500萬Codex用戶報告解讀：寫代碼的和做表格的，正在變成同一種人
整理版優先睇
Codex 用戶突破 500 萬，編程正變成知識工作者嘅通用技能
呢篇文章係 OpenAI 官方報告《知識工作嘅下一個時代》嘅解讀。報告指出 Codex 周活躍用戶突破 500 萬，知識工作者嘅增速係開發者嘅 3 倍以上，增長最快嘅任務係數據分析、研究同知識產出。作者想帶出嘅核心觀點係：AI 將編程門檻降到自然語言，令知識工作者可以自己寫腳本、造工具，而唔使依賴 IT 部門。整體結論係「編程正變成好似 Excel 咁嘅通用技能」，組織圍繞文件成本建立嘅層級將會被壓扁。
報告最值得睇嘅係一張任務分佈圖：用 Codex 嘅知識工作者入面，72% 做文檔，47% 做工程運維，46% 寫代碼。呢啲人嘅正職係產品經理、分析師、設計師，但佢哋而家直接用 Codex 寫腳本、建儀表盤、造內部工具。文章仲舉咗四個真實案例：數學教授 Taiyo Inoue 用 Codex 自動更新課程管理系統，每週慳 4-5 個鐘，然後重新設計課堂；聽力受損嘅 Luke Xing 自己整咗一個桌面應用嚟測試同調整聽力輸出；GroundVue 三個創辦人用 Codex 揾政府公共資訊，工作效率由幾日變成分鐘；Proaction 五個人嘅車隊管理公司用 Codex 將客戶對話變成定製方案。
報告最後畀咗四條政策建議：公共機構應該用 AI 改造工作流、AI 素養要變成基礎設施、落地應該由一線員工主導、政府採購應該按問題而非軟件招標。作者認為最大回報唔喺大公司總部，而喺診所、實驗室、地方政府辦公室同小工廠。
- Codex 周活躍用戶突破 500 萬，知識工作者增速係開發者嘅 3 倍以上，個人用戶增速更達 4 倍。
- 增長最快嘅任務：數據分析周環比增長 110%，研究 +37%，知識產出物 +36%。
- 任務分佈顯示 72% 做文檔、47% 做運維、46% 寫代碼，非程式員亦頻繁用 Codex 寫腳本。
- 案例說明：非程式員（數學教授、聽障人士、小團隊）用自然語言造工具，解決以前要跨部門搞掂嘅問題。
- 結論：編程正變成通用技能，AI 放到離問題最近嘅地方，組織層級會被壓扁。
OpenAI 報告全文：The Next Era of Knowledge Work
官方 PDF，包含完整數據、圖表同政策建議。
500 萬用戶背後：知識工作者開始主導增長
OpenAI 喺 6 月 2 日發佈咗呢份報告，披露 Codex 周活躍用戶突破 500 萬，比起 2 月桌面版上線時增長超過 6 倍。開發者依然係最大用戶羣，但知識工作者嘅增速係開發者嘅 3 倍以上，個人用戶增速更係 4 倍。呢班人主要用嚟做愛好、創意項目、自學、個人財務同娛樂。
知識工作者嘅增速係開發者嘅 3 倍以上
增長最快嘅三個任務類型係數據分析（周環比增長 110%）、研究（+37%）同知識產出物（+36%）。PDF 同電子表格相關用戶增長超過 50%，數據標註喺數據分析入面增速最快。
任務分佈：寫代碼嘅同做表格嘅變成同一種人
報告入面最有信息量嘅係一張任務分佈圖：用 Codex 嘅知識工作者入面，72% 做文檔，47% 做工程運維，46% 寫代碼。呢啲人嘅正職係產品經理、分析師、設計師、研究員，唔係程式員。但佢哋而家自己寫腳本、建儀表盤、造內部工具，唔使再排隊等 IT。
- 產品經理自己建儀表盤，唔使排工程隊列。
- 研究員自己寫數據清洗腳本，唔使提需求畀 IT。
- 設計師直接出可交互原型，唔使經過開發。
- 高管自己造內部工具，每週自動出週報。
唔係寫代碼嘅增長最快，係用代碼去做其他嘢增長最快
四個案例：非程式員自己造工具，效率飛升
