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？在这期 Lenny’s Podcast 中，负责 OpenAI Codex 与 ChatGPT Work 产品的 Tara Seshan，分享了她在 AI 产品开发一线的观察。
加入 OpenAI 之前，她曾在 Stripe 工作六年，是公司最早的五位产品经理之一，也曾负责 Watershed 的产品，并有过创业和担任投资机构驻场创业者的经历。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起来的工作方法，正在被快速实验、跨职能协作和人与 Agent 的共同执行重新塑造。
以下是她在本期对话中的主要观点：
- AI 产品应该面向两三个月后的模型能力设计。 围绕当下能力开发，容易在模型升级后过时；押注一年后的能力，又可能迟迟无法落地。产品团队需要与研究团队紧密协作，把握能力演进与实际可用之间的窗口。
- 产品经理的核心价值，正在向定义问题和验证假设集中。 在高度不确定的市场中，长篇战略推演的作用下降，找到决定产品成败的关键问题，并用最快的实验获得反馈，成为更重要的能力。
- 未来的工作更像掌舵，Agent 承担越来越多划桨的任务。 人可以把更完整的任务交给 Agent，在关键节点审阅、反馈和调整方向，把精力投入目标选择、产品判断与最终责任。
- Agent 将从一次性的助手，走向持续协作的同事。 下一阶段的工作方式，可能是多位同事带着各自的 Agent 共同推进任务，协作界面也需要从个人对话扩展到团队共享的工作过程。
- Agent 能否真正发挥作用，同样取决于数据、权限与基础设施。 即使模型足够聪明，缺乏文档、数据库和业务系统的访问能力，也很难完成实际工作。可靠执行需要智能与工程条件共同支撑。
- 产品的长期目标，是让用户直接表达任务，无须理解底层模型和运行环境。 Chat、Work 与 Codex 的区分，在她看来属于过渡阶段；理想体验是系统自动选择合适的能力和界面，帮助用户完成工作。
- 知识工作需要让用户看见依据与过程。 一份漂亮的 PPT 或财务模型不足以建立信任，用户还需要检查数据来源、关键假设和分析路径，并在过程中参与判断。
- 她愿意把汇报交给 AI，但坚持亲自完成用于思考的写作。 对她而言，组织语言、删减和修改本身就是形成判断的过程；AI 可以帮助研究、整理数据和挑战观点，思考的起点与最终判断仍由自己把握。
- 原型和实验结果，正在成为更有说服力的沟通方式。 当长篇文档可以轻易生成，可交互的产品和真实的测试结果，更能帮助团队理解一个想法、检验它是否值得继续投入。
三个时代与一间没有秘密的实验室
Lenny Rachitsky：今天的嘉宾是Tara Seshan。她在OpenAI负责Codex和ChatGPT Work的产品。这是目前增长最快、对知识工作者来说最重要的AI产品。Tara和Andrew Ambrosino是搭档，Andrew之前也来过我们的播客，是她的引擎经理。加入OpenAI之前，Tara在Stripe工作了六年，是前五位产品经理之一，多年间被评为整个Stripe组织中最顶尖的三位产品经理之一。她还曾在Watershed负责产品，自己创过业，也是Thiel Fellow。最重要的是，Tara曾是我们Lenny’s Newsletter Fellows项目的三位成员之一，接下来，有请Tara Seshan。Tara，非常感谢你能来，欢迎做客播客。
Tara Seshan：谢谢你，Lenny。非常高兴能来，见到你真好。
Lenny Rachitsky：我更高兴。你在OpenAI差不多一年了，在大多数地方这很短，但在AI领域，这已经像是过了一辈子。
Tara Seshan：是的。
Lenny Rachitsky：想象一下，你加入OpenAI时，应该对在顶级AI实验室工作有一定的预期。我很好奇，实际在OpenAI工作，最让你意外的是什么，好的坏的都可以聊聊。
Tara Seshan：OpenAI的很多工作体验让熟悉，因为我之前也在高速增长、人才密集、高强度、超速扩张的公司待过。比如“同事都很优秀”或“紧迫感很强”这些都很熟悉。但最让我意外的是，我过去工作过的所有公司都是创始人主导的，而OpenAI实际上是“Founder-Led”——公司里的每个人，尤其是在自己负责的领域，本质上都像创始人一样。OpenAI自上而下的方向指引非常有限。
刚到公司时，这既让我欣喜，因为我之前也创过业，能继续以创始人的心态去打造产品领域和团队；同时，我和市场之间的距离非常近，不像在大公司那样，可能会感觉不到用户的真实需求。但在OpenAI完全不会，你需要像创始人一样，为产品找到Product Market Fit。但反过来说，更让我意外的是，我原以为OpenAI内部有一套秘密战略宝典，就像以前公司里的“支付圣经”一样，告诉你我们怎么思考支付和运营。但实际上，OpenAI非常开放。所有关于“世界应该是什么样”、“产品应该怎么建”、“模型应该怎么运作”的想法，都会很快变成公开产品的一部分，或者公开对外传递的信息。这既让我惊喜，也彻底改变了我自己的工作方式。
Lenny Rachitsky：也就是说，并没有一个藏着AGI的秘密房间，里面放着一切答案的总体规划。
Tara Seshan：至少我不在那个房间里。但真正让我受启发的是，OpenAI做的事情几乎立刻就能让用户在产品里感受到，这个循环比我见过的任何地方都快。
Lenny Rachitsky：你之前在多个地方担任产品经理，是资深的PM领导。在这个新时代，你觉得有哪些东西正在失去？
图片来源：Lenny’s Podcast
PM 的生死转型——从写论文到做实验
Tara Seshan：当市场相对静止或变化较慢时，你确实有机会做一些宏观战略层面的工作，因为可预测性更强，你至少能理解所有变量。比如支付市场虽然也有动态，但已经比较成熟，你可以说：“如果我是这个批次，竞争对手可能会拿那个批次”，然后基于第一性原理严谨推演下一步。在那个市场里，赢家必须比其他人思考得更严谨，否则就会显得草率，因为很多决策其实是可预见的。但在这个市场里，未来会是什么样极难判断，变化非常快，极度动态，而且最重要的一点是必须紧密跟随研究进展。所以，多产出、重实证远比做学术推演或理论构建更重要。
