OpenAI ChatGPT 负责人:未来的 AI 产品,应该让复杂性从界面里消失

“好的 AI 助手，会替你筛掉噪音，让你的注意力回到真正想做的事上。”

“当大多数网络操作都由智能体完成，产品得先学会服务智能体。”

“用户不该为了使用 AI，先拿到一张模型选择器的博士文凭。”

这期对话发生在 OpenAI DevDay 当天。Tibo Sottiaux 刚带着团队发布二十多项产品，坐到 Lenny 的镜头前聊了 37 分钟。外界熟悉他，多半因为 Codex。他现在负责 ChatGPT 和 Codex，两条产品线也正朝同一个方向收拢。

这场对话里最有意思的部分，不在于新功能清单。Tibo 反复描述了一种更安静的产品形态。AI 不再等人打开网页、复制信息、挑模型、写提示词。它知道你在忙什么，帮你盯住该盯的事，必要时把风险推到眼前。人仍然决定目标、看住权限、承担后果，只是不必把大量时间花在流程缝隙里。

这会改变产品怎么做，也会改变人怎么工作。它还会把一个不太舒服的问题摆在台面上。效率工具越来越强以后，我们会得到更多空闲，还是会被要求同时跑更多任务？

Dots 想解决的事， 让 AI 有持续的工作关系

Dots 是 OpenAI 在节目里谈到的新个人智能体平台。眼下用户先拥有一个主 Dots，可以连接应用，逐步了解用户的偏好和日常事务。之后，产品会允许用户创建更多 Dots，分别承担特定角色，组成一支虚拟团队。

这个设想听起来像“给每个人配几个机器人同事”，真正难的部分却在持续性。一次聊天很容易，长期协作很难。一个助理要知道你在哪些项目上投入最多，知道某场会议前后有什么安排，也得学会分辨什么该提醒，什么只是又一条无关紧要的通知。

Tibo 提到，长周期任务和记忆系统已经做了两年多。ChatGPT 里陆续出现的记忆能力，就是这条研究线的一部分。它的价值在于把零散信息放回同一个任务中理解。你提到手受伤，系统若记得你此前做过什么、接触过什么，它才能提出一个有上下文的可能性，也能避开一段通用健康问答。

这也是个人智能体和普通聊天机器人的分界线。聊天机器人靠一轮提问完成一次回答。个人智能体需要在多天、多工具、多角色之间保持连续判断。它必须知道什么是你的偏好，什么只是一次偶发选择。它也必须给用户留出改正和撤销的空间。

产品界面会变薄， 用户不该围着模型打转

今天的大模型产品已经堆出了不少门槛。选哪个模型，是否打开深度推理，什么时候上多智能体，能不能连外部工具，很多普通用户还没开始做事，就先面对一套陌生的操作说明。

Tibo 说，他自己也会对模型选择器感到疲劳。他希望应用最终能接近一种更简单的状态，模型和工具退到后面，用户只表达目的。系统再根据任务决定该调用什么能力、花多少时间、在哪一步向用户确认。

这句话对产品团队有点刺耳，因为过去两年大家做了大量“把模型能力露出来”的界面。模型列表、参数、工作流画布、Agent 编排页，都有各自的用户价值。但当模型本身足够可靠，这些界面会从生产力工具慢慢变成操作负担。

用户真正关心的通常很朴素。我要把这份材料整理好。我要确认客户没有漏回。我要在出差前把行程里的冲突处理掉。产品若把这些任务完成，还能说明自己做了什么、为何这样做，用户未必在乎后台跑的是哪一个模型。

这并不意味着界面会完全消失。涉及钱、隐私、对外发送和不可逆的操作，界面反而需要更清楚。变化在于，界面不再要求用户替系统完成路由工作。它更像一个能随时接管、也能随时叫停的驾驶台。