報告放咗四個「非程式員自己造工具」嘅案例，每個都好有代表性。加州州立大學數學教授 Taiyo Inoue 每週用 Codex 自動更新課程管理系統，慳咗 4-5 個鐘，然後重新設計課堂令學生有更多面對面合作機會。Luke Xing 左耳有聽力損失，用 Codex 造咗一個桌面應用測試聽力同調較輸出，解決咗商業軟件覆蓋唔到嘅個人需求。
呢兩條友之前都唔識寫 code！
GroundVue 係一間幫政府做公共信息檢索嘅公司，三個創辦人之前做政府數據同公共政策。佢哋用 Codex 揾難以獲取嘅公共信息源，以前要幾日到幾星期嘅工作，而家幾分鐘搞掂。Proaction 做車隊管理，五個人嘅團隊用 Codex 將客戶對話直接變成定製方案同可交互演示，簽約前就跑到流程。
一個小團隊做咗以前要一大批技術人員同研究員先做到嘅嘢
呢四個案例嘅共通點：冇一個人嘅職業係程式員，但佢哋都用 Codex 解決咗以前需要跨部門協調嘅問題。
組織層級會被壓扁：從中央發電機到車間重新設計
報告用電力做類比：工廠由蒸汽機換成電動機嗰陣，一開始只係將電機裝喺原來位置，生產力冇咩變化。直到重新設計成條生產線，將分佈式電機放到每台機器旁邊，效率先飛升。知識工作仲卡喺「將電機裝喺蒸汽機位」呢一步。
- 1 資訊摩擦：知識工作者平均 28% 工時花喺處理郵件，近 20% 用嚟揾內部資訊或幫手嘅人。
- 2 跨工具協調：資訊喺團隊、工具、格式之間搬來搬去，每個 SaaS 解決一個問題但創造更多碎片。
- 3 審批驗證：測試、Code Review、合夥人審批等成本唔會被自動化消滅，但可以被壓縮。
報告判斷：Codex 係將 AI 放到離問題最近嘅地方
報告最後畀咗四條政策建議：公共機構用 Agent 改造工作流；AI 素養當基礎設施；落地由一線員工主導；政府採購按問題而非軟件招標。最大回報唔喺總部，而喺診所、實驗室、地方政府同小工廠。
Luke Xing 左耳有嚴重同唔穩定嘅聽力損失。市面上嘅助聽軟件一係太貴，一係唔支援佢嘅情況。佢同 Codex 描述咗自己嘅需求，AI 幫佢整咗個桌面應用：可以測量唔同頻段嘅聽力，可以根據耳機同外放分別調整輸出。
唔係醫療器械，而係商業軟件冇覆蓋到嘅個人需求，佢自己搞掂咗。
重要嘅係，呢兩個人之前都唔識寫 code！
6 月 2 號，OpenAI 出咗份叫《知識工作嘅下一個時代》嘅報告。
Codex 周活躍用戶突破 500 萬，比起 2 月桌面版上線時增長超過 6 倍。開發者仍然係最大嘅用戶羣，但知識工作者已經佔咗大約 20%，增速係開發者嘅 3 倍以上。個人用戶佔 5% 以上，增速係開發者嘅 4 倍，主要用喺興趣、創意項目、自學、個人理財同娛樂方面。
增長最快嘅三個任務類型：數據分析（週環比增長 110%），研究（+37%），知識產出物（+36%）。
呢份報告入面最有資訊量嘅唔係增長曲線，而係一張關於知識工作者用緊 Codex 做咩嘅任務分佈圖。
一張令人意外嘅分佈圖
用 Codex 嘅知識工作者入面，72% 做緊文檔，47% 做緊工程運維，46% 寫緊 code。
唔係程序員兼職做咗啲文檔。
係做表格嘅人開始寫 code 喇。
呢啲人嘅正式頭銜仲係產品經理、分析師、設計師、研究員。
只不過而家佢哋有接近一半嘅日常工作涉及寫 code 或者管系統。產品經理自己整儀錶板唔排工程隊列喇，研究員自己寫數據清洗腳本唔提需求俾 IT 喇，設計師直接出可互動原型唔經開發，高管自己整內部工具每星期自動出週報。
擺喺兩年前，呢度每一件事都要揾開發幫手。
增長最快嘅三類任務：
數據分析週環比增長 110%，研究 +37%，知識產出物 +36%。PDF 同電子表格相關用戶增長超過 50%。
數據分析入面，數據標註佔咗大頭，亦都係增速最快嘅子類。
研究類入面，企業調研、競品分析、市場規模摸底增長最多。