我以前待过的很多公司都是学术和理论导向很强的。从写长篇推理论证文档，几乎像博士论文一样去规划下一步，转变到“怎么尽快做出能试、能测的东西”，这个转变一开始非常冲击。我甚至会想：“我是不是不够尽责？不够深思熟虑？不是应该把一切都想得很透彻吗？”但实际上，你必须去试、去学。这意味着你需要做的思考，是尽可能精准地定位你的核心假设，而定义这个假设是最重要的。用Shishir Mehrotra的话说，就是找到那个“Eigenquestion”——最关键、最值得验证的一个问题。除此之外，任何你构想的大战略都不相关。
Lenny Rachitsky：我想多听听这个，因为很有意思——这几乎是PM角色中不变的部分。很多事情在变，世界在变，但这一点反而更重要了。具体来说，你觉得大家应该更关注什么？
Tara Seshan：PM这个角色有很多表面的东西，比如按时推进执行、写各种文档和PPT等等。但它的核心始终是：关于你的产品，最本质的问题是什么？什么将决定你的产品成功与否？你如何验证它？如何审视结果，并将其反馈到假设的优化和再测试的循环中？这始终是PM的工作。它当然包括理解用户、理解市场、理解技术，把这三者结合起来，形成最犀利的假设，然后以最快最有效的方式去验证。这一点不仅没有变，反而成了公司里最重要的能力。工程经理、工程师、数据科学家、设计师都在这样思考。所有人都把精力集中在这个极其重要的问题定义和测试循环上——我们到底在做什么，怎么知道它是否有效。从PM的视角来看，这很好，因为PM一直擅长做这件事，这本来就是工作的核心，而其他很多表面的东西反而被剥离了。
掌舵，而非划桨
Lenny Rachitsky：你提到了循环。最近推特上关于循环的讨论很多，知识工作领域也在广泛讨论。我理解中的循环，本质上就是AI拿到一个目标，然后自己去迭代执行，直到达成目标。你怎么看待循环这个概念从软件工程扩展到产品管理，再到所有知识工作领域？你觉得这会成为现实吗？
Tara Seshan：未来的工作会更像“掌舵”而非“划桨”。会有Agent可以和你一起工作，它们负责大部分的划桨工作，而你的角色越来越转向掌控方向、指引航向。而且这个掌舵的层级可能会越来越高。从“我写一行代码，按Tab键”，到“我指挥一个更综合的任务”，再到目标层面，甚至更高。掌舵的抽象层级会不断上升。
但最终，决定方向、根据反馈和新数据调整下一步方向的，仍然是人。掌舵的一部分当然来自数据，但很大一部分来自有立场的判断。有时候我们低估了直觉的力量，甚至低估了那种“我希望未来如此”的积极决定论。比如，我希望产品长这样，不是因为反面策略不可行，而是因为我希望世界朝着我推动的方向演变。至少目前，这种判断仍然需要人来做。所以循环很好，让Agent在越来越大的循环里做更多的划桨工作也很棒，但当下你仍然需要掌舵。而且未来的工作可能还会是，你和你的同事一起，带着各自的Agent群体协同工作，把其他人也引入你和Agent之间的互动——Agent在划桨，你在掌舵——这种协作方式非常有价值。
Lenny Rachitsky：这个比喻很有意思。我想到两点。第一，如果大家都能用同样的工具，区别就只剩下人了，否则我们都只是在造同样的东西。每个人都可以问“怎么赢？怎么做？”而那个不公平的优势几乎就是人脑本身。
Tara Seshan：这让我想到时尚。确实有功能性的衣服，谁穿都行，能解决问题。但穿衣这件事，很大一部分在于你想表达什么样的个性，或者你想向外界传递什么。而它的吸引力，很大程度上来自于与他人的差异。我穿这件衣服之所以能表达某种态度，正是因为它可能和别人不一样，或者表明我属于某个群体。我们做的产品也是如此，充满了观点和艺术性。Patrick Collison或者John Collison有一句关于软件的话说得很好：软件不像房地产，投钱就能产出价值。它更像电影制作，花很多钱拍电影，并不能保证电影成功或好看。这里面有导演的表达，有观点，有艺术性。这取决于你——或者你的团队——对产品有没有独到的见解要表达。
Lenny Rachitsky：Marty Cagan经常强调一个观点：当你有一个产品想法或对未来的构想时，很少能一开始就想对。你需要经历一个过程，去弄清楚它到底是什么。你刚才说的也是这个意思——你必须通过人的过程去理解它究竟是什么，以及人们真正想要什么。永远不可能从一开始就说“好，就按这个做”。
Tara Seshan：没错。而且这些循环越来越快。所以，你能不能快速形成直觉、获取形成直觉所需的信息，然后用这些信息和同事、Agent一起付诸行动，这才是关键。
Lenny Rachitsky：我想问问，你觉得知识工作者下一步的工作方式会怎么演变？不仅你们能用到最前沿的工具，而且你的同事们也是全球最懂AI的人。大家内部的工作方式，有哪些会在未来三到六个月成为更普遍的常态？
Tara Seshan：有两个方面。第一，继续在越来越高的抽象层级上与Agent协作，让Agent独立完成更多工作，你提供掌舵，然后让它继续运行。人们越来越倾向于把Agent看作持久化的队友或同事，可以和它们一起工作——就像和团队同事协作一样，他们先做一堆工作，你给反馈，他们再继续。你在不同的节点同步进度、查看进行中的工作、给出更多反馈。这种同事模式感觉会是未来的方向，也是更自然的交互方式，我们内部已经看到很多这样的实践了。第二，目前我和Agent的协作大多是一对一的，我和我的Agent一起工作，它可能再生成一些子Agent来完成任务，但这是我和我的Agent之间的事情，可能和同事的Agent是割裂的。以前内部有一阵子，大家会在Slack里互相发Codex线程的截图，“我这样算出了这个数字，给你看看我怎么做到的。”但这也不是最自然的协作方式。随着越来越多的工作由Agent完成，我们不应该能够和各自的Agent一起协同工作吗？什么样的交互界面最自然？这些是我们正在思考的问题。
Lenny Rachitsky：我脑子里浮现的是聊天。很有道理——“这是Tara的Agent，这是我的Agent，她做了些分析，我的Agent去检查一下，确保没问题，并且和我的思考方式一致。”
Tara Seshan：理想状态下，工作就像一场多人游戏，所有人一起推进，掌舵自己的Agent，而Agent负责越来越多划桨和执行层面的任务。
Lenny Rachitsky：有意思的是，这其实是一个逐步建立信任和认知的过程。“好吧，你可以工作更长时间，你可以承担更多任务。”关于AI发展速度，有“慢速起飞”和“快速起飞”的讨论，很多人担心快速起飞——AI变得太聪明，人类就麻烦了。现在看起来更像是慢速起飞，这也是好事，它在逐步迭代。虽然感觉上也没那么慢，但至少还没到300 IQ的AI。
