Inside OpenAI: How OpenAI Teams use Codex to Do More：https://forum.openai.com/home/videos/event-replay-inside-openai-how-openai-teams-use-codex-to-do-more-2026-07-14
大家好，我是晚枫。
周末我看完了 OpenAI 在 7 月组织的一场内部分享，我来给大家整理一下这次分享的内容和其中普通人（不懂技术的人）应用AI的案例。
为什么值得一看？因为这是OpenAI自己的员工以身说法，也就是研发Chat GPT/CodeX的人，告诉大家ChatGPT/CodeX怎么用。
这次分享回答了2个大家都焦虑的问题：
-
不懂代码的人，用Codex到底能做出哪些有用的东西？ -
现阶段AI的能力边界，到底在哪里？
参会的有 6 个人：
-
Ronnie Chatterji：OpenAI 首席经济学家，今年 1 月才加入，是这场分享的主讲人 -
Drew Johnston：Ronnie 的同事，经济研究团队的技术员，这篇论文的主要作者 -
Melanie Appleby：OpenAI 内部的数据科学家，负责让智能体更擅长数据工作 -
Blaine Billingsley：OpenAI 的 UX 设计师，设计师里玩 Codex 玩得溜的那种 -
Ken Claassen：GTM 团队的负责人，手下管着一大帮销售 -
Allie Sandza Wood：这场的主持人，之前在 CBS News
看这个阵容就知道，这场直播不是来聊代码的—— 经济学家、数据科学家、设计师、销售 leader，全凑一起了。
OpenAI 这场分享，最打动我的不是技术多牛，而是一个信号：
AI 不再是程序员的专利。
分享开始，两位经济学家放了一组对比数据。
他们把用户分成三类：OpenAI 内部员工、外部企业账号、外部个人账号。 结果差异巨大：
|
|
|
|---|---|
|
|
|
|
|
|
|
|
<1% |
同一个工具，在 OpenAI 内部几乎人人用，在外部个人用户里连 1% 都不到。
首席经济学家Ronnie Chatterji给了一个关键判断：
这不是会不会的问题，而是用不用的问题。
技术早就 ready 了。卡住的，是组织认不认同、团队愿不愿意试、有没有人带头。
为什么 OpenAI 内部能做到 95%？Drew 在分享里点过几个原因： 团队里有"推广者"主动分享工作流； 领导明确鼓励大家试验； 身边全是用溜了的人，同事间聊两句就学会了。
说白了，不是因为他们更聪明，是环境把"试一下"的门槛压到了地板。 一旦有人带头、氛围形成，连法务和 HR 都跟上了。
更夸张的是速度——OpenAI 内部研发岗去年底就饱和了， 结果一个季度内，财务、招聘、法务这些"非技术"职能全跟了上来。
有些部门，两三周内就从"主要用聊天 AI"切到了"主要用智能体"。
不是能力突然有了，是一旦有人带头、愿意重思工作流，转变快得吓人。
接下来是案例分享，再次强调一下，以下这些案例都是不懂代码的人做出来的。
1、首席战略官：不会写代码的人，用 AI 搭了个网站
OpenAI 当时发了个"研究交流计划"，对外征集项目提案， 一下收到 500 份申请，全堆在一个巨大的 Excel 表格里。
有的申请好几页长，硬挤在一个单元格里。 团队读得眼睛要瞎，也没人想过"要不建个网站吧"——
建站这种事，在以前是程序员的活。 整个团队没人会写代码，这事想都别想。
然后他们的首席战略官出手了。
这位首席战略官不技术、零编程经验。 但她把那个 Excel 丢给 Codex，说我要一个能看提案、能评审、能打分的网站。
结果你们猜怎么着？网站出来了：
-
