AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead)

OpenAI 的 Tara Sash 说，产品团队每 2-3 个月就要推翻假设重来，内部流行“你现在用得上瘾了吗？”和“我们够快吗？”这两句狠话。

AI让执行不再稀缺，野心才是瓶颈

Tara Seshan 负责 OpenAI 的 Codex 与 ChatGPT Work 产品。她此前在 Stripe 工作六年，是早期五位 PM 之一，也领导过 Watershed 产品；更早之前，她做过创始人、是 Thiel Fellow。她经历过从零寻找产品市场匹配，也经历过高速扩张中的大规模产品落地。她这一期最重要的判断是：AI 没有让产品工作变简单，它只是把过去稀缺的执行能力摊平了。接下来拉开差距的，是谁能更快验证判断，谁敢把目标抬高。

这期回答了 8 个问题：

1. 为什么按今天的模型能力做产品会失败，按一年后的能力做也同样会失败？
2. 当 AI 成为持续协作的同事，聊天界面和单次任务代理还会剩下什么角色？
3. AI 时代的 PM，为什么应该少写大策略、多做尖锐假设？
4. 为什么产品还没做出来前，应该先拿着叙事去 pitch 100 个客户？
5. 长文档为什么不再能证明你想清楚了，什么才是更有说服力的沟通物？
6. 当人人都能做设计、写原型、建模型时，真正拉开差距的能力是什么？
7. 角色边界消失后，工程师、设计师和 PM 到底该由谁为产品结果负责？
8. 哪些思考和写作应该交给 AI，哪些必须由人亲自完成？

被问到 OpenAI 如何在模型快速升级时规划产品时，Tara 给了一个反常识答案：不能围绕今天的模型做，也不能为你猜测的一年后模型下注。这里的“模型能力”，就是模型在编码、写作、推理等任务上实际能完成的范围。产品团队要瞄准的，是未来两到三个月的能力窗口。她说研究团队并非完全不可见的黑箱：研究可能正在集中提升某种编码方式，或让模型在特定写作任务上更强。产品团队必须持续贴着这些方向走。

"You fail if you build for where the models are now. You fail if you build for where you think the models will be in a year."（如果你为模型当下的能力而构建，你会失败；如果你为你认为模型一年后会有的能力而构建，你同样会失败。）

这意味着 AI 产品的路线图不再适合用传统年度规划来理解。若只为当前能力设计，产品刚上线就可能显得落后；若把交互、成本和流程都压在一年后的假设上，则可能等不到能力兑现，先做出无人可用的空壳。两到三个月不是精确预测，而是一种工作节奏：比现在领先半步，但不替遥远未来预支预算。关键不是猜中模型会变成什么，而是让产品构造不要挡住模型能力的发挥，并把研究信号尽快翻译成用户可触摸的功能。

被问到知识工作者未来三到六个月会怎样使用 AI 时，Tara 把产品演进分成三段：第一段是聊天，用户问一句、模型答一句；第二段是与代理协作，代理替人完成一段任务；第三段则是一个持续存在的“同事”。她描述的协作更像真实团队：代理先做一大段工作，人给输入；双方在不同时间同步，查看进行中的成果，再继续反馈。ChatGPT Work 底层使用 Codex 的能力，财务团队可以据此生成复杂财务模型，把原本手工完成、或依赖一位深度专家的工作，扩展给整个团队。

"that third era that might come soon is how do you work with a persistent co-worker who is able to get things done with you."（可能很快到来的第三个时代是：你如何与一个能和你一起把事情做成的、持续存在的同事协作。）

这意味着界面的核心会从“输入提示词”转向“授权、看进度、做校准”。Tara 给用户的建议很具体：在手机上发起 Work 任务，然后坐一段没有网络的地铁；出站时，云端代理已经继续把工作做完。边界也很具体：持续协作不只取决于模型更聪明，还取决于长任务稳定性、云基础设施、数据访问权限和可靠性。一个拿不到公司文档、Slack、数据库的云端代理，就像被锁进房间、不给任何系统权限的新同事，难以真正帮上忙。

被问到 AI 时代的 PM 失去什么、又该强化什么时，Tara 用支付市场作了对照。在支付这种成熟市场里，竞争者的下一步可以相对严谨地推演：你押注某项能力，对手很可能做另一项选择，很多失误本可提前避免。所以长篇战略、细密推理有其必要。但 AI 市场高度涌现，变化快，技术能力本身也持续移动。她从过去写近似博士论文的长篇计划，转向尽快做出用户能试、团队能测的东西。

"the thinking you need to do is being as pointed as possible about what your core hypothesis is."（你需要做的思考，是尽可能精准地指出你的核心假设到底是什么。）