Tara Seshan：模型确实非常聪明。但让Agent能处理更长时间、更高抽象层级的任务，不仅有智能层面的因素——比如它们能多聪明、能多持久地执行任务——还有很多非常实在的战术因素。Agent能本地运行就很方便，因为可以直接访问你机器上的所有数据。要让云端Agent成功，你需要大量的云基础设施，还需要让Agent能访问你的各种系统——Google Docs、Slack、公司数据库等等。就像你雇了一个同事，把他锁在房间里，不给他任何工具和数据访问权限，那也没用。同样，一个与外界隔离的云端Agent也不会有效。所以，让Agent真正有用的，除了智能，还有很多看似普通的——数据访问、云基础设施、可靠性——这些东西听起来不如智能问题那么宏大，但它们的实际效果同样重要。
能力触手可及，最难的是敢想
Lenny Rachitsky：这引出了另一个在播客里经常被提到的话题——Ambition。我知道你也经常思考这个。有了AI工具，我们不仅能够更敢想，而且几乎必须更敢想，这对很多人来说并不自然。因为现在那些简单的事情大家都做得很轻松，困难的事情也变简单了。真正能把人和公司区分开的，就是他们有多敢想。谈谈你对这个“需要并出现更敢想”的看法吧。
Tara Seshan：我们看到那些最能有效使用AI工具的人，并不是仅仅用它来自动化重复性工作，而是用它来扩展自己能做的事情范围。以前，“独角兽”式的人才是指那些既懂产品、又会写代码、还能做设计的人，因为他们能减少不同职能间的翻译成本，快速独立地构建和迭代东西，然后再和团队协作。最吸引人的地方——也是我自己在尝试做到的，以及我最成功的同事们做到的——就是用这些工具真正扩展“我能做什么”的边界，让脑海里更多的东西变成现实，就像以前那种全栈型的人一样。现在我们几乎都拥有了这种超能力：我可以快速生成一套设计方案、搭建一个原型、找到合适的定价模型、模拟所有场景。可能性大幅扩展了。这意味着，回到之前电影制作的比喻，我可以更像一个导演，更高质量地实现自己的愿景。
这就是提升目标感的一部分——在探索新想法和新产品时，因为所有这些能力都触手可及，你不再被自己能执行什么、能表达什么所限制，你能做的事情可以更广。最难的部分其实就是拓展你的思维。能力已经大幅提升，真正需要的是在极短的时间内重新想象什么是可能的。最好的方式就是看Patrick Collison的网站patrickcollison.com/fast，里面列了很多在极短时间内完成的、极其大胆的项目。而在我看来，现在这些项目更值得关注的是，它们都是在AI工具出现之前完成的。现在你可以几乎立即学会怎么构建东西，一句话问AI“能不能帮我快速总结这篇复杂的文章”，或者“能不能帮我做个CAD模型”。以前真正遥不可及的能力，现在已经触手可及。如果这些“fast”项目在以前的能力下都能实现，那么在AI的加持下，这种极其快速、极其高效的项目数量难道不应该指数级增长吗？
Lenny Rachitsky：正如你所说，最难的部分其实是记得去尝试——“哦对，让Codex帮我做做看。”这只是一个新习惯，我们需要在大脑里建立它。
Tara Seshan：Tyler Cowen说过一句话：大多数人低估了去问别人“你做这件事有没有更大胆的版本？”或者“你能不能更快一点？”“能不能把规模扩大十倍？”带来的影响。所以，当我思考PM现在最能发挥价值的地方时，提升他人的目标感，提醒大家什么是可能的，是PM工作中非常重要的一部分。当有人说“可以这样完成”“可以按这个时间线完成”“这是第一个版本”时，你的部分职责就是提升所有人的目标感，问他们：“实际上，可能性的上限是不是高得多？我们是不是应该更敢想？能不能更快地试一次？”这是一个很好的状态——无论是你能构建什么、什么是可能的，还是这份工作本身有多激动人心。
Lenny Rachitsky：这太有意思了。我记得Nick Turley之前来过播客，他可能是你之前的角色，现在在做Enterprise方向。他内部有个梗叫“Is this maximally accelerated?”
Tara Seshan：对。
Lenny Rachitsky：Slack里还有个表情，好像是——“Is this maximally accelerated?”
Tara Seshan：“Is this maximally accelerated”确实是OpenAI的内部梗。另一个我和Andrew Ambrosino经常问团队的梗是：“你开始mainline它了吗？”也就是：你是不是整天都在用这个产品来完成你的工作？这两个问题结合起来——一个是关于目标和规模，即“Is this maximally accelerated？”——我们是不是在尽可能快地推进？另一个是“你开始mainline它了吗？”——你是不是在亲自使用它、把你的品味带到产品里，判断它是不是真的好用、是不是真的有人需要，并尽可能缩短反馈循环？这三个梗，就是我们做产品开发时需要不断传播的理念。
Lenny Rachitsky：太喜欢了。这就像是新的dogfooding——不叫dogfooding了，叫mainlining。
Tara Seshan：对，就是这样。
Lenny Rachitsky：这也深刻体现在你们团队的推文里，我主要通过推文了解你们的动态，能看出大家对产品有多痴迷，不断在问“还能改进什么？”“现在有什么问题？”“我们在做这个”。很明显，就像你之前说的，每个人都像自己产品的创始人，行动方式也像外部观察者。内部还有其他梗吗？这些太有意思了。
Tara Seshan：我想想还有没有其他好的文化梗。当然有一个很重要的梗就是“感受AGI”——时刻意识到AGI正在到来。AGI的未来有很多种可能，但驱动公司里大多数人的核心信念是：让AGI对人类有益，并为此付出一切。在产品开发中，我脑子里还有一个不断回响的念头：“我们是在为未来两到三个月的模型能力做产品吗？”为当下模型的能力做产品会失败，为一年后模型的能力做产品同样会失败——两种做法一样糟糕。如果做早了，你错了；如果做的东西过度依赖过去模型的能力，你也错了。唯一可行的时间窗口是两到三个月。所以这个梗就是：模型会越来越强，我需要把模型能力作为产品的核心。我构建的产品结构要避免限制模型的能力。怎么确保它符合两到三个月后的模型能力？
