（關注公眾號設為標，獲取AI深度洞察）

全文 7,000字 | 閱讀約38分鐘

近日

高盛市場 Dan Dees主管（

左）采訪

OpenAI 首席財務官 Sarah Friar（右）

你還在會議室里反復討論“我們的大模型戰略該怎么做”？

OpenAI 的團隊，已經讓 AI 寫完了報告、修好了代碼、發完了材料，還順手測了 Bug。

他們用的不是“插件”，不是“助手”，而是下一代 AI 形態——Agent。

就在最近高盛閉門會議上，OpenAI 的首席財務官 Sarah Friar 講得毫不含糊：說得很直接：

“我們團隊已經部署了三類 Agent。一個研究員、一個運營助理、一個工程師。 不加班，不請假，自己干完，還自己測試。”

她不是在描述未來，而是在復盤他們正在發生的現實。

你還在“準備”，他們已經“開始交付”了。

這篇文章，我們就帶你看看：

Agent 是怎么開始上班的，而你，還卡在第幾輪會議里。

第一節｜AI不是工具，而是勞動力

——他們讓AI寫完報告、修了Bug，還自動標好了數據

Sarah Friar 加入 OpenAI 后做的第一件事，不是開會、設KPI、談戰略，而是辦了一場黑客松。而這個黑客松的主題不是“AI的未來”，也不是“技術創新”，而是——

“你每天最討厭做的事情是什么？”

她說：“我們邀請了銷售、工程、財務、法務等團隊，把他們聚在一起，寫在白紙上。每個人都要寫出3個每天最不想做的重復性任務。”

接下來，團隊用 OpenAI 的工具（尤其是 Custom GPT），在30分鐘內動手構建了一個小型應用，用來解決其中一個問題。

效果如何？她說：

“我們的投資人關系團隊，之前在融資期間每天都要重復回答投資人提問。其實很多問題是重復的，只是措辭不同。我們那天臨時訓練了一個定制GPT，自動從歷史回答中調取相似答案，再調整輸出。當它第一次正確回復時，大家幾乎在會議室里跳起來了。”

這一小步，直接把他們從“AI 是什么”推向了“AI 能干什么”。

她總結說：

“很多人還在看GPT能不能回答問題，我們已經在讓它干活了。”

在這場黑客松之后，Sarah 的財務團隊接連在內部自發搭建了多個 Agent 工作流，包括：

• 自動化合同條款匹配和審批建議；

• 預算審批文書整理與摘要；

• 投資人郵件自動響應建議草案。

她坦白：“團隊里有的同事走在很前面，也有很多人是從沒有用過 AI 的公司跳槽來的。” 于是她不等技術團隊推動、不等上層審批，先用這種“草根自助”的方式，把 AI 變成了團隊成員。

這一點她反復強調：

“我們不是在做一場培訓，而是在激活組織。”

這場黑客松本質上是一場組織上的聲明：AI不再是“技術工具”，而是“勞動力系統”。

傳統企業希望“讓AI幫助人干活”，而 OpenAI 的邏輯是：“讓AI干人的活”。

她用一句話做了總結：

“我們常說GPT是你的助手，但未來真正有用的，是它能像分析師、像運營專員、像工程師一樣——獨立完成任務。”

而這種“干活型AI”的出現，正是他們下一階段重點推進的模型形態：Agent。

第二節｜Agent 的本質，不是插件，而是“人”

——真正的AI，不是回答問題，而是自己完成任務

很多人今天提到 GPT，還把它當作一個“高級聊天機器人”。

它能寫點東西，翻譯一點材料，改一改PPT，再輔助寫個報告草稿。 但你得一直問，它才會答；你得陪著它，它才會繼續。它像一個聰明的實習生——很聽話，但還需要你“帶著干”。

可在 Sarah Friar 的視角里，下一代AI，已經不是“助手”，而是“成員”了。

在高盛的閉門分享中，她第一次系統地公開了 OpenAI 內部的三類 Agent 產品線：

“我們目前部署了三種類型的 Agent，分別是 Deep Research、Operator，以及我們叫 A-SWE（Agentic Software Engineer）。它們不是輔助工具，而是真正意義上，能完成閉環工作的AI。”

