当 AI 开始承担越来越多的执行工作，产品经理、工程师和设计师的价值将如何变化？在 Lenny’s Podcast 中，OpenAI Codex 与 ChatGPT Work 产品负责人 Tara Seshan 分享了她在 AI 产品开发一线的观察。
加入 OpenAI 之前，Tara 曾在 Stripe 工作六年，是该公司最早的五位产品经理之一，也曾负责 Watershed 的产品，并拥有创业及投资机构驻场经历。从成熟的支付业务走进快速演进的 AI 实验室，她发现过去依靠长篇文档、严密推演和精细分工建立的工作方法，正被快速实验、跨职能协作以及人与 Agent（智能体）的共同执行所重塑。
OpenAI 的内部文化：没有秘密的“创始人”实验室
Lenny Rachitsky：你在 OpenAI 工作近一年，实际体验中最让你意外的是什么？
Tara Seshan：最让我意外的是 OpenAI 实际上是“Founder-Led”（创始人主导）的。这里没有自上而下的严格方向指引，每个员工在自己负责的领域都像创始人一样运作，需要为产品寻找 Product Market Fit（产品市场契合点）。
此外，OpenAI 内部并没有藏着 AGI 答案的“秘密房间”。所有关于世界愿景、产品构建和模型运作的想法，都会迅速转化为公开产品或对外信息。这种开放性彻底改变了我的工作方式，让研究到产品的反馈循环变得极快。
PM 的角色转型：从写论文到做实验
图片来源：Lenny's Podcast
Lenny Rachitsky：在这个新时代，产品经理有哪些传统做法正在失效？
Tara Seshan：在变化缓慢的市场（如支付），你可以基于第一性原理进行严谨的战略推演。但在 AI 领域，未来极难预测且变化极快，多产出、重实证远比学术推演重要。
过去，PM 可能像写博士论文一样规划下一步；现在，核心能力转变为精准定位核心假设（Eigenquestion）并用最快方式验证。PM 的本质始终是定义决定产品成败的关键问题，并通过实验获得反馈，这一核心价值在 AI 时代反而更加凸显。
工作范式演变：掌舵而非划桨
Lenny Rachitsky：你如何看待“循环”概念从软件工程扩展到知识工作？
Tara Seshan：未来的工作更像“掌舵”而非“划桨”。Agent 将承担大部分执行（划桨）任务，人类则负责掌控方向、提供判断和调整策略。随着抽象层级的提升，人类将从代码行级别的干预转向目标级别的管理。
最终的决定权仍在人手中，尤其是涉及直觉、立场和对未来的积极决定论时。未来，协作模式将是多位同事带着各自的 Agent 群体共同推进任务，形成一种类似多人游戏的协同工作方式。
此外，软件构建具有艺术性和观点表达属性，如同电影制作。即使工具相同，人与人之间的差异——即独特的见解和表达——将成为区分产品的关键。
基础设施与数据：Agent 落地的关键
让 Agent 真正发挥作用，不仅依赖模型的智能，更取决于数据访问权限、云基础设施和可靠性。如果云端 Agent 无法访问 Google Docs、Slack 或公司数据库，其效用将大打折扣。这就好比雇佣了一位同事却将其锁在没有工具的房间里。
产品设计原则：面向未来两三个月的能力
Lenny Rachitsky：在指数级发展的背景下，如何确定产品开发的节奏？
Tara Seshan：OpenAI 内部有一个共识：产品应面向两到三个月后的模型能力设计。为当下能力开发容易过时，为一年后能力开发则难以落地。团队需与研究部门紧密协作，把握能力演进与实际可用之间的窗口。
正如 Kevin Weil 所言：“这是模型最差的时候了。”这意味着当前是模型能力的低谷，未来只会更强。因此，产品结构应避免限制模型潜力，并随模型升级自动释放新能力。
ChatGPT 的产品整合：从混乱走向统一
Lenny Rachitsky：目前 ChatGPT 界面中存在 Chat、Work 和 Codex multiple 选项，未来会如何演变？
Tara Seshan：北极星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，系统自动选择合适的环境和模型。目前的区分只是过渡阶段：Codex 面向开发者，Work 模式底层复用 Codex 能力但简化了 UI 以适配知识工作者，Chat 模式侧重对话和搜索。
对于拥有数亿用户的 ChatGPT，挑战在于如何让非技术用户自然地被引导至 Agent 协作模式。完成比完美更重要，快速迭代和倾听信号比打磨每一个细节更具价值。
人机协作中的信任与透明度
Lenny Rachitsky：编程和知识工作在 AI 辅助下有本质区别吗？
Tara Seshan：是的。编程是输出导向的，可通过测试验证结果；知识工作是过程导向的，用户不能只看最终生成的 PPT 或财务模型，必须检查数据来源、关键假设和分析路径。
因此，知识工作类产品需注重展示推理过程（Chain of Thought）和引用来源，让用户看见依据并参与判断，从而建立信任。这要求 UX 设计从单纯的对话界面扩展到展示工作过程和中间状态。
图片来源：Lenny's Podcast
保持思维敏锐：区分“思考写作”与“汇报写作”
Lenny Rachitsky：你如何利用 AI 进行写作和思考？
Tara Seshan：我将写作分为两类：
作为汇报的写作：如周报、公告。这类内容可交由 AI 自动化或简化。
作为思考的写作：如战略摘要、观点阐述。这类写作绝不外包给 AI。梳理大纲、撰写、删改的过程本身就是形成判断和理清思路的关键步骤。
为防止“AI 脑腐”，我坚持亲自完成思考型写作的开头和结尾，仅用 AI 辅助研究和数据整理。原型和实验结果正成为比长篇文档更有说服力的沟通方式，因为文档易生成，而可交互的原型和真实测试结果更能验证想法的价值。
此外，保留“粗糙边缘”有助于协作。将完成度约 70% 的想法分享给他人，邀请他们共同打磨，往往比呈现完美成品更能激发建设性反馈。
敢于想象：拓展可能性的边界
Lenny Rachitsky：AI 工具如何改变我们的野心？
Tara Seshan：最有效使用 AI 的人，不是用它自动化重复工作，而是扩展“我能做什么”的边界。如今，每个人都能像全栈工程师一样快速构建原型、设计方案或模拟场景。
OpenAI 内部常问两个问题：“Is this maximally accelerated?”（是否已最大化加速？）和“Are you mainlining it?”（你是否在日常工作中重度使用它？）。这提醒我们不断挑战可能性的上限，并亲自通过高频使用来捕捉产品痛点。
推荐实用技巧：
Sites：用自然语言指令快速搭建个人或团队工具网站，实现 Alan Kay 所说的“个人软件”梦想。
Visualize：直接生成数据可视化图表，讲述数据背后的故事。
结语：人性在 AI 时代的最后防线
尽管工种边界日益模糊，但人类的核心价值依然稳固：
问责主体：对最终结果负责，判断质量是否符合预期。
表达与艺术性：赋予产品独特的观点和情感连接。
人际连接：在团队中激发热情、共同学习和提升目标感。
Tara 引用 Toni Morrison的话作为人生格言：“是你成就了工作，而不是工作成就了你。”在 AI 时代，保持对他人的关怀、对卓越的追求以及对自我身份的独立认知，比以往任何时候都更加重要。