这意味着 PM 不是不再需要思考，而是不能把思考花在铺满页面的“全面正确”上。真正要先钉住的，是哪一个问题会决定产品生死：用户到底有没有这个痛点？模型是否能可靠完成关键任务？这个界面会不会让人愿意反复使用？然后再设计最快的测试。Tara 提到，在 OpenAI，工程经理、工程师、数据科学家和设计师也围绕同一循环工作：我们究竟在做什么，怎样才算有效。严谨没有消失，它只是从宏大叙事收缩到假设定义和实验设计。

被问到在 Sutter Hill Ventures 的创业孵化经历里学到什么时，Tara 说自己重新理解了“产品营销匹配”。通常人们谈 PMF，即产品市场匹配，关心产品能否满足真实需求。但她在 Sutter Hill 看到，产品如何被讲述、被定位，也能在产品体验成熟之前被验证。该机构的 Mike Speiser 曾多次参与打造巨大规模的公司，这让她意识到，找到 PMF 不是纯靠运气的黑箱艺术，而有可重复练习的路径。

"So you should go like pitch 100 people figure out how to refine that pitch as much as possible."（所以你应该去向大约 100 个人推介它，尽可能把这套说法打磨到最好。）

这里的“pitch 100 个人”不是让团队做一百次广告投放，而是先把价值叙事拿去接受一百次真实碰撞：客户听完是否理解问题？是否愿意继续问细节？他们到底为哪一句话兴奋，又在哪个环节失去兴趣？如果目标客户连“为什么这件事重要”都不买单，团队继续打磨按钮、流程和功能，只是在更高成本地制造错误产品。反过来，叙事也不能脱离现实。Tara 强调，它必须来自对技术、企业销售流程和客户需求的综合理解；靠漂亮话获得的兴趣，不等于能交付的价值。

被问到她标志性的产品 brief 在 AI 时代如何变化时，Tara 没有否定写作。她在 Stripe 曾大量用 brief 思考新产品、方向转向和问题分析；那里甚至会出现一份 brief 在公司内部广泛流传的情况。但她现在仍写很多文档，主要是给自己用，而不是把长文档当作说服团队的核心产物。原因很直接：模型可以很轻易地生成一篇很长的文档，因此篇幅、格式和铺陈，已经不再能证明一个人真的把问题想透了。

"now I am way more on mocks not docs or prototypes not docs."（现在我更坚定地站在“模型而非文档、原型而非文档”这一边。）

这意味着团队需要的共同语言，正在从静态论证变成可体验的证据。一个可交互的 mock，也就是界面模拟稿；一个可运行的原型；或者一次已经跑完的 A/B 测试结果，往往比十页推导更快让人形成判断。因为团队成员不必先相信作者的逻辑，可以直接看、摸、试，再提出具体异议。边界是，写作仍然不能被一键外包。Tara 依旧靠写作整理自己的思路，只是她不再默认“我写得够长”，就等于“别人该被说服”。

被问到为什么 AI 不只是让人能更有野心，甚至要求人更有野心时，Tara 回忆了过去的“独角兽型人才”。这类人既有产品判断，又会工程，甚至懂设计；他们稀缺，是因为能减少产品、设计、工程之间一层层翻译带来的损耗。现在，她可以借工具快速生成一组设计，做出初始原型，建立定价模型，并推演不同情景。过去必须等多个专业角色排期的事，越来越多可以由一个人先把第一版拉出来。

"The set of possibilities have widened dramatically."（可能性的集合已经戏剧性地扩大了。）

这意味着竞争的瓶颈正在移动。过去团队常受限于“谁能做”“谁有时间做”“谁能把想法翻译给下一个职能”；现在更稀缺的是，谁能提出值得被实现的目标，谁能把设计、原型、定价、用户反馈组合成更大的实验。AI 让愿景更高保真地变成现实，但工具不会自动把人的目标抬高。Tara 认为，最难的部分不是能力不够，而是摆脱旧能力边界留下的惯性：当一件事能在不合理的短时间内完成时，人是否还会按旧周期、旧规模去设想它。

被问到为什么 ChatGPT Work 不能直接照搬编码代理的形态时，Tara 指出编码和知识工作的验证方式不同。代码天然面向输出：可以跑测试，检查是否通过；也可以直接运行，看看功能是否工作。但知识工作不是这样。她拿做 deck 举例：即使最终页面上的数字看起来像“90% 成功”，决策者也不能只凭那个结果相信它。数字的来源、输入资料、推理过程，以及中间有没有遗漏，都会影响人是否采用这份成果。

"I really need to think about the process and the inputs and the reasoning and how it went along the way."（我确实需要考察过程、输入、推理，以及它一路是怎样走到结果的。）

这意味着知识工作代理不能只是一个黑箱代笔者。它的价值不仅是产出一份看似完整的报告或方案，还要让用户能检查引用、看到进行中的工作，并在关键节点参与校正。这里的“可审计性”，大白话说就是：人能回头查清这个结论是怎么来的。Tara 也没有假装答案已经确定：该展示多少 citations，也就是引用来源？适合编码的 thread 界面，是否也适合知识工作？这些仍是重要的产品问题。透明太少，用户不敢信；展示太多，协作又会变成阅读机器日志。

