--- layout: post.njk source: https://yage.ai/share/openai-codex-knowledge-work-20260603.html speaker: yage.ai title: |- OpenAI 最新报告：会用 AI 正在从竞争优势变成生存门槛 date: '2026-06-04' summary: 文章探讨OpenAI关于Codex和知识工作的报告，以“生产率悖论”类比，指出AI技能正从竞争优势转变为就业门槛。报告强调应由一线员工通过AI自主重构工作流，而非自上而下部署，该转型预计在4-5年内完成。 area: tech-engineering category: ai-application tags: - ai-productivity - knowledge-work - solow-paradox - organizational-change - codex people: - Erik Brynjolfsson - Robert Solow companies_orgs: - OpenAI products_models: - Codex media_books: [] draft: true status: evergreen --- 上个世纪八十年代，会用 Lotus 1-2-3 做电子表格的人，是办公室里最贵的人。到了两千年前后，不会用 Excel 的人，找不到白领工作。从”少数人的优势”到”所有人的门槛”，这个过程走了二十年。 六月二号，OpenAI 发了一份关于 Codex 和知识工作的 报告。报告里有一个让政策制定者停下来读一读的建议：把 AI 熟练度作为基础经济基础设施。措辞不是”鼓励大家学 AI”，不是”培养 AI 人才”。是修路、架电线、铺宽带。默认每个人都有，没有就无法参与经济运转。建议里列的具体做法是：Funding hands-on AI training through schools, community colleges, public agencies, libraries, and employer partnerships。 这个措辞意味着 OpenAI 自己也在押同一个判断：从”会用 AI”变成竞争优势，到”不会用 AI”变成就业障碍，这次时间会被压缩到四到五年。 要理解这个判断为什么成立，得先讲一段跟 AI 看起来没什么关系的历史。 ## 电进了工厂三十年，生产率纹丝不动 一九八七年，经济学家 Robert Solow 在《纽约时报》书评里写了一句话，后来成了经济学里被引用最多的 quip 之一：“你可以在任何地方看到计算机时代，除了生产率统计里。” 这句话不是在开玩笑。八十年代末的美国，个人电脑已经大规模进入办公室，企业花了几十亿美元在 IT 系统上，银行和保险公司用大型机处理交易，文字处理软件替代了打字机。按道理这些投入应该在生产率数据里体现出来。但数据是平的。一九七三年到一九九五年之间，美国的劳动生产率年均增长率从上一时期的接近 3% 掉到了 1.5% 以下。计算机铺得越多，经济产出增长越慢。 这个现象后来有了一个正式的名字：Solow 悖论，或者更通用的叫法是”生产率悖论”。它困扰了经济学家将近二十年，直到 MIT 的 Erik Brynjolfsson 和他的合作者给出了一个解释。Brynjolfsson 的核心论点是：通用技术不是即插即用的。电、蒸汽、计算机都属于”通用技术”。它们能改造几乎每一个行业，但改造的方式不是直接把旧机器换成新机器，而是要求围绕新技术重新设计整个生产流程、组织结构、技能体系和商业模式。这些配套的变革比技术落地本身慢得多，在它们跟上来之前，投入会大于产出，生产率数据就是平的。 这里有一个经常被引用的案例，报告里也提到了，但没有展开。这个案例讲透了为什么今天 AI 面临的局面跟当年电力一模一样。 十九世纪八十年代，第一批电动机进入美国工厂。工厂主做了一件很自然的事：把厂房中间那台巨大的蒸汽机拆掉，换上一台巨大的电动机。厂房的布局没有变。所有机器仍然通过头顶的天轴和皮带连接到中央动力源，一个工人拉了闸，整层楼的机器一起转。唯一的区别是动力从蒸汽换成了电。这波改造花了几十年，而在这几十年里，工厂的生产率几乎没有明显提升。 直到二十世纪一零年代到二十年代，几件事同时发生了。工厂开始在每个机器旁边装独立的小电动机，“单元驱动”系统。这意味着一台机器可以独立开关，不需要带动整层楼的皮带。因为不再需要天轴和皮带了，工厂的天花板可以降低（省照明和供暖），机器可以按照生产流程的物理顺序排列而不是按照离动力源的距离排列（省搬运时间），产线可以按需启动而不是全体一起跑（省能源和维修）。 电动机一直是那个电动机。技术本身没有变。变的是工厂的物理布局、劳动力的组织方式、管理层对”一条产线应该长什么样”的想象。一旦这些跟上来了，生产率开始跳升。从一八九九到一九二九年，美国制造业的劳动生产率增长翻了一倍多，其中电气化是单一最大的驱动力。 这段历史的教训不在电动机的能力，在配套变革的速度。 ## 一份产品报告为什么要讲一百五十年的经济史 回到上面提到的那份报告。OpenAI 在里面放了这些数字：Codex 周活用户超过五百万，从二月桌面版发布以来涨了六倍。知识工作者占了用户的 20%，采用速度是开发者的三倍以上。72% 的知识工作者用它产出文档和报告，47% 做工程运维，46% 写代码，41% 做研究。数据分析是增长最快的任务类型，周环比增长 110%。 一份产品报告放这些数字很正常。不正常的是它的叙事框架。 报告没有从产品功能讲起。它从一八五零年美国农业人口占 60% 讲起，经过制造业的顶峰和衰退，到知识工作成为就业主体。然后接入 Solow 悖论。然后接入 Brynjolfsson。然后接入电动工厂的案例。报告说 Codex 是知识工作的”工厂重新设计”。不是把旧流程交给 AI 跑，是围绕 AI 重新设计工作本身。 在这个框架下，报告列出了四项政策建议。它们不是平行的愿望清单，而是一条连续的推理链，起点就是 Brynjolfsson 的命题。 第一条，现代化公共部门工作流。第二条，把 AI 熟练度作为基础经济基础设施。第三条，把工人放在 AI 采用的中心：最接近问题的人应该决定 AI 在哪个环节介入。第四条，围绕”要完成的工作”更新公共采购规则，而不是按软件许可证采购。 这四条串在一起的意思是：AI 要产生大型生产力收益，靠的不是模型升级，是组织围绕 AI 重建工作流。这个重建不能是自上而下的。组织不可能靠”把旧流程交给 AI 跑”获得 AI 的收益，就像工厂主不可能靠”把蒸汽机换成电动机”获得电气化的收益。重建必须从最接近问题的人那里发起。护士知道哪个表单在拖慢护理，caseworker 知道福利发放在哪一步断掉，老师知道哪部分行政工作在吃掉教学时间。这些人不需要等 IT 部门排期。他们需要工具和权限，然后自己上手。 报告里有两个数据直接支持这个推理方向。 第一个是知识工作者的任务分布。46% 的知识工作者在用 Codex 写代码。不是因为他们突然想学编程了，而是因为”写一段脚本来完成手头的工作”这件事的门槛已经低到不需要等专业开发者。产品经理自己建 dashboard，研究员自己写数据清洗脚本，高管自己搭内部工具来整合文件和生成周报。报告自己的原话是：“软件工作和知识工作之间的边界已经模糊了，因为 AI 让人可以超越自己的正式角色，去构建目标需要的东西。” 第二个是并行任务的比例。约 50% 的用户每天都同时跑多个 Codex 任务，四月中旬这个比例还不到三分之一。用户从”让 AI 帮我做一件事”变成了”让 AI 同时帮我做三件事”。这和从会用 Excel 做一张表到会用 Excel 管一个部门预算之间的跃迁是同一种性质。工具没有变，但工作方式的维度变了。 这两组数据指向了同一件事：AI 工具正在从”专业人员的生产力工具”变成一个更广义的”完成工作的基础能力”。 ## 过去三十年是企业推软件，接下来是软件找用户 把上面这条历史线索和 AI 工具现在的使用数据放在一起，能看到一个跟过去三十年相反的企业软件推行模型。 过去是企业软件推给用户。CIO 选型、走采购、部署、培训，逐个部门推行。用户在等着被培训，被赋予权限。这条路走了三十年，因为它走得慢所以跟得上组织的节奏。 现在反过来了。知识工作者自己找到了 AI 工具，自己开始用了，然后组织才意识到需要建护栏和安全策略。Codex 上知识工作者的增长速度是开发者的三倍多。不是 IT 部门在推动这些人用，是这些人自己发现有东西能帮他们绕过排队和交接。 报告中提出的”工人主导的 AI 采用”就是一个试图把这种自发行为体系化的尝试。让护士、caseworker、老师这些最接近工作的人来决定 AI 在哪个环节介入，然后给他们工具和培训让他们自己建解决方案。不是去替代他们的专业判断，是把那些吃掉他们时间的行政环节自动化掉。 报告里有一个案例。加州州立大学的数学教授 Taiyo Inoue 用 Codex 生成了脚本来维护 Canvas 教学管理系统里的课程信息，每周省下四到五个小时的行政工作。他把省下来的时间花在重新设计课堂，让学生有更多机会一起做题和面对面讨论。一个教授自己写脚本省下来的时间，最终受益的是学生。 ## 从竞争优势到生存门槛，这次只给了几年 电脑技能从优势变成门槛用了二十年。智能手机从少数人的玩具变成人手一台的基础工具用了十年。AI 熟练度这个过程会多快，没有人确切知道。但报告中知识工作者三倍于开发者的采用速度、50% 用户的并行任务比例、周环比 110% 的数据分析增长，这三组数字放在一起指向的时间窗口是四到五年，不是二十年。 对个人来说这意味着：现在花时间学会用 AI 工具完成自己手头的工作，是在建一个几年后默认人人都有的能力。建得越早，中间这几年的价值越大。建得晚，等它变成门槛的时候就没有额外收益了。 对组织来说这意味着：最应该花时间的不是选工具，是把你的团队里最接近问题的人先推到工具前面去。让他们自己找到 AI 能帮他们省掉什么，然后让他们自己上手。组织需要做的事只有两件：给权限，建护栏。