Lenny Rachitsky：你怎么知道两到三个月后会是什么样？尤其在指数级发展的背景下，这很难判断。是凭直觉吗？还是研究员会给你一些方向？具体怎么操作？
Tara Seshan：和研究机构保持紧密沟通，了解他们认为模型会往哪个方向发展，这非常重要。这些东西并不完全是黑箱，你知道“我们正在关注这些特定方向，希望模型在编码的某些方面更好”或“在写作的某些方面更好”。所以我们会聚焦于让模型在特定能力上提升。了解这些方向，确保产品开发和研究的路线图紧密对齐，非常重要。
Lenny Rachitsky：我记得Kevin Weil来播客时，他说过一句话我永远不会忘——那时他还是CPO——他说：“这是模型最差的时候了。”听起来很简单，但很难真正接受这个事实：这是模型最差的时候了。现在这几乎成了老生常谈，但它是真的。太离谱了。这真的是——
Tara Seshan：太离谱了。真的。
Lenny Rachitsky：好吧。我想聊聊ChatGPT应用。我现在就开着。Tara，这里面有个下拉菜单，有ChatGPT和Codex，还有一个Chat和Work的切换。这些都是什么？帮我们理解一下每个是做什么的。你觉得它会一直这样吗？还是说已经有下一步的设想？
从混乱到合一——ChatGPT 的三种模式与一个消失的切换开关
Tara Seshan：我们的北极星是：用户不需要在这些选项之间做选择。理想情况下，这里没有任何切换。你只需要在输入框里输入任务，比如“我想做一个非常棒的应用，能帮我的播客嘉宾在上节目前做研究”，然后它就会自动选择正确的环境和模型来完成。理想情况下，用户不需要自己选择这些概念，也不需要理解我们产品的限制和能力。这是我们的目标。
短期来看，在ChatGPT和Codex之间切换，其实是选“你更想在偏开发的UI里操作”还是“在ChatGPT模式下获得同样的能力”。如果你是Codex用户，继续用Codex就好了，你没有错过任何东西；但如果你是ChatGPT用户，想体验这些新的Agent能力，那就应该用ChatGPT模式。在ChatGPT模式里，如果你想对话、想搜索，就用Chat模式，还是你熟悉和喜欢的那个Chat模式，只是模型越来越好、能力越来越新。但在Work模式下，底层其实就是Codex，我们去掉了部分编码UI，你不会看到Codex的Work Tree弹出来，但它有同样的执行能力——比如生成一个复杂的财务模型。我们看见很多团队，特别是财务团队，用Work模式做到了以前要么靠手动、要么依赖少数专家才能完成的事，现在整个团队都能做，或者大幅提升了团队的效率边界。
Lenny Rachitsky：清楚了。所以现在有三种模式：工程模式、Chat模式、知识工作模式。知识工作模式底层其实是Codex在做事，但用户可能不知道Codex是什么，或者可能对它有距离感。Work模式里除了Codex，还有别的吗？因为这一点很有意思——是不是有额外的调整让它体验不一样，还是说只是UI略有不同？
Tara Seshan：主要是在UI层面。Work模式和Codex模式，如果你去Codex里让它生成一个财务模型来定价产品，或者预测未来六个月的收入，Codex和Work模式做得一样好。区别在于执行过程中你看到什么样的UI、展示什么样的思维链和技术细节。它同样强大。Codex用户不用切换模式也不会错过任何东西——事实上我们也不希望他们切换。继续用Codex，做所有你想做的事，我们会根据你的任务展示相应的UI。我们的北极星就是合并所有这些，让用户不需要做任何选择。现在的区分，更多是希望尽可能贴近用户的使用习惯和熟悉度，确保每个人都能享受到Agent带来的能力——这已经彻底改变了开发者的工作方式。知识工作也应该如此。
Lenny Rachitsky：有道理。因为变化太快，我可以想象有人会说“来试试Codex，肯定很厉害”，然后它火了，月活上千万，然后大家才开始想“等等，我们这是在做什么？有ChatGPT，有Codex，怎么整合……”所以这并不奇怪。它不会一下子就很完美，因为需要根据实际情况调整。总会有一个过渡期——好了，现在要把大家引导到那个“超级应用”的愿景上去。好的。我想象一下，你工作中最困难的一部分可能就是平衡这个拥有数亿月活的产品ChatGPT——可能是历史上最成功的消费产品——和Codex这个新产品，还有其他你们想尝试的新东西。你怎么看待这种平衡？一边是非常创新、快速迭代的团队和产品，另一边是上亿人在用的产品，不能做太大的变动？
Tara Seshan：这里有一个很有意思的点：在ChatGPT Web和桌面应用里推出Work，把这些整合在一起，目标之一就是让那上亿ChatGPT用户逐步体验到Agent的能力。如果把第一代AI产品看作聊天，第二代产品显然是与Agent协作——目前主要是编码Agent。我们希望把这个带到更多领域，比如知识工作。这就是让这些用户获得Work能力的目标。当然，我们面临的产品挑战是：不仅要让他们能用，还要让他们觉得自然、易于上手，不需要做额外的选择——我们能帮助他们自动完成正确的事。怎么让事情变得简单，让用户不需要去理解那些“环境”之类的复杂概念？这是主要的挑战。
然后，可能很快到来的第三代，就是如何和一个能够和你一起完成任务的持久化同事协同工作，甚至可能是多人协同。所以短期的挑战是：我们正在把Agent带给上亿从未接触过它们的用户，怎么用最简单、最自然、最好用的方式做到？肯定还有很多工作要做。但这也让我学到了一点，可能和以前的经验形成对比——以前打磨是王道，每个UI交互、每个细节都要做对，否则就不如不发布，因为时间对结果的影响没那么大。但在这个时代，真正有说服力的产品，尽早让用户用到比完美更重要。那种紧迫感、那种把产品推向市场的意义，非常重要。所以对于Chat用户来说，我们还有很多工作要做，让它更易用，特别是对那些可能不把它用于生产力、而是用于日常消费场景的用户。但完成比完美更重要，我们还有很长的路要走。
Lenny Rachitsky：我记得这个App刚发布时，很多人反馈说搞不清楚。但看到你们团队快速迭代、响应用户反馈，正是你所说的——先发出来，搞清楚什么问题、用户怎么用、快速迭代。感觉这就是现在的模式。
Tara Seshan：当然，在发布前你仍然可以做很多迭代和收集反馈，我们也能而且应该做得更好。但无论发布前还是发布后，快速迭代、倾听正确的信号都是关键。