被问到工程、产品、设计边界重叠后该如何分工时，Tara 说自己一直喜欢创业公司式的协作。在 Stripe，工程师、产品经理和设计师之间几乎没有绝对能力边界，任何人都可能接手任何事。她欣赏的不是每个人都守住职位说明书，而是大家都盯住最终结果：产品是否被使用，用户是否真正想要，它是否高质量、有效。AI 让更多人能写原型、做设计、分析数据，能力边界确实更容易被打穿。

"everything and nothing is your responsibility ultimately you're accountable for success."（一切也可以说都不完全是你的职责；但归根到底，你要为成功负责。）

这句话的关键在后半句。团队可以不按职能交接工作，但不能让结果所有权悬空。Tara 强调必须有一个 DRI，即直接负责人：这个人不一定是 PM，也可以是工程师或设计师，但必须对产品是否成功负责。具体任务可由最有兴趣、最有能力的人完成；谁做页面、谁写分析、谁补工程都可以灵活。但当用户不用、质量不过关、关键假设失败时，必须有人推动判断和修正。边界消失可能提升速度，也会带来专业技艺会否被稀释的问题，这一点她并未给出标准答案。

被追问角色流动会不会让人失去打磨本专业技艺的机会时，Tara 没有用“人只要升级就好”敷衍过去。她承认，很多人真正担心的是：如果工作越来越由模型完成，我们还有没有机会变强，或在某个领域形成自己的 craft？这里的 craft 指长期重复、判断和手感积累出来的专业功夫。她举工程师为例：过去有人享受亲手写代码进入 flow state，也就是高度专注、忘记时间的状态；但今天，手写每一行代码已经不再是工程师日常工作的主要部分。

"I truly don't have an answer for that question."（我确实没有这个问题的答案。）

这意味着职业发展的难题不只是“会不会用 AI”，而是“哪些能力还值得亲自练”。有些具体技艺正在被模型抽象掉，模型甚至可能完成得比个人更好；人的工作也可能转向更高层的选择、检查、组合和负责。但这种转移并不自动等于成长。如果一个人不再练基本功，也没有建立新的判断能力，效率提升可能只是把他变成更快的任务分发器。Tara 自己仍在平衡两种愿望：参与更高效的协作、充分使用新工具，同时保留对专业技艺的热爱。这不是已经被解决的职业设计题，而是正在发生的变化。

被问到未来几年人类大脑最有价值的部分是什么时，Tara 用了一个很容易记住的比喻：未来工作会更像掌舵，而不是划桨。代理会承担越来越多执行性的划桨工作，人则决定船往哪里去。她强调，方向并不只是从数据中算出来的。产品该让世界多一点什么、少一点什么，常常需要人做带有立场的判断。她还用电影说明软件的表达性：投入更多钱，不保证电影更好；产品也需要团队独特的作者性、观点和艺术判断。

"I do think that increasingly the future of work will look more like steering than rowing."（我确实认为，未来的工作会越来越像掌舵，而不是划桨。）

这意味着人的价值会更集中在三类事上：为结果负责，形成审美和判断，组织多人及多代理朝同一目标推进。Tara 还特别提到人与人之间的部分：如何彼此关心，如何一起形成热情，如何帮助同事把野心抬高。这些事听起来不像传统意义上的“生产力”，却决定团队会把 AI 用来压缩琐事，还是用来做过去不敢尝试的事。边界同样要说清：她并不声称这些能力永远只属于人。模型会走到哪里无法准确预测；这只是当下产品工作中，人仍必须承担的位置。

这场变化的主线，不是 AI 替人完成更多任务，而是执行能力被普及之后，产品团队必须重新竞争于判断、野心、验证速度和协作方式。

“最危险的产品路线，不是保守，而是押错模型时间点”说的是：产品不能再靠稳定的年度计划获得安全感，必须在两到三个月的能力窗口里不断校正。“在不确定市场里，PM 的核心产出不是战略，而是尖锐假设”说的是：既然远期预测变得更难，团队就该把严谨用在最关键的问题和最快的实验上。两者指向同一件事：确定性正在减少，但反馈回路可以变得更短。

同样，“AI 消除跨职能门槛后，稀缺资源变成想象力而非执行力”与“代理负责划桨，人类更该负责方向、表达与彼此激励”也不是两句漂亮话。前者说的是，你现在比过去更容易把想法做成第一版；后者说的是，第一版做得出来之后，真正困难的是决定该做什么、为什么做、谁为结果负责。

对读者而言，最实际的问题或许不是“我的岗位会不会被替代”，而是：你现在手上的工作，有多少只是划桨？又有多少是在定义方向、验证假设、让别人看见一个更大的可能性？AI 会继续压低执行门槛。你需要重新安排的，不只是工具栏，而是自己把时间花在什么判断上。