他用30张手机照片、一个简单的prompt，ChatGPT Work花了7亿个tokens生成了一个完整的可玩网页游戏，包含3D块级放置逻辑和自对弈的AI训练框架。这在一年前是完全不可想象的工作量。

Memory系统是另一个战略性的设计。新的Memory v3和实验性的Chronicle功能让AI能够跨多个对话持久化对用户的理解。特别是Chronicle——它自动学习用户在电脑上做什么，识别patterns——提供了更深层的背景。这在ChatGPT Work中尤其强大，因为所有新对话默认继承用户的memory，使得从ChatGPT切换到Work感觉像是一个自然的延续而非迁移。Akshay说有人甚至看到自己的memory档案时感到惊讶——"我都忘了我做过这个，但记录在这里"——这说明memory不只是记录，还能主动表面隐藏的价值。

关于模型选择，OpenAI的策略是"good defaults, power user options"。他们为Speed/Quality设计了一个单维度滑块（底层是o1-mini到o1的映射），绝大多数人应该用默认配置。但对于那些想要构建可复用工作流的人，可以在Advanced设置中手动调整models、reasoning effort、sub-agent模型等。这里有个有趣的观察：许多power users会告诉模型"用sub-agents"来优化成本和延迟，而Sonnet/Opus的组合（用Sonnet做小任务）被证明既便宜又快。

核心的生产力测量框架也有重大转变。传统的proxy metrics（代码行数、story points）在AI时代开始失效，因为你可能用一个prompt完成原本需要100行代码的工作。Akshay提出的替代方案是"at bats"——衡量团队能否高效地执行从"产生想法→快速构建→收集反馈→基于反馈迭代→验证假设→进入下一个周期"这样的完整循环。这要求管理者非常清晰地定义成功样子，否则很容易把"看起来在做东西"（motion）误当成"真的在朝目标推进"（progress）。这个区别至关重要，因为AI让motion变得极其廉价，任何人都可以迅速生成很多东西，但那些东西中有多少真的推进了目标？

关于未来，Akshay描绘了一个分阶段的愿景。首先是开发者阶段（已完成），他们愿意容忍more friction来换取powerful capabilities。其次是知识工作者阶段（当前重点），这要求更好的UI、artifacts、computer use等能力，以及"show don't tell"的发现机制——通过内部示例和viral moments（比如那个游戏）让人意识到可能性，而非写教程。最后是"everyone"阶段，即使是在个人生活中也能使用（meal planning、找丢失的包裹等）。关键是不要把这些分割成不同的产品，而是统一的foundation with different affordances。