Lenny Rachitsky：我在推特上注意到一个变化：过去几个月，从Claude Code到Codex的转变很明显。以前大家都在说Claude Code，现在越来越多人倾向于Codex——至少推特上是这样，虽然推特是个泡沫，但那里确实聚集了很多技术人。我想知道，除了Tara加入并带队之外，过去三到六个月内部发生了什么变化？有什么可以分享的吗？比如“我们搞定了这个、调整了那个、砍掉了那个”之类的？是什么让Codex变得这么成功？
Tara Seshan：有一句话叫“开悟前，挑水砍柴；开悟后，挑水砍柴。”Codex团队从最初搭建产品、开始迭代时，就一直非常注重用户、注重迭代循环，非常重度地Dogfooding，尽可能Mainline应用来把一切做好。后来外界和用户开始注意到这些变化，其实只是市场逐渐跟上了节奏。内部的工作方式并没有变。大家仍然在使用这个应用，每个开发者都在用它做开发，不断解决自己的问题，也倾听公司内部和外部用户的问题。比较了不起的是，工作方式一直没变，始终是我刚才说的：我们在不断提升目标吗？我们在最大化加速进展吗？我们在Mainline它吗？用户和推特上的朋友们能注意到，这很好，但这一切归功于团队——他们的运作方式没有变过。
Lenny Rachitsky：这个回答有意思的地方在于，它强调了非常人性化的一面——你、Andrew、Tibo，整个团队对用户和产品的痴迷。不是AI本身起了作用，而是人起了作用。
Tara Seshan：团队值得所有的赞誉。每个人都非常有思想、非常独立，正如前面所说，OpenAI有很多创始人，这个团队中的每个人——尤其是桌面团队——都像创始人一样行动，在意每一个细节。当他们发现某个地方可以改进时，就会独立去构建、去推进。如果内部测试不好，没人用，或者大家觉得没用，他们就会迭代，然后再发布出去。这个循环的功劳完全属于团队成员和每个人。
工种模糊了，人脑的最后防线还在
Lenny Rachitsky：你刚才提到了角色重叠的问题——工程师在做PM的工作，你可能也在做原型甚至发布产品。这听起来也会带来很多挑战。我听到很多人说：“那我现在作为设计师，工作是什么？我负责什么？不负责什么？作为市场人员，我做什么？”你注意到这个问题了吗？你在处理这类问题吗？有什么想法可以分享？
Tara Seshan：我一直最喜欢初创公司的一点——有时我加入一个初创公司，它不小心长成了大公司——就是角色边界非常模糊，一切和什么都不完全是你的职责，但最终你要对成功负责。Stripe就是这种文化，工程师、产品经理、设计师之间的边界并不清晰，每个人都可以做任何事。我一直很喜欢这种心态，现在终于能力也跟上了。但我真正关心的是：必须有人对“这个产品有没有人在用？是不是用户想要的？质量高不高？效果好不好？”负责。不管这个人是谁——工程师、设计师、PM或其他人——必须有一个DRI。然后，为了实现这个目标，大家可以根据自己的兴趣和能力去承担相应的工作。我喜欢那种不纠结角色边界、只专注于让结果发生的团队。反过来，我也非常喜欢PM这个角色的craft层面。像Shreyas、Marty Cagan、Shishir他们强调的很多PM craft，都很精彩。
但有时候这些问题可能源于：“我很爱自己领域的craft，如果采用这种更灵活的协作方式，我会不会失去打磨自己craft的机会？”我确实没有答案。这是我们都在一起经历的事情——有些craft正在被模型抽象掉，甚至做得比人更好。你的craft从“完成某项具体任务”变成了“把它应用到产品的其他部分或其他领域”。但怎么平衡——一方面我想融入团队、使用这些工具、感受它们带来的效率和力量，另一方面我又爱着craft本身——这个问题我还在思考。对于工程师来说，以前手写代码真的很好玩，现在几乎不那样做了。
Lenny Rachitsky：这正是我想问的。工程师的角色变化太大了，以前写代码就是你的工作，现在不再是了，而且这个变化来得这么快——你不再写代码了。
Tara Seshan：我看到有人怀念手写代码时的那种心流状态。这确实是个艰难的转变。
Lenny Rachitsky：有人喜欢，有人不喜欢，这本身就是另一个话题。顺着这个话题，我想问问站在AI前沿的人：你觉得未来人脑还会在哪些方面保持价值？长期很难预测，未来还需要人类吗？希望如此。但在未来几年内，你觉得人脑最有价值的领域是什么？
Tara Seshan：人类最有价值的地方，首先是作为问责的主体——最终谁对结果负责。你可以把和你一起工作的Agent看作你的下属，但最终谁来判断最终产品？它质量高吗？它做到了你想要它做的事吗？至少目前，这个责任还在人身上，尤其是在高度监管或需要直接人机交互的领域。人脑在“表达”方面也非常有价值。我之前提到过软件不像房地产，更像电影——投钱不一定拍出好电影。最好的电影往往不是预算最大的。软件构建中有一种艺术性、观点性和表达性，让人觉得它是由某个人或某个群体创作的。这部分始终是非常人性化的——你选择构建什么、它给人的感觉如何，这始终是一个非常人性化的问题。
在“我们如何关心彼此、如何相互联系”方面，人脑仍然非常有价值。这部分工作一直非常人性化，甚至比以往更加重要。你和团队成员一起讨论，怎么对某个领域保持热情，怎么共同学习和工作，怎么提升彼此的目标感——所有这些都始终是极其人性化的事情。所以，人脑在这些方面仍然非常有价值。当然，我无法预测模型会发展成什么样，但上述这些方面，在我看来，都是极其人性化的。
图片来源：OpenAI
工具、界面与思考的边界
Lenny Rachitsky：我喜欢这个回答。你之前提到过AI能力和实际应用之间的“悬空”状态，感觉最大的差距就是“我该拿它做什么”。我想问问，你在工作中有哪些使用AI的方式，可能会启发别人——“哦，原来还可以这样用？”这里有两个方面：一是你的PM工作因为AI发生了哪些最大的变化，比如“现在我拿AI来做这些事”；二是有没有什么最近发现的特别有创意的AI用法，让你觉得“哦，这个我也该试试”？
Tara Seshan：我最喜欢的一个用法是，我现在会随时搭建网站。不知道你有没有试过在Codex里做Sites。
Lenny Rachitsky：没有，说说Sites。