1） Deep Research

是研究型 Agent，目標是：替代一支調研團隊。

它能接收一個開放命題（如“GPU融資趨勢”），自動調用資料、閱讀上下文、整理出一個結構化報告，并給出關鍵分析建議。

Sarah 舉了一個真實場景：

“我們有一次準備給另一家銀行CEO做匯報，對方團隊已經做了一個調研，但看完我們用 Deep Research 輸出的報告后，那位CEO直接說：‘這比我們兩位董事總經理、三位副總裁、十個分析師做得還好。’”

她說完這句話的時候，有些不好意思地笑了。

可這正是她想要的效果：不是輔助人做得更快，而是直接讓AI做完。

2）?? Operator

是執行型 Agent，目標是：替代一名初級運營助理。

它能在后臺完成預訂機票、發送郵件、查詢資料、安排會議等一系列任務。

關鍵是：這些任務不再需要用戶每一步指令指導，而是可以根據目標自動規劃執行路徑。

Sarah 點出了本質：

“你不需要跟它聊天，它自己知道怎么做完一件事。”

3） A-SWE（Agentic Software Engineer）

是最具突破性的一個：一個可自我迭代的代碼工程師型Agent。

Sarah 說，這不是現在的 Copilot 那種“你寫我補”，而是真正能“接收需求，提交代碼，完成自測、文檔、上線流程”的自動化工程體。

她甚至補了一句：

“它還能完成一件所有工程師都不愿做的事——寫文檔。”

全場笑了。

但她很認真地指出：

“我們不是在輔助工程師寫代碼，我們是在訓練‘虛擬工程師’。”

這句話標志著一個巨大的認知分水嶺。

我們過去以為，AI 是“工具箱”——你打開它，從里面找你需要的“功能塊”； 但在 OpenAI 的現實中，AI 已經是“勞動力”——它不需要你操控，而是能自主接任務、執行、并交付結果。

這就是 Agent 和傳統插件型GPT的本質差異：

Sarah 的定義是：

“Agent，不是你在用AI，而是你在安排AI上班。”

她甚至提出了一個內部的組織假設：未來的公司，可能是由人類和 Agent 混編而成的協同組織單元。

而在這個結構里，Agent 不再是“插件”，而是數字形態的員工、流程的執行體、知識的反應層。

她說：

“你看它就像個工程師、一個分析師、一個客戶助理，只不過它不需要桌子，也不發工資。”

所以，她現在最關心的不是“模型有多強”，而是：

• 組織有沒有任務能交給它？

• 團隊有沒有流程能被它接手？

領導者有沒有勇氣真正“部署一個 Agent”而不是“演示一個GPT”？

——能力到了，權限沒給

DeepSeek/GPT 能寫、能算、能思考，Agent 已經能替你做調研、跑流程、寫代碼——可它們大多數時候，都還在“等待任務”。

為什么？

Sarah Friar 在高盛的那場閉門分享中，說了一句非常直白的話：

“我們不是缺一個能干活的 AI，而是缺一個敢交活的領導。”

她說這話的時候，并沒有什么“高姿態”，因為她說的不僅是其他企業的問題，也是 OpenAI 自己正在經歷的現實。

在講 Deep Research 的時候，她坦率地分享：

“我們上線它的企業版本，比預期晚了好幾個月。不是因為技術沒準備好，而是我們沒想好客戶該怎么真正用它。”

她甚至補充了一個細節：

“有時候不是工程不愿意發版本，而是我們內部還在猶豫：誰來支持這個Agent？該放在哪個流程里？誰給它權限？誰負責出錯？”

這些聽起來像是“流程細節”，但其實都是“組織權限問題”。

Sarah 舉了一個更真實也更刺痛人的例子。

OpenAI 的財務團隊，在她加入后第一個嘗試部署的Agent就是一個用于回答投資人問詢的 Deep Research 模型。

它能自動從過往融資文件中提取信息、歸納問題關鍵詞、給出應答草案。

她說：

“這個Agent效果非常好，我們用了就不想換回人工了。”

但當她試圖把這個流程推廣到IR團隊的標準化流程中時，卻遇到了阻力。

不是模型不好，也不是功能不全，而是——負責該流程的負責人擔心：“如果Agent出錯，是不是我要負責？”

