OpenAI 最近发了一份报告，标题叫《知识工作的下一个时代》，讲的是 Codex 这个工具怎么改变了人们处理复杂工作的方式。读完之后，有几个观点挺值得琢磨的。

1、知识工作者的困境：工具越多，反而越忙

报告先讲了一个背景。现在美国超过40%的劳动力，大约7200万人，每天的工作就是跟信息打交道：分析数据、写文档、做设计、协调沟通、做决策。这个比例在历史上是很新的事情，1850年的时候60%的美国人还在种地呢。

但问题来了。虽然我们的工具越来越多，邮件、文档、表格、聊天软件、项目管理系统一大堆，可大家反而更忙了。麦肯锡的研究发现，知识工作者平均每周花28%的时间处理邮件，将近20%的时间在找信息或者找能帮忙的人。

为什么会这样？因为每个工具都解决了一个局部问题，但整体上没有打通。信息散落在收件箱、文件夹、聊天记录、评论区、会议纪要里，办公室数字化了，却没有一体化。

这个观察其实挺扎心的。想想我们自己的工作日常，是不是也经常在各种软件之间来回切换，花大量时间找东西、等回复、对齐信息？工具本来是帮我们提效的，结果反倒制造了新的摩擦。

2、三种摩擦，吃掉了我们大部分精力

报告把知识工作的日常成本归结为三种摩擦。

第一种是搜索成本。你要找的那个文件、那条数据、那段对话、那个能帮忙的人，都藏在各种系统的角落里，像大海捞针一样。

第二种是协调成本。信息和决策要在团队之间、工具之间、格式之间流转，还得应对组织内部各种不同甚至互相矛盾的利益诉求。

第三种是审批和验证成本。工作做完了还不算完，得让别人认可，得确保它经得起现实检验。工程师要跑测试、做代码审查、部署上线；律师要过合伙人审核、客户确认；科学家要做实验、复现结果。

这三种摩擦加在一起，解释了一个著名的悖论：为什么电脑早就进入了办公室，生产力统计却迟迟看不到提升。经济学家索洛在上世纪80年代就注意到了这个现象，后来布林约尔松给它起了个名字叫“生产力悖论”，并且提出了一个更深层的理论：信息技术只有在组织重新设计流程、技能、管理结构和工作方式之后，才能带来真正的大幅提升。

报告里用了一个很好的类比。电力刚出现的时候，工厂只是把蒸汽机换成了电动机，布局没变，效率提升很有限。直到后来工厂彻底重新设计了车间布局，把小型电动机放到每台机器旁边，生产力才真正爆发。这个过程花了几十年。

知识工作现在就处在这个阶段，还在等待属于自己的那次重新设计。

3、Codex 的定位：把 AI 放到每个问题旁边

报告认为 Codex 就是知识工作领域的那次重新设计。就像工厂把电动机放到每台机器旁边一样，Codex 把 AI 放到了每个待解决的问题旁边。

过去大型组织的架构，是围绕着生产和传递文档的高昂成本建立起来的：秘书池、跨职能团队、层层叠叠的审批链条。Codex 想做的事情是，把更多的主动权交到最需要解决问题的那个人手里。它能帮你找到输入信息，协调工作流程，生产交付物，检查质量，还能追着人要审批。

这个思路其实很有启发。我们平时工作中遇到的很多瓶颈，本质上都是因为“做事的人”和“有能力做这件事的工具”之间隔着太多层。如果每个人都能直接调动 AI 来解决自己面前的问题，很多中间环节就自然消失了。

4、从程序员工具到所有人的工具

Codex 现在每周有超过500万活跃用户，自从桌面端上线以来增长了6倍多。最有意思的数据是，知识工作者采用它的速度是开发者的3倍以上。

数据科学家用它清洗数据集、建模型、自动化分析。财务团队用它对账、做预测、生成报告。设计师用它出原型、做素材。市场人员用它分析活动效果、生产内容、整合客户反馈。

报告里有一组数据特别有意思：每周72%的知识工作者用户在生产各种文档和素材，47%在做工程运维相关的事情，46%在写代码，41%在做研究。软件工作和知识工作之间的界限已经模糊了。产品经理自己搭数据看板，研究员自己写数据清洗脚本，设计师自己把原型交付上线，高管自己搭一个内部工具来对账和生成周报。

