把 Codex 當工作台，不要只當聊天框

唔好一嚟就同團隊上十堂 AI 課。

拎一個每星期重複嘅任務，今日就可以跑一個版本出嚟。

例如：整理會議記錄、更新表格、生成週報、維護課程系統、清理一啲數據。

呢類工作好細。

亦都最啱用 Codex 做。

OpenAI 最近嗰份關於 Codex 同知識工作嘅報告，最值得留意嘅唔係功能更新，而係佢點樣定義 AI 熟練度。

報告建議將 AI 熟練度當做基本經濟基建。

呢句說話聽落好宏大。

落到實際操作，其實好具體：學校、社區學院、公共機構、圖書館、僱主合作，一齊做 hands-on AI training。

留意，係 hands-on。

唔係聽課。

係拎自己嘅工作上落手做。

我建議你將 Codex 當做一個工作枱，而唔係聊天框。

聊天框適合問問題。

工作枱要用嚟接收輸入、執行任務、產生文件、畀人檢查、再固化做下一次可以重用嘅流程。

先由一個任務開始。

唔好由「令團隊學 AI」開始。

呢個目標太虛無。

換成呢句：

「將逢星期三上晝要做嘅營運週報，用 Codex 跑到第一個版本。」

咁樣就可以拆解。

第一步，寫清楚輸出。

你最尾要啲乜？

一份 Markdown 報告、一個表格、一個儀錶板、一段腳本、一頁畀上司睇嘅摘要，定係一個可以分享嘅頁面？

輸出唔清楚，Codex 就會陪你兜圈。

第二步，收集輸入。

原始表格放邊度？會議記錄喺邊？舊報告係點樣？邊啲口徑唔改得？邊啲數字一定要人手確認？

呢啲嘢先列曬出嚟。

唔好一嚟就畀 AI 「自由發揮」。

第三步，畀 Codex 一個狹窄嘅任務。

可以咁樣寫：

讀取這份運營數據和上週報告。
保留原來的指標口徑。
輸出一版本週週報草稿。
單獨列出你不確定的數字。
不要改動沒有來源的結論。

呢個提示詞唔神奇。

佢有用，係因為佢將輸出、邊界、檢查點都講清楚曬。

第四步，畀人檢查。

呢一步唔可以慳。

AI 熟練度唔係「相信 AI」。

係知道邊啲地方可以交畀佢，邊啲地方一定要自己睇。

例如數據口徑、客戶承諾、學生資訊、財務判斷、政策解釋，都要留人手檢查點。

第五步，將流程儲存落嚟。

如果今次跑得通，唔好停喺一次性對話。

將輸入清單、提示詞、檢查項目、輸出模板儲存做一份操作卡。

下星期繼續用。

呢啲先叫做工作流程。

呢個同電力進入工廠嘅歷史好相似。

早期工廠只係將中央蒸汽機換成中央電動機，佈局冇變，機器仲係一齊轉，生產率冇乜點提升。

後來每部機器旁邊裝咗細電機。機器可以獨立開關，生產線按流程重新排，搬運同等待都少咗。

技術冇變。

工作方式就變咗。

而家好多團隊用 AI，都仲係停喺第一步。

佢哋將舊流程掟畀 AI，叫佢快啲。

呢個當然可以慳返少少時間。

但更大嘅收益係嚟自重新安排流程。

例如以前寫週報係咁樣：

人去做數據，人去整理表格，人去解釋變化，人去寫報告，人畀上司改。

而家可以改成：

人定義口徑，Codex 清理數據，Codex 生成第一個版本嘅報告，人檢查異常，Codex 根據反饋改第二版。

人冇消失。

人由搬運資訊，變成檢查判斷。

OpenAI 報告裏面嘅數據都可以睇到呢個方向。

Codex 每星期活躍用戶超過五百萬。知識工作者大約佔 20%，採用速度係開發者三倍以上。72% 嘅知識工作者用佢做文件同報告，47% 做工程運維，46% 寫程式碼，41% 做研究。