另外有超過 40% 增長嘅場景分散喺各個方向：寫 email、設計產品、睇合同法規、招聘面試。
唔係寫 code 嘅增長最快。
係攞 code 當工具去做第啲嘢增長最快。
40 年前嘅問題
先講個背景數字
美國超過 40% 嘅勞動力，大約 7200 萬人，做嘅都係知識工作：分析、寫文檔、做決策、管系統、搞溝通。
Peter Drucker 喺 1959 年創造咗呢個詞，用嚟描述「主要輸入同輸出係符號而唔係農作物或製成品」嘅職業。軟件、工程、科研、管理、教育、醫療、法律、金融、設計、營銷、新聞、諮詢、公共行政，全部算。
報告花咗唔少篇幅回答一個老問題：電腦發明咗 40 幾年，點解呢 7200 萬人仲係覺得自己喺度打雜？
經濟學家索洛（Robert Solow）喺 1987 年觀察到，電腦時代周圍都見到電腦，唯獨喺生產力統計數據度睇唔到。布林約爾松後來俾呢個現象改咗個名，叫生產力悖論，並提出一個解釋：資訊科技要產生大規模生產力收益，組織必須圍繞科技重新設計流程、技能同管理結構，而唔係將新科技塞入舊流程度。
報告用電力做咗個比喻：工廠由蒸汽機換成電動機之後，一開始只係將電機裝喺蒸汽機原先嘅位置。生產力冇乜點變。直到工廠重新設計咗整條生產線，將分佈式電機放到每部機器旁邊，效率先飛升。
呢個過程
花咗幾十年
知識工作仲喺度等同樣嘅「車間重新設計」。
報告將知識工作嘅日常成本拆成三個摩擦：
揾資訊： 麥肯錫嘅數據，知識工作者平均 28% 嘅工作時間花喺處理 email 度，接近 20% 花喺揾內部資訊或者揾可以幫手嘅同事度。資訊藏喺 inbox、文件夾、聊天記錄、工單系統、儀錶板、會議記錄同自己個腦度，周圍都有，就係唔喺同一個地方。
跨工具協調： 資訊要喺團隊、工具、格式之間搬嚟搬去。Email 令通訊變快咗，但通訊量翻倍咗。文檔工具令起草變平咗，但草稿同審批輪次都翻倍咗。每個 SaaS 解決咗一個問題，但俾咗你一堆碎片化工具。
審批驗證： 做完嘢要過審。工程團隊要跑測試、做 Code Review、部署監控。律所要經合夥人審批同客戶確認。科研要做實驗復現。呢一層成本同前兩層唔同，佢唔會被自動化消滅，但可以被壓縮。
知識工作仲卡喺「將電機裝喺蒸汽機原先嘅位置」呢一步。
Email 令通訊變快咗，通訊量翻倍咗。文檔工具令起草變平咗，草稿同審批輪次都翻倍咗。每個 SaaS 解決咗一個問題，但俾咗你一堆碎片化工具。麥肯錫嘅數據：知識工作者平均 28% 嘅工作時間花喺處理 email 度，接近 20% 花喺揾內部資訊或者揾可以幫手嘅同事度。
諗下大公司嘅組織架構係點嚟嘅。秘書池、跨部門協作組、層層審批鏈、一疊疊嘅文書流轉。呢啲結構嘅根本原因係生產同搬運文件嘅成本高。你需要專人起草、專人審核、專人分發、專人歸檔。
報告嘅判斷係：Codex 唔係取代知識工作者，而係將 AI 放到離問題最近嘅地方，令到每個人自己就可以解決以前需要跨部門協調嘅事。就好似當年工廠將電機從中央動力房搬到每部機器旁邊一樣。
當生產文件嘅成本趨近於零，圍繞呢個成本建立嘅組織層級都會被壓扁。
四個嘅故事
報告入面放咗四個案例。每個都係「非程序員自己整工具」嘅故事，比數據更直觀。
GroundVue 係一間幫政府做公共資訊檢索嘅公司，三個創辦人之前分別喺政府數據同公共政策領域工作。美國大概有 9 萬個政府機構，關鍵資訊散落喺影片、網站、各種地方平台度。GroundVue 用 Codex 去揾呢啲難以獲取嘅公共資訊源，建立持續採集系統。以前要幾日至幾星期嘅工作，而家幾分鐘。一個小團隊做咗以前需要一大批技術人員同研究員先做到嘅嘢。
Proaction 做車隊管理，幫企業管理車輛同設備。數據散落喺遠程監控系統、維修平台、電子表格同員工個腦度。聯合創辦人用 Codex 將客戶對話直接變成度身方案、流程原型同可互動嘅演示。五個人嘅公司，唔靠通用銷售方案，靠係簽約前就將方案跑通。