未来的网络流量， 人和智能体会同时成为用户

Tibo 给出了一个很大的判断。未来互联网上的大多数动作会由智能体完成。这些动作包括查找、比较、提交、协调、调用服务，以及在多个网站之间完成一串操作。

这个判断一旦成立，产品团队要重新想“用户”是谁。过去的网站主要为人设计。页面通过视觉层级、营销文案和交互细节说服人点击。智能体来到同一套页面时，它更需要稳定的接口、明确的权限、可读取的状态和能被验证的结果。

例如，一个人订酒店，可以容忍在十个页面之间跳转，比较几次房型，再看一遍取消规则。智能体若替人做同类工作，它需要知道预算、日期、偏好和授权范围，也要能向多个服务请求相同结构的信息。商家没有清晰的数据和交易接口，智能体就很难可靠地代表用户行动。

这会带来新的竞争方式。搜索优化曾经围绕关键词和链接结构展开，面向智能体的产品优化会更看重数据是否清楚、系统是否稳定、规则能否被机器理解。过去只服务人类浏览器的公司，接下来还要考虑自己的产品能不能被用户的智能体安全地调用。

对消费者而言，便利和风险会一起增长。一个能替你跑流程的智能体，也能替你犯错。产品设计的重点会落到授权颗粒度、可追溯记录和异常处理上。用户不可能每天审查所有操作，但也不能在一次授权后失去控制。

AI 帮人省下时间， 省下来的时间不能立刻被新任务填满

访谈里有一段很诚实。主持人提到，如今许多人同时运行几十个智能体，组织也会问，既然工具能做更多，为什么不把产出再推高一点。

Tibo 没有把这个问题回答成“多跑几个 Agent 就好”。他希望 AI 能压低噪音，让人把注意力放在真正想放的地方。他说，自己休假、彻底断开一周后，思考方式会更有创造性。他想知道，AI 能不能把这种更少会议、更少干扰的状态带回日常工作。

这个说法比“AI 提升效率”具体得多。很多团队现在已经感受到，效率工具会制造新的工作。写文档更快以后，文档更多了。代码生成更快以后，审查和维护的压力没有自动消失。消息回复更快以后，别人也默认你应该更快回复。

所以，智能体的价值不能只按完成任务数计算。它还得帮人删掉不值得做的任务，减少上下文切换，避免把每一段空白都填成待办事项。一个只会把任务越堆越高的助手，很快会变成另一个提醒系统。

这给管理者也留下一道题。团队把 AI 用在什么地方，决定了员工得到的是更好的工作，还是更密集的考核。工具不会替组织作出这个选择。组织仍然要回答，哪些事情值得更快，哪些事情本来就该取消。

工作流会先变复杂，成熟后才有资格变简单

主持人在节目里问到一个很实际的技术问题。今天的智能体开发者常用循环、图结构和微调，把一个长任务拆成很多步，再给每一步写规则、接工具、补失败重试。Tibo 的判断相当明确，这些做法会在一段时间内有用，但它们很难成为普通用户最终看见的产品形态。

原因不复杂。模型能力还不够时，团队必须靠外部脚手架把任务扶起来。模型做不了长规划，就把工作切得更碎。模型容易忘记，就人为维护状态。模型在某一步会出错，就给它接一层判断和重试。工程师知道这些部件各自解决什么问题，普通用户只会看到一套难以维护的自动化流程。

这也是 Codex 给产品团队的一条经验。早期的工具会暴露许多控制项，因为开发者需要它们把系统跑稳。随着模型能更好地理解目标、自己检查过程、在失败后回退，那些控制项应该逐步退到后台。用户不需要看见一张复杂的任务图，用户需要知道系统当前在做什么、需要自己确认什么、何时可以放心离开。

这条路并不会让工程工作减少。相反，产品团队要更严肃地处理评估、权限和异常路径。把十个步骤藏起来之前，得先确认系统在十个步骤上都足够可靠。复杂性消失在界面上，往往意味着复杂性被转移到了模型、数据、测试和运行监控里。