于是，這個Agent最后只能被局限在“內部實驗”范圍，沒有進入組織正式流程。

Sarah的反應是典型的“管理現實主義”：

“這不是他們錯，而是我們還沒建立‘Agent該由誰來管’的機制。”

這就是當下最大的AI落地阻力：AI的能力到了，但組織的“權限模型”沒準備好。

Agent 能做的事情，其實遠超今天大多數公司允許它去做的范圍。

但它被“關”在幾個無形的門后：

權限門：沒有賬號權限，Agent就無法完成任務

責任門：管理者不敢“放手”，害怕出錯追責

信任門：Agent 不是沒能力，而是“還不像人那樣好溝通”

績效門：如果它干掉了繁雜任務，那人類還評什么KPI？

Sarah把這個結構講得很清楚：

“現在的AI不是在問你‘我能不能做到’，而是在等你說‘你敢不敢讓我去做’。”

她甚至提出了一個新的概念：“Agent權限工程”。

“如果企業希望部署AI Agent，不是先去買多少GPU，而是要先設計好‘它被允許做什么’、‘誰來監管’、‘結果怎么接入原有系統’。”

她強調：

“Agent不是小工具，它是一種新的執行系統。它需要權限，也需要責任分配。”

這和我們習慣的“AI工具觀”完全不同。

工具是“人調它”，Agent是“它替人干”。

Sarah給出過一個她很喜歡的隱喻：

“你不能指望一個員工每天工作，卻不給他門禁卡。”

Agent 現在很多時候不是不夠強，而是——沒有被“開門”。

所以，她現在在 OpenAI 做的事情不只是“繼續做更強的模型”，而是：

1. 在每個團隊內試點小流程，讓Agent跑得通；

2. 給它分配邊界清晰的權限，限定它能干什么；

3. 建立清晰的“Agent責任鏈”，讓人類能放心放手；

4. 最重要的，是不斷讓組織習慣“它能自己完成任務”。

她最后說了一句讓很多人沉默的話：

“AI已經不是在做演示，而是在等你安排工作了。”

——Sarah 第一次公開 OpenAI 的 AGI 路線圖

大多數人以為 AGI（通用人工智能）是一種“質變時刻”——某個模型忽然覺醒，成為“人類的對手”。但 Sarah Friar 給出的判斷完全不同：

“AGI 不是某個一夜之間到來的技術奇點，而是一個逐步重構組織的系統過程。”

在這次分享中，她首次向外界披露了 OpenAI 內部繪制的 AGI 路線圖：五個階段，從語言到組織，從預測到自治。

她用了一張簡單的柱狀圖，講了五個階段，我們來一步步拆開：

第一步｜語言模型（2023）

特征關鍵詞：預測、響應、上下文理解

這一階段的代表是 ChatGPT 3.5 與 GPT-4。模型能理解用戶輸入，預測下一個最合理的詞，從而實現流暢對話、內容生成。

Sarah 說：

“這時候的模型是語言大師，但不具備獨立任務思考能力。”

這一階段的核心能力是：語言生成，但本質是文字上的自動補全。

第二步｜推理模型（2024）

特征關鍵詞：鏈式思維、多輪判斷、過程校正

代表作是 O 系列模型（比如 GPT-4-O），她明確指出：

“O系列不是在追求‘說得更漂亮’，而是學會像人一樣去思考過程。”

O模型支持“中途回看自己的判斷”，也就是說它開始擁有了“過程意識”和“錯誤修正能力”。

她說：

“這是從預測語言到模擬人類思維的一大躍進。”

這個階段，GPT 開始有點像一個助理分析師，能對復雜命題進行拆解、再歸納，但還需要人為輸入目標。

第三步｜Agent模型（2025）

特征關鍵詞：接收目標、自動規劃、閉環執行

這正是當前的關鍵階段。Sarah 表示：

“2025是我們正式進入 Agent 時代的年份。”

在這一階段，模型不再是被動響應的“助手”，而是可以被賦予任務、具備狀態、擁有行動計劃的“執行體”。

她指出：

“Agent 本質上是 AI 在組織中的第一種‘崗位化表達’。”

