AI 工具的竞争,开始奖励“会用的人”

6 月 7 日，OpenAI Codex 负责人 Tibo Sottiaux 在 X 上发了一条有点特别的消息。按照 Digg 对原帖的整理，接下来 100 天，Codex 团队每天会选出一位用 Codex 做出有用或令人印象深刻工作的用户，给他一个月 10 倍使用额度。

这不是一次正式的产品发布，也不是普通抽奖。它更像一个小型实验：把更多使用额度交给那些已经证明自己会用 Codex 的人，再看看他们能把工具推到哪里。

这件事有意思的地方，不是“送额度”本身。AI 产品本来就在用各种方式拉新、促活、给限时优惠。真正值得看的，是这次奖励的对象不是随机用户，也不是单纯付费更多的人，而是那些能用工具做出东西的人。

AI 工具的竞争，开始奖励“会用的人”。

AI 产品的上限，越来越依赖用户怎么用

传统软件当然也有重度用户。有人把 Excel 用成半个数据库，有人把 Notion 搭成个人操作系统，有人把 Figma 用到团队流程里。但在大多数软件里，产品能力和用户用法之间仍然有比较清楚的边界。软件提供功能，用户调用功能，熟练度会带来差异，但差异通常不会改变外界对这个产品能做什么的判断。

Agent 产品不太一样。

Codex 这样的工具不是一个固定功能集合。它可以读项目、改文件、跑命令、解释 diff、处理长任务。你给它一个含糊任务，它可能只是改几行代码；你给它稳定上下文、清楚目标和可验证的验收方式，它就可能连续跑几个小时，把一个项目往前推进一大段。

这意味着，产品能力不只藏在模型里，也藏在用户怎么安排任务里。一个普通用户可能只看到“它能帮我改 bug”。一个会用的人会开始试探：能不能让它重构一整套流程，能不能让它连续处理十几个任务，能不能让它自己跑测试、回看错误、再提交一版。

同一个工具，在不同用户手里会显出不同上限。厂商奖励这些用户，本质上是在奖励产品边界的探路者。

Codex 的使用有额度限制。OpenAI 的帮助文档也说明，Codex 使用量会根据用户所在计划受到限制，并计入 agentic usage limit。对普通用户来说，额度是一个限制；对重度用户来说，额度更像一种工作资源。

一个月 10 倍额度，听起来像福利，但放到 Agent 场景里，它还有另一层含义：给一个已经会使用工具的人更多试错空间，看他能不能跑出新的工作方式。

这和普通“送会员”不一样。很多软件送会员，是让用户尝试高级功能；这里的 10 倍额度，更像给一个会开机器的人更多燃料。真正要看的不是他消耗了多少，而是他拿这些资源做出了什么：一个完整项目、一套内部工具、一次复杂重构，还是一种别人可以学习的 Codex 工作流。

这也是为什么 Tibo 那条消息里强调的是做出 impressive 或 useful work，而不是“使用时间最长”。AI 工具最怕的不是没人用，而是大家只是把它当成更贵的聊天框。厂商想看到的，是用户把工具嵌进真实工作以后，会产生哪些过去没有被产品团队提前设计出来的用法。

很多 AI 产品的最佳案例，未必来自官方演示。官方演示负责证明“它可以做”；重度用户的真实案例负责证明“它在混乱工作里也能做”。后者对一个 Agent 产品更重要。

AI 公司奖励会用的人，还有一个更现实的原因：这些用户会替产品完成教育。

一个人展示自己怎样用 Codex 连续跑长任务，别人看到的不是一条营销文案，而是一种可模仿的使用方式。有人用 Codex 重构应用，有人让它检查大型项目里的隐藏问题，有人把它放进自己的日常工作系统，这些案例会改变旁观者对工具的想象。

产品文档可以告诉你 Codex 能读文件、改代码、跑测试。但一个真实用户的工作记录，会告诉你怎样把一个模糊目标拆成适合 Agent 处理的任务，什么时候该让它停下来汇报，哪些地方必须自己验收，哪些上下文要提前写清楚。

这种知识很难完全由官方教会。因为 Agent 的使用方式太贴近具体工作现场。每个人的项目、工具链、风险边界和验收习惯都不一样。厂商能提供的是能力和入口，用户跑出来的是用法。

到了这个阶段，会用的人不只是消费者，也有点像产品的一部分。他们的案例会变成宣传，反馈会变成产品改进，工作流会变成其他用户学习的模板。AI 工具的竞争因此多了一层：不只是看谁模型更强、入口更多，也看谁能聚集一批最会把工具用到极限的人。

当然，这种奖励机制也有一层不太舒服的地方。越会用的人，越容易得到更多额度；额度越多，又越能跑出更复杂的用法。最后，熟练用户和普通用户之间的差距可能会继续拉大。

这不是简单的公平问题。AI 工具本来就需要成本，长时间运行 Agent 会消耗模型资源，也会占用系统能力。厂商不可能把最高额度平均分给所有人。把资源交给能跑出案例的人，在产品逻辑上很合理。

但它提醒我们，AI 时代的差距不只来自“有没有使用工具”，也不只来自“买不买得起更高套餐”。还有一种更隐蔽的差距，来自一个人能不能把额度变成产出。有人拿到更多额度，只是问更多问题；有人拿到更多额度，会设计任务、搭工作流、建立验收机制，再把 Agent 变成持续工作的一部分。

以后，一个人对 AI 的掌握程度，可能不只是会不会写 prompt，而是能不能组织 AI 工作。你要知道什么任务值得交给它，什么材料要提前准备，什么时候该让它自己跑，什么时候必须停下来检查。额度放大的是执行力，也会放大使用方式本身的差异。

这次 100 天活动很小，也不应该被写成某种确定的新制度。它更像一个早期信号：AI 工具的竞争，正在从“让更多人试一下”，进入“让更会用的人跑得更远”。

前者是普及，后者是拔高。普及靠入口、免费额度、低门槛和社交传播；拔高靠重度用户、真实案例、复杂任务和持续反馈。一个产品如果只有低门槛，可能会有很多浅层使用；如果没有高质量用户，它就很难证明自己能进入真正复杂的工作。

所以，奖励“会用的人”不是一件小事。它说明 AI 产品开始意识到，用户不是能力的终点，而是能力被发现的地方。模型可以在实验室里变强，但它到底能进入哪些工作、承担多长任务、暴露哪些问题，常常要等那些最会折腾的人把它推到边界上才看得出来。

未来的 AI 工具可能会同时做两件事：一边把入口做得更低，让更多人能开始用；另一边把资源给到最会用的人，让他们跑出新的样板。一个负责扩大底盘，一个负责抬高天花板。

到那个时候，厂商争夺的就不只是用户数量，而是谁拥有更多能把 AI 用出新工作方式的人。因为真正有价值的不是多消耗了多少额度，而是有人拿这些额度，把一段过去只能靠人慢慢完成的工作，跑成了一个可以被看见、被验证、被学习的过程。