对创业公司而言，机会也在这里。不要只把 Agent 当成一个可以拼接的工作流。先看用户愿意把哪类麻烦交出去，再看这项委托需要哪些上下文、哪些确认、哪些失败后的补救。把这些问题做清楚，比在页面上再加一套节点编排更接近真实产品。

从一次回答到长期协作，产品要学会管理信任

人们习惯用回答质量评价聊天机器人。回答对不对，写得快不快，语气是否自然，都很重要。个人智能体进入日程、文件、设备和账户以后，评价标准会变得更严格。用户要看的，是它会不会越过边界，会不会忘记承诺，会不会把一件小事处理成需要人收拾的麻烦。

这也是为什么记忆不能只追求越多越好。一个助理记得很多信息，却无法让用户看见、修改和删除，这份记忆迟早会变成负担。它保存了什么，哪些内容在影响当前决策，用户如何更正，都应该有清楚的入口。长期关系靠可控性维持，靠猜不透的聪明维持不了多久。

授权同样如此。用户可以允许智能体读取日历，并不表示它可以替用户给客户发邮件。用户允许它比较旅行方案，也不表示它可以直接下单。现实任务里，权限常常随着金额、对象和不可逆程度变化。产品若只提供“全部允许”与“全部拒绝”两种选择，最后会逼用户在便利和安全之间做过于粗糙的交换。

智能体还要学会解释自己的行动。它不需要在每一步输出长篇思考过程，但应该留下简洁、可查的记录。它看了哪些信息，依据什么规则采取行动，哪个环节等待用户确认，出了问题从哪里开始回滚。用户有了这些记录，才敢把更多事务交出去。

当 AI 从工具栏进入工作和生活的后台，信任本身会成为产品能力。模型跑得多快只是起点。用户愿意把多少真实事务交给它，才决定它最终能走多远。

提前五分钟的告警， 上下文让提醒开始有价值

Tibo 分享了一个小故事。DevDay 的现场演示前，ChatGPT 生产环境出了问题。他的 Dots 提前五分钟提醒了他。它知道当天有 DevDay，知道现场会有演示，也知道相关的生产系统出现了异常。

这条提醒没有直接修好故障。Tibo 甚至开玩笑说，系统还没到可以替他处理这件事的程度。但提醒本身已经说明了个人智能体该做的工作。它会把一个技术信号放到当下的任务和时间表里，判断它是否需要被看见。

企业软件过去很擅长记录状态，通常不擅长理解轻重缓急。日历里有会议，监控系统里有报警，文档里有上线计划，聊天里有工程师讨论。每套系统都保存了一部分事实，却很少有人把它们拼起来。人只能靠经验和频繁切换页面，自己完成这一步。

智能体有机会补上这种连接，但前提是它足够可靠，也足够克制。若每一条异常都被包装成紧急事件，用户会很快把提醒关掉。真正有用的系统要敢于少说话，在确实相关的时候才出现。

人仍然要负责， 判断、品位和承担后果不会外包

谈到 AI 时代哪些能力更重要，Tibo 没有把答案落在某个具体工具上。他关心的是人能否定义问题，能否判断结果好坏，能否在信息不完整时作取舍。

模型会越来越会写、会查、会编码，也会越来越便宜和更快。许多过去需要专业操作才能做的事，会变成一句委托和一次检查。人的工作会往前移动，更多发生在目标设定、约束条件、质量标准和责任归属上。

这对职业早期的人尤其重要。新人过去可以通过大量基础执行任务认识业务，练习判断，也让同事看到自己的可靠性。智能体接走一部分基础任务后，组织得重新设计培养路径。年轻人也得更早接触真实问题，学会解释为什么这样做、哪里可能出错、什么结果不能接受。

这里没有轻松答案。AI 会让一部分人更快地做出作品，也会让另一部分人少掉原本用来练手的工作。能否把工具变成学习的加速器，取决于人有没有机会看见中间过程，而不是只拿到一个漂亮结果。