Tara Seshan：Sites是一个非常好玩、非常棒的产品。你可以用Codex搭建一个网站，作为展示性的东西。但我现在几乎什么都用Sites来搭——我搭了一个给团队玩的游戏，因为Sites自带数据库；我最近去背包旅行，也搭了一个网站，显示路线和海拔，团队里每个人都把食物信息录入进去，非常快、非常方便。Sites实现了Alan Kay在60年代提出的“真正的个人计算机应该拥有个人软件”的梦想。我们曾经都梦想过做个人软件，当然也有人用Notion之类工具尝试用各种block来搭建，但Sites就是用一句话的Prompt——“给我建一个刚好能完成这个任务的工具”——然后它就做到了。它们可以分享、可以自动更新、可以用内部数据做仪表盘，展示各种指标。比起费力做PPT，Sites是更动态的展示方式。
Lenny Rachitsky：你怎么用Sites？需要什么特殊操作吗？还是直接告诉它“创建一个Site”？
Tara Seshan：在Codex里直接说“创建一个Site，用来做……”，比如“做一个给团队的Mafia游戏”，它就会自动生成。
Lenny Rachitsky：我以为是首字母大写的Site，但感觉它都懂。以前你只能得到一堆源码，然后自己想办法部署。现在它直接帮你托管好了，马上就能用。
Tara Seshan：托管好了。你可以选择公开、仅团队可见或私密。Sites太棒了。能随时随地搭一个网站，已经彻底改变了我的日常工作。以前我的日常工作就是创建各种文档、表格之类的，现在我就做Sites。
Lenny Rachitsky：这些都可以在Work、Codex、ChatGPT Web、移动端上做？
Tara Seshan：都可以。
Lenny Rachitsky：我刚刚创建了一个关于Tara Seshan的Site。还有别的快速技巧可以分享吗？因为很多人可能还不知道Sites，这个很有用。
Tara Seshan：Sites真的很棒。我还很喜欢用Codex里的Visualize。你用过Visualize吗？
Lenny Rachitsky：没有。
Tara Seshan：Visualize非常惊艳。你可以直接说“Visualize，可视化我到现在为止的ChatGPT使用情况”，它就会拉取所有数据，生成漂亮的图表。我无数次需要不只是把一堆图表和数据拿出来，而是把它们以一种能讲清楚故事的方式呈现出来，Visualize让这变得极其简单。用它真的让人惊喜。
Lenny Rachitsky：这些都是很好的例子——这里面有太多我们还不知道、还不理解的能力，而这也正是你们面临的挑战。帮我们了解一下这些用法。这也是播客的价值所在，不可能把所有东西都放在产品里。我要换个话题，聊聊写作。我向Brie Wolfson问过你——她很了解你——她建议我问什么问题。有趣的是，她给的是针对我和Cursor的Adam Ward那期播客的问题。她说：“你应该问问她写作/思考的事。Tara 的摘要是传奇。”跟我们说说，你的写作和摘要有什么特别之处？有什么建议可以分享给大家，帮大家提高写作水平？
Tara Seshan：我非常坚信，我在工作中做两种写作。一种是“作为思考的写作”，另一种是“作为汇报的写作”。作为思考的写作，是我写一个摘要，解释为什么我们应该做某个产品、采取某个策略，或者提出一个大胆的观点。作为汇报的写作，是我总结本周团队做了什么、发送报告，或者发布计划和公告。作为汇报的写作，我很乐意自动化，或者用模型来简化。但作为思考的写作，我永远不会自动化。我坚信，至少对我来说，梳理大纲、写成文章、删减编辑、继续迭代，这是理清思路最重要的步骤。
很多人会用一种笼统的态度说“我永远不会用模型来写作”或“我总是用模型来写作”，但这两种极端都不对。你应该尽可能用模型来做“作为汇报的写作”，而对于“作为思考的写作”，——如果你像我一样习惯于通过写作来思考——就不应该用模型来替代你的思考。至于我的摘要，因为我花很多时间通过写作来思考，我会自己关起门来写一个关于新产品或新想法的摘要，花很多时间打磨，然后拿给其他人看，让他们尽可能多地攻击这些想法、指出漏洞，让它更强，再拿去给下一个人。
在Stripe，我做过无数次这样的过程，无论是启动新产品领域、建议重大方向调整，还是分析问题并提出路径。Stripe是一个非常崇尚写作文化的公司，像Jeff Weinstein这样的人也非常热衷于写作和分享摘要，在那里一个摘要可以在公司内部“病毒式传播”。所以，“作为思考的写作”在那里非常受重视，我也做了大量这样的写作。在OpenAI，我仍然经常通过写作来思考，但我分享的东西不再是长篇文档或某种“工作证明”。部分原因是时代变了，长篇文档不一定说明你思考过，因为它很容易被模型生成。可能我工作中最大的变化之一，就是以前我在文档里思考，然后把它转化成某种展示材料，作为“我思考过这个问题、我们接下来要这么做、团队朝这个方向前进”的信号。
现在，我更倾向于用Mock而不是文档，用Prototype而不是文档。如果我有一个大家可以试用和交互的东西，或者更好的是，我有测试结果——我们试过了、跑了AB测试、这是结果、为什么应该朝这个方向走——这比文档本身更好的沟通方式。所以我仍然在写无数文档，但我为自己而写，不再为别人而写。这不再是传达想法的最佳方式。这可能是这个时代和我之前经历相比最大的变化。
Lenny Rachitsky：这个观点很有意思。我特别喜欢你说的“广泛征求意见”这一点。听起来很简单，但你可以通过“几乎像作弊一样”不断征求意见、迭代修改，来让一份摘要变得精彩——而不是第一版就拿出来，那很少会惊艳。
Tara Seshan：我以前的老板告诉我，正确做法是写到70%就停下来，然后拿去给需要获得认同的人看，一起把它从70%完善到100%。我现在还是这样做。因为很少有真正优秀的人愿意对一个完美无瑕的成品指手画脚，完美的想法会让新的想法弹开；而一个有粗糙边缘的东西，别人也可以和你一起打磨。这种方式把别人带入过程，文档作为底层的交流工具，是我找到的最好的协作方式之一。
Lenny Rachitsky：你怎么看待“AI脑腐”这个问题——过度依赖AI，导致我们失去写作能力、阅读长篇文档的能力？你有什么方法避免这种情况吗？
Tara Seshan：“作为思考的写作”这个习惯，是我日常中保持思维不退化的重要方法。我会把“作为汇报的写作”尽可能外包给模型，但“作为思考的写作”必须自己完成。我有一个个人信念：如果我要让别人读我的文档，我至少要先自己写一遍。或者我开会时也是这样想的——如果要叫一群人开会，我需要在会前投入与会者总时长相当的准备工作。为了保持思维敏锐，我会先自己写文档，确保投入了与读者预期阅读时间相当的精力去创作它，不会依赖模型来润色措辞，更不会用来生成初稿。当然，我会让模型帮我做很多事，比如总结、内容格式转换等等。