这说明一件事：当工具足够强大的时候，人们会自然地突破自己的岗位边界，直接去做目标需要的事情，而不是排队等别的团队来帮忙。

对我们普通人来说，这其实是一个信号。未来的职场竞争力，可能越来越取决于你能不能借助 AI 工具，把自己的能力半径扩大。一个会用 AI 的产品经理，可能比一个只会写需求文档的产品经理，产出效率高出好几倍。

5、从串行到并行：一个人干出一个小团队的活

报告里提到的最关键的行为变化，是从串行工作转向并行工作。大约50%的用户现在会同时跑多个 Codex 任务，一边检查数据集，一边起草脚本，一边组装报告，一边审查应用。用户变成了工作流的调度者，同时推进多条线，而不是一次只做一件事。

这个变化的意义很大。它意味着一个人可以像一个小团队那样运转。报告里举了一个例子，一家叫 Proaction 的五人创业公司，用 Codex 把客户对话直接转化成定制方案、工作流原型和演示 demo，把客户发现、销售和产品开发串联起来，一个五人团队能打出远超自身体量的仗。

想想看，如果你能同时推进三四条工作线，每条线上 AI 帮你干执行的活儿，你只负责判断和决策，那你的产出就不再受限于你一双手能敲多少字了。

6、几个真实案例的启发

报告里有几个案例挺有意思。

一个叫 GroundVue 的公司，帮助政府机构把散落在各种视频、网站和地方平台上的公共会议信息变得可搜索、可比较。美国大概有9万个政府机构，关键信息极度碎片化。用了 Codex 之后，过去需要几天甚至几周才能完成的信息收集和整理工作，现在几分钟就搞定了。

一位数学教授用 Codex 自动化了教学管理系统里最琐碎的工作：更新作业、日历、材料和公告。他估计每周省下四到五个小时，这些时间被他重新投入到了课堂设计中，让学生有更多机会面对面协作解题。

还有一个叫 Luke Xing 的人，左耳有严重的听力损失，市面上的商业软件都没法解决他的具体问题。他用自然语言向 Codex 描述了自己的需求，就做出了一个桌面应用，能测试不同频率的听力并调整音频输出。这个应用不是医疗器械，但它解决了一个高度个性化的问题。

这几个案例指向同一个趋势：人们不再需要等别人来给自己造工具了，越来越多的人可以自己动手造。这对每个人都是好消息。你遇到的那些独特的、小众的、没有现成解决方案的问题，现在有了一条新路径。

7、政策层面的思考

报告最后给政策制定者提了四条建议。

第一，公共机构应该用 AI 来减少行政积压，衡量标准要看老百姓能感知到的结果：等待时间更短、表格更少、审批更快、服务更好。

第二，政府应该把 AI 素养当成基础设施来建设，通过学校、社区学院、图书馆和雇主合作来提供实操培训。

第三，让最了解工作的一线人员来主导 AI 的落地方式。护士知道哪些表格在拖慢护理，社工知道福利发放在哪里卡壳，老师知道行政工作占用了多少教学时间。最高回报的 AI 应用往往是本地的、具体的。

第四，更新政府采购标准，按照实际要解决的问题来买工具，而不是简单地买软件许可证。

这些建议虽然是面向政策制定者的，但背后的逻辑对每个组织都适用：让工具靠近问题，让懂问题的人有权限用工具，然后用结果来衡量效果。

8、一个正在发生的转变

整篇报告读下来，核心信息很清楚。知识工作正在经历一次结构性的变化。过去几十年，我们的工具让生产中间产物变得越来越便宜，但没有减少消化这些产物所需要的注意力。邮件让通信变便宜了，结果通信量暴增；文档协作变便宜了，结果草稿和审阅轮次暴增。我们被淹没在自己生产的东西里。

现在 AI 工具正在改变这个局面。它们不只是帮你更快地生产文档，而是帮你找信息、做判断、跑并行任务、验证结果。离问题最近的人，现在可以直接解决问题了，不用再等排期、等审批、等别人来帮忙。

这个变化才刚刚开始，但方向已经很明确了。谁能更早地学会用这些工具来扩展自己的能力边界，谁就能在接下来的几年里占据优势。这跟你是什么岗位、什么行业关系不大，关键是你愿不愿意把 AI 当成自己的协作伙伴，而不只是一个偶尔用用的搜索框。

#科技先锋官##How I AI#