Taiyo Inoue 係加州州立大學嘅數學教授。佢用 Codex 做嘅嘢好細：自動更新課程管理系統入面嘅作業、日曆、公告。呢啲嘢以前每星期要花幾個鐘手動維護。而家叫 AI 幫佢生成腳本，批量處理。佢估算每星期慳 4 到 5 個鐘。慳返嘅時間，佢重新設計咗課堂教學，令學生有更多機會面對面合作解題。
Luke Xing 左耳有嚴重同唔穩定嘅聽力損失。佢同 Codex 描述咗呢個問題，AI 幫佢整咗個桌面應用：測試唔同頻段嘅聽力，根據設備調整音頻輸出。唔係醫療器械，而係一個商業軟件冇覆蓋到嘅個人需求，佢自己搞掂咗。
四個案例，冇一個人嘅職業係程序員。
一個人就頂一個編制
4 月中，唔夠三分之一嘅 Codex 用戶會喺一日內同時跑多個任務。到 6 月，呢個比例超過咗 50%。
三個月，由順序執行變成並行執行。一個人同時開住幾個任務：一個喺度查數據集，一個喺度寫分析腳本，一個喺度生成報告。
500 萬周活（週活躍用戶）說明有幾多人用緊
50% 並行說明佢哋點樣用
後者更加重要
編程（寫 code）正在變成好似 Excel 咁嘅通用技能
「人人都會寫 code」叫咗十年，每次都似口號。
46% 嘅知識工作者每星期都用 Codex 寫 code，增速係開發者嘅 3 倍以上。個人用戶佔 5%，增速係開發者嘅 4 倍，用喺興趣、創意項目、自學、個人理財同娛樂方面。
開發者用 Codex 做文檔，知識工作者用 Codex 寫 code。兩邊正向對方嘅領域滲透。
1990 年代，財務人員學 Excel 唔係為咗成為程序員，而係因為佢可以直接解決問題。2026 年，分析師用 Codex 寫腳本亦都唔係為咗轉行，而係因為呢個方法比提需求排隊等 IT 快。
分別在於門檻：表格軟件要學函數語法，Codex 只需要用自然語言描述需求。
返去嗰張任務分佈圖。
72% 做文檔，47% 做運維，46% 寫 code。三個數字畫出嚟嘅唔係「非開發者偶爾掂下 code」，而係「code 已經成為知識工作嘅常規工具」。
報告最後仲俾咗四條政策建議：
公共機構應該用 Agent 改造工作流程並量化效果；
AI 素養應該當基礎設施嚟建，入學校、入社區大學、入圖書館；
AI 落地應該由前線員工主導，因為離問題最近嘅人最知道邊度需要改；
政府採購應該按「要解決嘅問題」而唔係「要買嘅軟件」嚟招標。
呢四條指向同一個判斷：最大嘅回報唔喺大公司總部，而喺診所、實驗室、地方政府辦公室同小型工廠入面。
一個左耳聽力受損嘅人，自己整咗一個商業軟件公司冇做嘅聽力輔助工具。一個數學教授，每星期慳返 5 個鐘行政時間用嚟教學生。一個五人嘅車隊管理公司，簽約前就可以俾客戶跑出度身方案。
呢啲事兩年前都唔會發生。
報告原文：https://cdn.openai.com/pdf/the-next-era-of-knowledge-work.pdf
Luke Xing 左耳有嚴重且不穩定的聽力損失。市面上的助聽軟件要麼太貴，要麼不支持他的情況。他跟 Codex 描述了自己的需求，AI 幫他造了一個桌面應用：能測不同頻段的聽力，能根據耳機和外放分別調輸出。
不是醫療器械，是商業軟件沒覆蓋到的個人需求，他自己解決了。
重要的是，這兩個人之前都不會代碼！
6 月 2 日，OpenAI 發了一份叫《知識工作的下一個時代》的報告。
Codex 周活躍用戶突破 500 萬，比 2 月桌面版上線時增長超過 6 倍。開發者仍然是最大的用戶羣，但知識工作者已經佔了約 20%，增速是開發者的 3 倍以上。個人用戶佔 5% 以上，增速是開發者的 4 倍，主要用在愛好、創意項目、自學、個人財務和娛樂上。
增長最快的三個任務類型：數據分析（周環比增長110%），研究（+37%），知識產出物（+36%）。