Lenny Rachitsky：所以你的意思是：想法、摘要、计划，这些都要自己写，别让AI帮忙，甚至别用它来润色，从头到尾都自己来。
Tara Seshan：对，至少对我自己来说，开头和结尾都是我自己。中间可能会用AI来研究某些内容、抓取数据、或者让它挑战一下我的想法——但开头和结尾都是自己完成，这样思维就不会退化。
市场叙事先于代码，推理过程重于输出
Lenny Rachitsky：最后一个问题，想问问Sutter Hill。你的职业路径很不寻常——PM、创始人，然后去Sutter Hill Ventures做EIR。Sutter Hill是一家标志性的VC，孵化了很多了不起的公司，比如Snowflake。你在那段时间学到了什么？
Tara Seshan：Sutter Hill是一家标志性的机构，而且故意保持低调。你去它的网站什么都看不到。它不张扬，尽可能低调，但却成就了硅谷一些最具标志性的成功案例。它们有一种独特的孵化模式，由Mike Speiser开创并反复验证。最让我印象深刻的是，很多人把Product Market Fit看作一门玄学，把打造百亿美元公司看作运气或偶然。但Mike Speiser做到过多次，说明这里面一定有方法，有路径，有可以重复做的事，不完全是运气，也不完全是玄学——它是有“剧本”的，而这个剧本就藏在Sutter Hill内部。他们在判断方向、下注方面有极高的准确性，也掌握了日常推动公司成功的复合因素——怎么组建企业销售团队、怎么定位产品、怎么搭建创始团队。
Sutter Hill的招聘能力也极强，他们有一个内部工具叫Redical，记录了他们接触过的每个人以及这些人接触过的10个最优秀的人。我去Sutter Hill，是因为我的职业生涯一直在做一件事——如何反复找到Product Market Fit，无论是创业、在Stripe启动新产品、还是加入Watershed这样的初创公司。而Sutter Hill就是那个在B2B产品上最懂怎么找到Product Market Fit的地方，我想去学。
图片来源：Lenny’s Podcast
Lenny Rachitsky：你学到了什么？除了“他们知道怎么做”之外，有没有什么具体的收获？
Tara Seshan：有一件事让我很意外：我以前低估了Product Marketing Fit的重要性。产品怎么讲、怎么推向市场，这件事甚至可以比产品本身做得更早。它应该来自对技术的深刻理解和对企业销售流程的理解，而这个叙事、定位，甚至在产品体验之前就值得测试。你应该先去向一百个人推销，不断打磨你的故事，把“为什么这个产品有颠覆性”的营销叙事讲对，然后再去构建产品。Mike Speiser在这方面无人能及。我以前总觉得PM是“随便啦”，就是职能之间的胶水，差不多就行。后来才发现，这门工作做到极致，能彻底改变一家公司的命运，甚至成为成功的关键。
Lenny Rachitsky：我完全同意。定位——我们播客里经常聊这个话题。对了，我刚让你给我建的那个Site已经跑完了，看看——我边说它边跑。我让它“做得更酷一点”，它就真做得更酷了。多产品、好看，简直像正儿八经的设计。有引语、有观点、有“小团队大信念”。感觉怎样？这是你的新官网了。
Tara Seshan：唯一好笑的是顶部那张我大概19岁时的照片。其他都很好。
Lenny Rachitsky：不错，Sites做得很好。
Tara Seshan：那应该是我在Stripe的工牌照。
Lenny Rachitsky：真有意思。我已经取消分享了，但很喜欢它围着你的头像搭了整个页面。Tara，还有什么想分享的吗？还有没有别的话题想提？然后我们就进入非常期待的快速问答环节。
Tara Seshan：有一个我们在产品构建中一直在思考的事情——尤其ChatGPT Work进入这个新时代之后——就是知识工作和编程本质上非常不同。我们学到的一个令人意外的点是：编程是高度输出导向的，你让AI做一个编码任务，可以通过测试来验证它做得好不好，可以试运行看是否有效。但知识工作不一样，我不能只看最后生成的PPT，看到数字就说“哦，准确率90%”，然后真的相信它。我真正需要看的是过程、输入、推理过程、它是怎么一步步走过来的。所以，在产品层面，我们做了很多工作、也还有很多要做——要让产品适应知识工作，这意味着更关注让ChatGPT成为你的协作者，让你看到所有进行中的工作、看到引用和输入，和你一起走到最终输出，从而确保结果是正确的、有用的。这当然体现在产品的UX上，但也会体现在思维链的推理过程、是否展示更多引用、以及——对于知识工作来说，一个线程的界面，这个为编码优化的布局，是否也是展示这些信息的最佳方式？还有很多重要的产品问题。所以，当我们考虑把人拉入协作时，也要思考怎么让模型成为你完成工作的协作者。
Lenny Rachitsky：这一点说得太好了。想象一下，你在高管会议上向领导层推销一个方案，你需要让领导层看到你做的工作、推理过程，而不只是结论。知识工作需要这种透明性。编程则不同，我不需要知道每个架构决策，只需要看结果、看是否通过所有测试。所以这是个很好的观察——这两种工作模式确实不同。还有上下文的问题——模型是否掌握完成你所需任务的全部信息？它能看到你的邮件、Notion文档吗？你面临的挑战确实不小。好了，还有什么想说的吗？我们进入快速问答环节吧。
图片来源：Lenny’s Podcast
Lenny Rachitsky：你经常推荐给别人哪两三本书？
Tara Seshan：一本是William Finnegan的《Barbarian Days》。这本书讲的是一个《纽约客》记者如何爱上冲浪的故事。我从中得到的感悟是：一个人可以深爱某件事，把它当作人生目标，却不必是这件事的行家。这本书讲的是爱上冲浪、追求卓越的过程，即使你知道自己永远达不到完美。它对思考如何度过人生非常有启发性。另一本我推荐的是《Anna Karenina》。我最近在重读经典，《Anna Karenina》是一本层层递进的书，而在这个新时代，我们都需要转型和成长。13岁读的时候我只看懂剧情，17岁读的时候理解了欧洲历史和阶级斗争，30岁再读时发现这是一个关于女性和人性的故事。它提醒我，成长意味着同一件事可以从不同角度去看，这也是我们每个人在职业发展中都将面临的挑战。