OpenAI 的节奏， 小团队、快速试错，也得守住边界

从外面看 OpenAI，最显眼的是高频发布。Tibo 描述的内部工作方式也确实很快。一些项目从几个人周末动手开始，更多同事被吸引进来，再逐渐变成对外产品。团队里有不少创业者背景的人，主动性很强，很多想法从下往上冒出来。

这种节奏能让好点子很快接触真实用户。Codex 的演进也说明，产品不会一次就找到正确形态。早期云端版本摩擦很大，后来 CLI 才让更多开发者愿意真正用起来。产品靠用户使用中的问题不断改，不靠内部把所有答案先想完。

这种做法的代价也很明显。发布频率高，团队要同时处理用户反馈、运行故障、相互冲突的需求和外部预期。一个能快速试出来的原型，离可以交给大规模用户长期使用，中间隔着稳定性、成本、客服和信任。产品团队若只奖励发布数量，很容易把这些后续工作推给用户和一线同事。

Tibo 描述的自下而上协作，真正可贵的地方不在“几个工程师周末做了个东西”。它让接近问题的人有机会先动手，也要求团队在产品开始扩散后迅速补齐责任。团队要判断功能是否继续开放，把失败案例回收到模型和产品里，再把变化解释给用户。这些工作决定了一个快速上线的功能能不能留下来。

这也解释了为什么 AI 产品的发布节奏会越来越像持续运行，而不是传统软件的一次大版本。模型在变，工具调用在变，用户把它接入的业务也在变。稳定体验来自一套日常机制，它能发现问题、暂停风险、修复后再开放。用户看到的是一次次更新，团队内部需要维持的是一条不轻松的责任线。发布当天的热闹很容易被看见，后面那些反复核验、修正权限、处理失败的工作，才决定用户会不会继续把关键任务交出来。

快速不等于可以跳过安全。Tibo 在访谈里把安全描述成一条并行推进的工作。能力更强，系统在实际环境中的权限也更大，防护、评估和上线节奏就得跟着提高。尤其是能够连接多个设备和服务的智能体，它会接触用户真实的账户、数据和行动。

用户会慢慢接受让智能体替自己做事，前提是产品把边界讲清楚。它能读什么，能写什么，能在什么条件下行动，出了问题怎么找回记录，这些都不能藏在默认设置里。信任靠长期的可验证体验积累，不靠一段承诺。

复杂性退到后台， AI 产品开始争夺“少打扰”的能力

这期访谈给人的感觉，有点像 OpenAI 在为下一阶段的产品叙事换语言。此前行业常讲模型能力、上下文长度、推理速度和工具调用。它们仍然重要，用户也需要它们支撑稳定体验。更好的工作日还需要产品把能力放进合适的地方。

Tibo 想做的，是把这些能力组织成一种持续服务。它知道你的目标，理解任务之间的关系，在合适的时候行动，在不该打扰的时候安静。它不要求用户变成提示词工程师，也不把每一次技术选择抛回给用户。

这条路离完成还很远。记忆会不会记错，智能体会不会越权，多角色之间怎么协调，用户怎样看懂系统为何行动，都是尚未解决的问题。技术进步也不会自动让人更轻松，组织和个人都可能把节省下来的时间继续换成更多工作。

不过，产品竞争的标准已经在变化。下一代 AI 的好坏，既要看它能回答多复杂的问题，也要看它能否在真实生活和工作里少制造一点麻烦。能帮人少做无意义的操作，少漏掉重要的事，少被界面和通知拖着走，这种能力会比又多一个按钮更难做，也更有价值。

这也是 Tibo 这期访谈留下的一个很具体的产品问题。假如一个 AI 能代替人完成更多事情，用户感受到的应该是更少的等待、更少的重复、更少的漏项。若用户因此要反复检查、补救和解释，能力再强也还没有真正改善工作。AI 的下一轮竞争，会发生在这些细小却每天都在消耗人的地方。

内容来源："OpenAI’s Head of ChatGPT: We’re entering a new era of AI (again) | Tibo Sottiaux"丨Lenny's Podcast