最有趣嘅係並行任務。

大約 50% 嘅用戶每日同時執行多個 Codex 任務。

呢個表示佢哋已經唔係淨係問一個問題。

他們在同時進行研究、寫作、清理數據、生成腳本、檢查結果。

你都可以咁做，但唔好一次過開十個任務。

先開三個。

一個任務負責整理材料。

一個任務負責生成初稿。

一個任務負責捉錯處。

最後由你合併。

仲有一個例子好實在。

加州州立大學數學教授 Taiyo Inoue 用 Codex 生成腳本，維護 Canvas 入面嘅課程資訊，每星期慳到四至五個鐘。

呢個例子好就好在佢唔誇張。

冇話 AI 可以取代老師。

只係將老師由重複嘅維護工作入面解放少少出嚟。

慳返嚟嘅時間，用嚟重新設計課堂，令學生多做題目、多討論。

呢個就係我建議嘅起點。

唔好問「AI 可以改變啲乜嘢行業」。

問一個更細嘅問題：

我今個星期邊件重複工作，可唔可以交畀 Codex 跑到 70 分？

70 分夠啦。

剩低 30 分由人檢查。

跑通一個，再做第二個。

幾個月之後，你手上面就唔係一大堆聊天記錄，而係一套真正可以運作嘅流程。

AI 熟練度唔會靠聽課就生得出嚟。

佢係靠一次又一次咁將手頭嘅工作跑通。

先別給團隊上十節 AI 課。

拿一個每週重複的任務，今天就能跑一版。

比如：整理會議紀要，更新表格，生成周報，維護課程系統，清洗一份數據。

這類活很小。

也最適合用 Codex。

OpenAI 最近那份關於 Codex 和知識工作的報告，最值得注意的地方不是功能更新，而是它怎麼定義 AI 熟練度。

報告建議把 AI 熟練度當作基礎經濟基礎設施。

這句話聽起來很大。

落到操作上，其實很具體：學校、社區學院、公共機構、圖書館、僱主合作，一起做 hands-on AI training。

注意，是 hands-on。

不是聽課。

是拿自己的工作上手。

我建議你把 Codex 當成一個工作台，而不是聊天框。

聊天框適合問問題。

工作台要接住輸入、跑任務、產出文件、讓人檢查、再固化成下一次能複用的流程。

先從一個任務開始。

不要從“讓團隊學 AI”開始。

這個目標太虛。

換成這句話：

“把每週三上午要做的運營週報，用 Codex 跑到第一版。”

這樣就能拆。

第一步，寫清輸出。

你最後要的是什麼？

一份 Markdown 報告，一個表格，一個儀表盤，一段腳本，一頁給領導看的摘要，還是一個可以分享的頁面？

輸出不清，Codex 會陪你繞。

第二步，收集輸入。

原始表格放哪？會議紀要在哪？舊報告長什麼樣？哪些口徑不能改？哪些數字必須人工確認？

這些東西先列出來。

不要一上來就讓 AI “自由發揮”。

第三步，給 Codex 一個窄任務。

可以這樣寫：

讀取這份運營數據和上週報告。
保留原來的指標口徑。
輸出一版本週週報草稿。
單獨列出你不確定的數字。
不要改動沒有來源的結論。

這個提示詞不神奇。

它有用，是因為它把輸出、邊界、檢查點都說清楚了。

第四步，讓人檢查。

這一步不能省。

AI 熟練度不是“相信 AI”。

是知道哪些地方可以交給它，哪些地方必須自己看。

比如數據口徑、客戶承諾、學生信息、財務判斷、政策解釋，都要留人工檢查點。

第五步，把流程存下來。

如果這次跑通了，不要停在一次性對話。

把輸入清單、提示詞、檢查項、輸出模板存成一份操作卡。

下週繼續用。

這才叫工作流。

這和電進工廠的歷史很像。

早期工廠只是把中央蒸汽機換成中央電動機，佈局沒變，機器還是一起轉，生產率沒怎麼動。

後來每台機器旁邊裝小電機。機器能獨立開關，產線按流程重新排，搬運和等待都少了。

技術沒變。

工作方式變了。

現在很多團隊用 AI，也還停在第一步。

他們把舊流程丟給 AI，讓它快一點。

這當然能省一點時間。

但更大的收益來自重新安排流程。

比如以前寫週報是這樣：

人去找數據，人去整理表格，人去解釋變化，人去寫報告，人去給領導改。

現在可以改成：

人定義口徑，Codex 清洗數據，Codex 生成第一版報告，人檢查異常，Codex 根據反饋改第二版。

人沒有消失。

人從搬運信息，變成檢查判斷。

OpenAI 報告裏的數據也能看出這個方向。

Codex 周活超過五百萬。知識工作者約佔 20%，採用速度是開發者三倍以上。72% 的知識工作者用它做文檔和報告，47% 做工程運維，46% 寫代碼，41% 做研究。

最有意思的是並行任務。

約 50% 的用戶每天同時跑多個 Codex 任務。

這說明他們已經不是隻問一個問題。

他們在同時跑研究、寫作、清數據、生成腳本、檢查結果。

你也可以這麼做，但別一下子開十個任務。

先開三個。

一個任務負責整理材料。

一個任務負責生成初稿。

一個任務負責挑錯。

最後由你合併。

還有一個例子很實在。

加州州立大學數學教授 Taiyo Inoue 用 Codex 生成腳本，維護 Canvas 裏的課程信息，每週省下四到五個小時。

這個例子好就好在它不誇張。

沒有說 AI 替代老師。

只是把老師從重複維護裏放出來一點。

省下來的時間，被拿去重新設計課堂，讓學生多做題、多討論。

這就是我建議的起點。

不要問“AI 能改變什麼行業”。

問一個更小的問題：

我這周哪件重複工作，能不能交給 Codex 跑到 70 分？

70 分夠了。

剩下 30 分由人檢查。

跑通一個，再做第二個。

幾個月之後，你手裏就不是一堆聊天記錄，而是一套真正能工作的流程。

AI 熟練度不會靠聽課長出來。

它靠一次又一次把手頭工作跑通。