每份提案 inline 展开，不用再戳单元格 -
附件直接挂链接，一点就开 -
评审能在网页表单里打分、写评论 -
分数自动回填到原表格
这个网站，没有 Codex 根本建不出来。 而建它的人，连一行代码都没写过。
经济学家在分享时点了一个词：劳动总量谬误（lump of labor fallacy）—— 人能干的活，其实没有上限。
以前给 500 份申请，团队只能硬着头皮用表格扛，痛苦但"能交差"； 现在有了 AI，直接把评审体验拉满。活儿没少，但"做不到"变成了"顺手做"。
普通人的岗位边界，正在被 AI 模糊掉。
2、数据科学家："查数 2 天"到"一睁眼报告已经写好"
这个例子，可能是离大多数人最近的一个。
数据科学家 Melanie，她们团队每周要出一份 KPI 指标更新： 什么变了、为什么变、下一步干嘛。
传统流程里，这份报告要 1-2 天—— 查数、排查指标波动、结合业务背景、做成能给人看的版本。 说白了，大部分时间是在"组装"报告，不是"思考"报告。
Melanie 的做法：把 Codex 连上所有工作系统—— 数据仓库、BI 工具、实验平台、Google Drive、Slack。 然后只说一句结果级的话：
"产出本周的 KPI 更新。"
Codex 自己协调全流程：调数据、对比周环比、 找出最大波动的贡献者、生成图表和报告。
它甚至能回答"为什么"——因为连了实验平台，它不止说"指标降了"， 还能去查实验结果，告诉你"欧洲收入下降是因为某实验停了"。
她还把"哪些指标重要、怎么定义、可信数据在哪" 写成了一个团队共享的"技能"——Northstar KPI Context。
跑顺之后，她设了个定时自动化：每周四早自动跑新鲜数据。 一开工，初稿和 Slack 摘要已经在等她了。
她的角色，从"组装报告的人"变成了"审查报告的人"。
她原话：这过程不是让决策自动驾驶， 是我从组装变成审查，把省下的时间，拿去想真正需要人判断的问题。
你每周那点"固定汇报"——销售数据、项目进度、客户跟进—— 本质是同一种活：查数、排版、发群。 把它交给 AI 跑通一次，之后定时出，你就从"组装"变成"看一眼"。
3、设计师：不用再为 80% 的机械活熬夜
设计师 Blaine 的玩法，更像一个爽文男主。
有个模糊想法——"想在 ChatGPT 里加个日历功能"，但不知道长啥样。 放在以前，这得先手绘草图、再做高保真、再给工程师评审， 来回改个七八轮，一周就过去了。
Blaine 的做法：直接丢给 Codex，让它先探一轮。
Codex 因为提前喂了 OpenAI 的设计系统规范 和每个生产流程的截图，生成的 mock 一看就像 ChatGPT 亲生的。
满意了，让 Codex 做成可交互原型； 再开个注释功能，把想法和吐槽直接标在页面上，丢进队列，Codex 实时改。
他说，这让他终于能专注在"真正设计"上—— 这个东西想要什么、什么感觉好。
至于查 Figma 底版、找图标、调设计系统？ 那些机械活，AI 替他干了。
做完还能一键发网站，或者让 Codex 做个 GIF 丢进 Slack 收反馈。 设计闭环，从几天压到几分钟。
4、销售：一个人顶了一整个团队
最夸张的是销售 leader Ken。
他带一个挺大的 GTM 团队。按以前，他需要三个人伺候： 数据分析师、系统工程师、运维。
过去一年，他基本一个人 Solo 搞定了，靠 Codex。
他的 Codex 连上了 Salesforce、Outreach、Slack、GONG 所有主系统。
每周一早 9 点，一份自动化报告在等他： 含新鲜数据、团队规模化表现、异常预警。 以前这种报告要依赖笨重的 Salesforce 报表， 底层数据一变就得手动改；现在 Codex 自己查最新信息、自己适应。
