OpenAI 為什麼要把 Codex 併進 ChatGPT？一場訪談，看懂「品味」如何取代「執行力」成為新稀缺能力

多數談 AI 產品的訪談，講的是模型能力又升級了多少；這一集特別的地方，是講「組織怎麼跟著模型一起變」。Lenny's Podcast 找來 OpenAI Codex 桌面應用負責人 Andrew Ambrosino，他談的不是 benchmark，而是 OpenAI 內部這一年怎麼用自家的 Codex，把產品開發、產品經理的角色定義、甚至「什麼叫做把事情做好」都重寫了一遍。對每天在想「AI 到底該怎麼放進我的工作流」的台灣產品人與知識工作者，這是一段值得看完的訪談。

一、產品開發的典範轉移：「實作」變便宜了，「品味」變貴了

Ambrosino 一開場就點出一個過去十年產品開發的預設：實作很貴。正因為把一個構想做成能跑的東西要花好幾週甚至好幾個月，團隊才會逼自己先做大量研究、寫厚厚的 PRD、畫原型，用這些「便宜」的替代品先幫真正昂貴的實作降風險。研究、規劃、實作，三個階段依序走完，是過去理所當然的順序。

AI 把這個假設打掉了。當寫出一版能跑的東西只要幾分鐘到幾小時，「先想清楚再做」的邏輯就不再成立——反過來更划算的做法，是先做出幾個版本、看哪個真的行得通，再決定要不要投入整合。流程從「研究 → 規劃 → 實作」，變成「快速嘗試 → 挑選與整合」。

這個轉變帶出一個乍看反直覺的結論：當人人都能量產原型，真正稀缺、真正值錢的能力不再是「做得出來」，而是「品味」（Taste）——知道哪些構想值得投入、怎麼把一堆散落的功能整合成一致的產品體驗、怎麼判斷一個東西做到哪個程度算「夠好」。實作的門檻消失後，剩下的競爭場地全是判斷力。

Ambrosino 也提醒不要對特定流程有執念。過去很多團隊把「寫 PRD」「做原型」本身當成目標，忘了這些東西只是達成結果的手段。他的建議很實際：依任務挑媒材——邏輯不清楚、需要對齊利害關係人的共識，就用文件把話說清楚；要驗證一個互動好不好用，就直接做一個能點的原型去做壓力測試。工具永遠服務於目的，不是反過來。

二、Codex 與 OpenAI 的內部文化：混沌，但混沌得有章法

訪談裡最有意思的部分，是 Ambrosino 描述 OpenAI 內部怎麼「吃自己的狗糧」。他說幾乎全公司的人——不只是工程師，包括財務、法務、行銷——每週都在用 Codex，而且回饋迴路快到誇張：內部同事這週遇到一個卡點，下週那個功能可能就補上了。這種高密度、即時的內部試用，是 Codex 能快速迭代的底層動力。

在這麼快速變動的環境裡，傳統那種「年度規劃、季度里程碑」的產品管理方式撐不住。Ambrosino 用了一個比喻——「區域防守」（Zone Defense）：與其像過去那樣畫好每個人的固定守備範圍、按表操課，PM 更像籃球場上打區域聯防的球員，眼睛盯著整片場地，哪裡出現空檔就補位過去，協調各種同時在進行的探索、把功能缺口填起來，而不是預先規劃好誰做什麼。

這種混沌也讓職能的邊界變得模糊。在 Codex 團隊裡，設計師自己寫程式、PM 帶著扎實的技術背景做決策，早已不是特例。Ambrosino 的說法很直接：一個人的角色不是由他的職稱定義的，而是由他實際投入時間解決了什麼問題定義的。頭銜是給外部看的標籤，真正決定你在團隊裡扮演什麼角色的，是你把時間花在哪裡。

三、AI 產品的下一步型態：從開發者工具，走向知識工作的「核心辦公中心」

Codex 原本是給工程師寫程式的工具，但 Ambrosino 觀察到一個他們沒完全預期的現象：財務、法務、行銷部門的同事，也越來越習慣把日常工作丟給 Codex 處理——不是因為他們想寫程式，而是因為 Codex 具備的「照著指示、跨系統把一件事完整做完」的能力，本身就是通用的知識工作能力，跟寫不寫程式碼沒有必然關係。

這也是「Codex 併進 ChatGPT」這個決定背後真正的邏輯：未來的方向，是把 Codex 這類代理能力——操作電腦、串接不同系統、自動執行多步驟任務——整合進 Chatbot 這個所有人都已經熟悉的介面裡，讓它變成串起 Excel、Premiere Pro 等各種生產力工具的「核心辦公中心」。你不需要學一套新工具，AI 代理直接在你原本用的軟體之間穿梭做事。

Ambrosino 自己就是重度實踐者：他用 Codex 建立了好幾條自動化工作流，像是自動篩選郵件、處理 Slack 訊息裡該回覆或該分派的內容。遇到系統之間沒有現成的原生連接器（connector）時，他會直接讓 Codex 用「Computer Use」——也就是像人一樣在螢幕上點選、輸入、操作介面——來補上這段沒有 API 可用的空隙。這也解釋了為什麼「電腦操作能力」會被視為知識工作代理的關鍵能力，而不只是工程場景裡的附加功能。

四、給產品人的建議：保持好奇，別急著對「做不到」下定論

Ambrosino 給的建議沒有太多新鮮詞彙，但很值得記下來。第一，模型演進的速度快到會讓人措手不及——今天覺得某個功能因為模型能力不夠而做不到，很可能下一版模型出來就直接補上了。他的建議是：先把原型做出來，就算現在不夠完美也沒關係，等模型變強的時候，你已經站在能立刻受益的位置上，而不是從零開始。

第二，他坦承這種工作方式本身就在持續變動，沒有一份「標準作業流程」可以照抄一輩子。真正能撐過這種變動的，不是找到一套固定公式，而是保持好奇心——願意花時間去試、去調整，在沒有標準答案的情況下，自己摸索出一套跟 AI 協作的高效工作流。這句話放在「品味」那個主題底下看，其實是同一件事的兩面：品味是判斷力，好奇心是驅動你持續更新判斷力的引擎。

當人人都能量產原型，真正稀缺的不再是「做得出來」，而是知道哪些構想值得投入、怎麼把功能整合成一致的產品體驗——品味，才是這個階段的護城河。莊哲昀,那個數位

那個數位的觀點：這對台灣的產品人與知識工作者意味著什麼

如果你的團隊還在用「先寫完整 PRD、審核通過才准動手」的節奏做事，這集訪談是一個很具體的提醒：實作成本正在崩塌，而審核流程如果沒跟著調整，很容易變成拖慢團隊的瓶頸，而不是把關品質的防線。與其問「這份文件夠完整嗎」，或許該先問「這個原型能不能用一個下午做出來、讓大家實際碰過再決定」。

另一個值得帶回團隊討論的，是「區域防守」這個心態。在多數台灣企業，PM 或專案負責人的角色仍然是照表操課、追進度；但當 AI 讓每個人的產出能力都被放大，協調與補位的能力，可能比制定計畫本身更重要。這不代表規劃不需要了，而是規劃需要留更多空間給「邊做邊調整」。

最後，Computer Use 這種「沒有 API 就直接操作介面」的做法，對台灣許多還在用老舊內部系統、缺乏現代 API 的企業與機關，其實是一條務實的路：不必等 IT 部門把所有系統都串接好，才能開始享受自動化的好處。