這份報告裏最有信息量的不是增長曲線，是一張關於知識工作者在用 Codex 做什麼的任務分佈圖。
一張意外的分佈圖
用 Codex 的知識工作者裏，72% 在做文檔，47% 在做工程運維，46% 在寫代碼。
不是程序員兼職做了點文檔。
是做表格的人開始寫代碼了。
這些人的正式頭銜還是產品經理、分析師、設計師、研究員。
只不過現在他們有將近一半的日常工作涉及寫代碼或者管系統。產品經理自己建儀表盤不排工程隊列了，研究員自己寫數據清洗腳本不提需求給 IT 了，設計師直接出可交互原型不經過開發，高管自己造內部工具每週自動出週報。
放在兩年前，這裏每一件事都需要找開發幫忙。
增長最快的三類任務：
數據分析周環比增長 110%，研究 +37%，知識產出物 +36%。PDF 和電子表格相關用戶增長超過 50%。
數據分析裏，數據標註佔了大頭，也是增速最快的子類。
研究類裏，企業調研、競品分析、市場規模摸底增長最多。
另外有超過 40% 增長的場景散在各個方向：寫郵件、設計產品、看合同法規、招聘面試。
不是寫代碼的增長最快。
是拿代碼當工具去幹別的事在增長最快。
40 年前的問題
先說個背景數字
美國超過 40% 的勞動力，大約 7200 萬人，做的都是知識工作：分析、寫文檔、做決策、管系統、搞溝通。
Peter Drucker 1959 年創造了這個詞，用來描述「主要輸入和輸出是符號而不是莊稼或製成品」的職業。軟件、工程、科研、管理、教育、醫療、法律、金融、設計、營銷、新聞、諮詢、公共行政，全算。
報告花了不少篇幅回答一個老問題：電腦發明了 40 多年，為什麼這 7200 萬人還是覺得自己在打雜？
經濟學家索洛（Robert Solow）在 1987 年觀察到，計算機時代到處都能看到計算機，唯獨在生產力統計數據裏看不到。布林約爾松後來給這個現象起了個名字，叫生產力悖論，並提出了一個解釋：信息技術要產生大規模生產力收益，組織必須圍繞技術重新設計流程、技能和管理結構，而不是把新技術塞進舊流程裏。
報告用電力做了個類比：工廠從蒸汽機換成電動機之後，一開始只是把電機裝在蒸汽機原來的位置。生產力沒怎麼變。直到工廠重新設計了整條生產線，把分佈式電機放到每台機器旁邊，效率才飛起來。
這個過程
花了幾十年
知識工作還在等同樣的「車間重新設計」。
報告把知識工作的日常成本拆成了三個摩擦：
找信息： 麥肯錫的數據，知識工作者平均 28% 的工作時間花在處理郵件上，將近 20% 花在找內部信息或者找能幫忙的同事上。信息藏在收件箱、文件夾、聊天記錄、工單系統、儀表盤、會議記錄和自己的腦子裏，哪兒都有，就是不在一個地方。
跨工具協調： 信息要在團隊、工具、格式之間搬來搬去。Email 讓通信變快了，但通信量翻倍了。文檔工具讓起草變便宜了，但草稿和審批輪次也翻倍了。每個 SaaS 解決了一個問題，但給了你一堆碎片化工具。
審批驗證： 做完東西要過審。工程團隊要跑測試、做 Code Review、部署監控。律所要走合夥人審批和客戶確認。科研要做實驗復現。這一層成本和前兩層不一樣，它不會被自動化消滅，但可以被壓縮。
知識工作還卡在「把電機裝在蒸汽機原來的位置」這一步。
Email 讓通信變快了，通信量翻倍了。文檔工具讓起草變便宜了，草稿和審批輪次也翻倍了。每個 SaaS 解決了一個問題，但給了你一堆碎片化工具。麥肯錫的數據：知識工作者平均 28% 的工作時間花在處理郵件上，將近 20% 花在找內部信息或者找能幫忙的同事上。
想想大公司的組織架構是怎麼來的。秘書池、跨部門協作組、層層審批鏈、一摞一摞的文書流轉。這些結構的根本原因是生產和搬運文件的成本高。你需要專人起草、專人審核、專人分發、專人歸檔。