他还有个 2400 词的"BPO 技能"—— 把自己业务里要知道的每件事都写成了技能。 出错了就更新技能，永不再犯。
以前做个外联邮件序列要几小时，现在 Codex 5 分钟从零出一套基本完美的。
他说了句特实在的话，我直接抄在我的笔记本里：
给 AI 的上下文越多，它越像入职良好的同事。 你要是只说"去干，我不说好坏标准"，同事也做不好。
这四个角色横跨了一家公司的所有关键岗位： 战略（高管）→ 数据（专业岗）→ 设计（创意岗）→ 销售（前线岗）。没有一个是专职写代码的，但没有一个不用智能体。
这4个案例，拆解开来，底层逻辑其实就三件事：
第一，Skills 把隐性知识显性化。团队里"周报要加粗小标题、格式必须这样"这种说不出但大家都在守的规矩， 以前靠老人带新人，口口相传。现在写成技能，新人直接复用，门槛清零。 OpenAI 内部 Skills 使用量，今年以来暴涨。
第二，并行化 = 新操作系统。OpenAI 内部约 10% 的用户，某周峰值同时跑超过 10 个智能体—— 一个查数据、一个清代码、一个校论文。头衔是个人贡献者，干得像个经理。 经济学家说：像经理一样把工作分到各线程，是 AI 时代宝贵的软技能。
第三，上下文 = 入职培训。你给 AI 的上下文，就是带新人那套 onboarding。给得越细——你的工作是什么、什么算好、什么算坏——它越懂行。Ken 那句"带新人"的比喻，精准到可以直接当方法论用。
把这三点串起来，就是 Ronnie 总结的那句话：从聊天机器人，到推理，到智能体——我们不再是"问答案"，而是"委派工作"。
给大家的 3 个行动建议
把这些搬到咱们身上，三个方向能直接用：
第一，从最烦的任务开始。Melanie 说，不确定怎么开始？就问最"登月"的问题，再找失败点解决。 或者更简单——你工作里最烦的那个任务，让它帮你解决、自动化。
第二，别怕不会编程。首席战略官、销售 leader 都没写代码，但他们把"想要什么结果"说清楚了。 AI 时代，把需求讲明白，比会写代码更值钱。
第三，把重复工作流变成自动化。Ken 把任何频繁做的事都变成自动化。 你每周都干的活——周报、数据汇总、客户跟进——值得让它定时跑，而不是每次手动来一遍。
落到具体场景：
-
做自媒体的：把"每周选题汇总"写成技能，让 AI 定时扫热点、出清单，你只挑要写的 -
做表格的：像那位首席战略官，把堆积如山的 Excel 丢给 AI，让它变成能筛选、能留言的网页 -
写周报的：学 Drew，让 AI 扫你日历、聊天记录、任务工具，自动出一页纸
你看，这些事没有一个需要你会编程。
这个 gap 不会一直这么大
回到开头那组对比：内部 95%，外部个人不到 1%。
这个 gap 不会永远这么夸张。 OpenAI 自己就是个"未来预览"——经济学家说"我们像在活在未来"，意思是这套工作方式迟早会外溢到普通公司、普通人身上。
你现在开始试，不是赶时髦，是提前站上那班车。 等身边人都在用的时候，你早就跑顺了。
那个连代码都没写过、却建了个网站的首席战略官，可能就是未来的你。
这也和我和图灵社区合作的AI课程，思路完全一致！不懂技术的人就应该从实战中循序渐进的学习AI。
从一个雄心勃勃、或者特别头疼的问题开始，把上下文给足，剩下的，交给AI。
毕竟，连 OpenAI 的首席经济学家都说是 Codex 帮他写的一对一纪要—— 他自己，一行代码没写。
所以别再拿"我不会编程"当借口了。
AI 时代最值钱的，不是写代码，是把一件事讲清楚的能力—— 你想达成什么、什么算好、什么算坏。 把这三句话说明白，剩下的交给 AI 去跑。
劝了无数次，不想再劝了：去用，去无限进步！
还不会用 or 想更深入使用 CodeX的朋友，OpenAI也免费发布了官方教程⬇️