Lenny Rachitsky：两本书都和AI时代有某种连接。我今年也刚读了《Anna Karenina》，非常震撼。以前没读过，是在一个“聪明人都在读什么书”的书单里看到的，于是决定读。它确实很长，但很精彩。我现在在读《The Power Broker》，这本书已经刷新了我对“长篇”的认知。好，继续快速问答。最近有喜欢的电影或剧吗？如果还有时间看的话。
Tara Seshan：当然看了《The Odyssey》。这是一部了不起的电影。我有个大胆的看法——它讲的是AI，或者说Christopher Nolan对AI如何改变社会的看法。他是现代导演中极少数能把艺术性和商业成功结合得这么好的人。我还看了黑泽明的《罗生门》，它开创了“多视角叙事”的手法，最后你都不知道哪个版本是真的。这部电影在50年代用黑白胶片拍成，设备简陋，但极其完美。看完之后我意识到，我手中的iPhone比黑泽明当年拥有的工具强大一百倍，我还有什么借口不敢想、不敢做更好的东西？
Lenny Rachitsky：又回到“敢想”这个话题了。关于《The Odyssey》，我还在抢票，一直没买到。我大意了，现在一个月内都没票了。
Tara Seshan：Kevin Klock这周带我们去Metreon看了晚10点的场次，太棒了。
Lenny Rachitsky：下次叫上我。我什么时间都可以。
Tara Seshan：没问题。
Lenny Rachitsky：好，我甚至用了机器人、找了朋友，各种方式都在抢票。希望节目上线时我已经看过了。如果有谁有渠道，请告诉我。好，下一题。最近有没有发现什么有趣的AI产品？不一定要OpenAI的，当然也可以提。
Tara Seshan：我最喜欢的当然是ChatGPT，尤其是Codex里的Sites和Visualize。但除了OpenAI的产品，我最喜欢的是朋友为我做的产品。因为现在大家真的可以做了。我很喜欢“Cozy Software”这个概念——为五个好朋友做一个小工具，大家一起来用。我有个朋友叫Sebastian，他做了一个AI应用，能把任何内容转成播客并投到你的播客App里。他还为我们朋友做了个私人社交网络叫GATS，这就是未来的方向——人们应该为自己和朋友们做刚好满足需求的软件。
Lenny Rachitsky：GATS是什么意思？有什么内部梗吗？
Tara Seshan：没有特别的意思，或者说如果有什么梗我也不知道。就像一个私人推特，供一小群朋友使用，我在上面学到了很多有趣的东西。
Lenny Rachitsky：就像一个WhatsApp？
Tara Seshan：对，差不多。
Lenny Rachitsky：播客那个应用很有意思。我倒希望它直接投到我已有的播客订阅里，而不是单独一个App。
Tara Seshan：它就是那样的，直接投到Apple Podcast里。
Lenny Rachitsky：那太棒了，我想要这个。好，还有两个问题。你有什么人生格言，经常在工作中或生活中想起吗？
Tara Seshan：我经常想起Toni Morrison关于工作的三段话。来自她的文章《The Work You Do, The Person You Are》：第一，无论做什么工作，把它做好，不是为了老板，而是为了自己；第二，是你成就了工作，而不是工作成就了你；第三，你真正的生活是和家人在一起的；第四，你不是你所做的工作，你是你所是的人。
Lenny Rachitsky：有点起鸡皮疙瘩。说得太好了。这好像就是你推特的置顶。好，最后一个问题。你以前是Thiel Fellow。真是了不起的校友圈。有没有什么有趣的故事可以分享？比如面试过程、认识的人之类的？
Tara Seshan：Thiel Fellowship是我人生的转折点。没有它，就没有今天的我。有人来提升我的目标感，告诉我“你可以的，你不必走原本那条路”，那真的改变了我。我现在经常合作的Thiel Fellow之一就是Ari Weinstein，他创立了Sky，后来被OpenAI收购。在那之前他还创过一家公司被苹果收购，然后在苹果工作。Ari是我见过最有创造力的人之一，他负责OpenAI的很多Computer Use相关工作。他的创造力、对工作的热爱和投入一直激励着我。至于故事……我那年是第二届，他们决定把整个过程拍成CNBC纪录片，所以我当时的演讲视频至今还在YouTube上，想看我19岁时尴尬的样子可以去找。我们那批最成功的人之一是Dylan Field，他不仅才华横溢，人也非常善良。很幸运能和他们共事。
Lenny Rachitsky：Dylan确实一提到Thiel Fellows大家就会想到他。好，Tara，今天太棒了。有什么想推广的？想让大家做什么？还有什么对听众的请求？
Tara Seshan：我想推广的就是——去下载ChatGPT桌面应用，去网页版试试Work。虽然还得手动切换，但你可以试试Work模式，让它给你做个关于你自己的Site，或者可视化你的ChatGPT使用情况。这是体验Agent能力的好方式，用法的上限 是无穷的。甚至你可以让它做一个Site告诉你Work能做什么。
Lenny Rachitsky：好主意。解决一切问题。
Tara Seshan：对。另一个很酷的是在手机上试——坐地铁时发起一个任务，没信号的全程它会在云端完成，等你有信号时它就做好了。这感觉很神奇。
Lenny Rachitsky：这个云端执行的功能是移动端独有还是所有平台都有？
Tara Seshan：所有平台都有。
Lenny Rachitsky：所以你在手机ChatGPT里切到Work，发一个任务，它就会在云端继续运行，你不需要一直看着。这是一个很简单但非常有力量的能力。还有其他想说的吗？
Tara Seshan：没有了，谢谢Lenny。
Lenny Rachitsky：Tara，非常棒，感谢你来做客。
Tara Seshan：非常荣幸。
Lenny Rachitsky：从Thiel Fellowship到现在的旅程真是不可思议。我会在开场中多聊聊这个。谢谢你。
Tara Seshan：谢谢你。
原视频：The rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead)
https：//www.youtube.com/watch?v=zMvBMfj4cSQ&t=2041s
编译：Ruby Gao
本文由作者@Z Finance，授权发布于平台，未经许可禁止转载。