報告的判斷是：Codex 不是替代知識工作者，是把 AI 放到離問題最近的地方，讓每個人自己就能解決以前需要跨部門協調的事。就像當年工廠把電機從中央動力房搬到每台機器旁邊一樣。
當生產文件的成本趨近於零，圍繞這個成本建起來的組織層級也會被壓扁。
四個人的故事
報告裏放了四個案例。每個都是“非程序員自己造工具”的故事，比數據更直觀。
GroundVue 是一家幫政府做公共信息檢索的公司，三個創始人之前分別在政府數據和公共政策領域工作。美國大概有 9 萬個政府機構，關鍵信息散落在視頻、網站、各種地方平台裏。GroundVue 用 Codex 去找這些難以獲取的公共信息源，建持續採集系統。以前要幾天到幾周的工作，現在幾分鐘。一個小團隊幹了以前需要一大批技術人員和研究員才能乾的活。
Proaction 做車隊管理，幫企業管車輛和設備。數據散在遠程監控系統、維修平台、電子表格和員工腦子裏。聯合創始人用 Codex 把客戶對話直接變成定製方案、流程原型和可交互的演示。五個人的公司，不靠通用銷售方案，靠的是籤合同前就把方案跑通。
Taiyo Inoue 是加州州立大學的數學教授。他用 Codex 做的事很小：自動更新課程管理系統裏的作業、日曆、公告。這些活以前每週要花好幾個小時手動維護。現在讓 AI 幫他生成腳本，批量處理。他估算每週省 4 到 5 個小時。省出來的時間，他重新設計了課堂教學，讓學生有更多機會面對面合作解題。
Luke Xing 左耳有嚴重且不穩定的聽力損失。他跟 Codex 描述了這個問題，AI 幫他造了一個桌面應用：測試不同頻段的聽力，根據設備調整音頻輸出。不是醫療器械，是一個商業軟件沒覆蓋到的個人需求，他自己解決了。
四個案例，沒有一個人的職業是程序員。
一個人變成一個編制
4 月中旬，不到三分之一的 Codex 用戶會在一天內同時跑多個任務。到 6 月，這個比例超過了 50%。
三個月，從順序執行變成了並行執行。一個人同時開着幾個任務：一個在查數據集，一個在寫分析腳本，一個在生成報告。
500 萬周活說明有多少人在用
50% 並行說明他們怎麼用
後者更重要
編程正在變成像 Excel 一樣的通用技能
「人人都會寫代碼」喊了十年，每次都像口號。
46% 的知識工作者每週都在用 Codex 寫代碼，增速是開發者的 3 倍以上。個人用戶佔 5%，增速 4 倍於開發者，用在愛好、創意項目、自學、個人財務和娛樂上。
開發者用 Codex 做文檔，知識工作者用 Codex 寫代碼。兩邊在向對方的領域滲透。
1990 年代，財務人員學 Excel 不是為了成為程序員，是因為它能直接解決問題。2026 年，分析師用 Codex 寫腳本也不是為了轉行，是因為這比提需求排隊等 IT 快。
區別在於門檻：表格軟件要學函數語法，Codex 只要用自然語言描述需求。
回到那張任務分佈圖。
72% 做文檔，47% 做運維，46% 寫代碼。三個數字畫出來的不是“非開發者偶爾碰碰代碼”，是“代碼已經成了知識工作的常規工具”。
報告最後還給了四條政策建議：
公共機構應該用 Agent 改造工作流並量化效果；
AI 素養應該當基礎設施來建，進學校、進社區大學、進圖書館；
AI 落地應該讓一線員工主導，因為離問題最近的人最知道哪裏該改；
政府採購應該按”要解決的問題”而不是”要買的軟件”來招標。
這四條指向同一個判斷：最大的回報不在大公司總部，在診所、實驗室、地方政府辦公室和小工廠裏。
一個左耳聽力受損的人，自己造了一個商業軟件公司沒做的聽力輔助工具。一個數學教授，每週省下 5 個小時行政時間用來教學生。一個五人的車隊管理公司，簽單前就能給客戶跑出定製方案。
這些事兩年前都不會發生。
報告原文：https://cdn.openai.com/pdf/the-next-era-of-knowledge-work.pdf