你可以理解為，Agent 是第一次把 AI 變成了“勞動力”，它不再回答“你問什么”，而是執行“你交代的”。

第四步｜創新模型（2026+）

特征關鍵詞：新知識生成、未知問題探索、科研級思維

Sarah 說：

“我們越來越多地發現，模型已經可以在某些學科里給出人類從未提出過的解法。”

她舉了一個學術領域的例子：

“我們的一些高校合作方已經發現模型在生物學、材料科學等研究中給出了一些‘可能是原創的思路’，只是現在還來不及驗證。”

這一階段不再是模仿人類的知識體系，而是開始生成新知識結構——這也許是未來“AI-科研協同”的主戰場。

第五步｜Agentic Organizations（未來）

特征關鍵詞：自治系統、角色協作、虛擬企業

Sarah 提出的第五階段，是最顛覆的：

“最終，AI Agent 將不再只是單體，而是組成一個互相配合的系統，就像是一個‘由 AI 自主構建的企業組織’。”

OpenAI 對此已經有初步實驗：Agent之間可以分工，一個負責調研、一個負責執行、一個負責監督和迭代。

她說：

“這不是幻想——未來，企業可能只需要一個人+一群Agent，就能完成一個傳統百人團隊的工作。”

用圖來看：從模型公司到組織公司

她用一張三層圖形展示了 OpenAI 自己的業務結構轉變：

她說：

“我們不再是一家純模型公司，而是一個在構建AI協作系統的組織公司。”

她強調了一句非常關鍵的觀點：

“AGI 不會在模型指標里誕生，它會在組織流程中生長出來。”

也就是說，真正的 AGI 并不是某個“超級模型”，而是一個能夠自主理解目標、分配任務、調配資源、完成執行的系統組織。

這就是 OpenAI 正在追求的終局：模型能力 + 系統能力 + 協同能力 = AGI。

而最令人焦慮的是，她說：

“這個系統，我們已經在內部搭建了。”

你現在還在研究GPT能不能幫你“優化寫作”，人家已經在部署一個由Agent組成的虛擬企業團隊。

下一節，我們將轉向另一個關鍵話題：OpenAI 如何靠這些能力賺錢、節省成本、提高決策速度。

Sarah 是 CFO，她的底層邏輯是——AI 不只是強，是值得用來賺錢的。

第五節｜不是 AI 不賺錢，是你還在 PPT 里開會

——她說，現在 AI 不是炒作，而是你公司真的該賺錢了

Sarah Friar 不是技術人，她是財務負責人。

她說她每天都在盯一個核心指標，不是模型的參數，不是推理時長，而是——“這個 AI 幫我們節省了多少人力、壓縮了多少時間、創造了多少增值？”

她不是在關心“AI 多強”，她只關心一句話：

“我們有沒有真的用它，干成什么。”

Sarah 說，現在她向企業介紹 OpenAI 產品時，從不再談“模型有多先進”。

她說：

“客戶不在意你參數多大，他們只問一件事：‘這個東西能不能幫我減少一個流程、節省一個崗位、讓一個項目提早上線？’”

所以她的團隊在對外介紹 Agent 時，完全不講“Transformer”、“微調”、“推理引擎”這些概念。

她只講三個問題：

1. 你最不想干的事是什么？

2. 這個過程能不能交給 Agent？

3. 如果今天試一下，最小閉環可以怎么跑？

她給了一個真實案例：OpenAI 的 IR（投資者關系）團隊，在融資關鍵階段，需要每天回答大量“重復但略有差異”的問題。

這類任務極其耗費人力，但她說：

“我們用一個定制的 Deep Research Agent，在幾天內完成了整個問答結構的自動化搭建，90%的問答都能由它生成初稿。”

她不是做個試驗，而是直接上手改業務流程。

這也是她一貫強調的：“AI 落地，不靠技術熱情，靠流程責任感。”

Sarah 用了一個極其精確的表達：

“你不該研究 AI 能不能賺錢，應該研究它能不能讓你早下班。”

這句話聽起來像個玩笑，但背后是她對 AI商用價值鏈條的清晰理解：

• AI ≠ 科研，而是成本效率工具

• 不解決“時間換效率”的問題，就永遠只是demo

• 只有“能省時間”的系統，才“值錢”

她說，OpenAI 并不是“等客戶想清楚再上產品”，而是自己主動出擊，創造出能落地的場景化產品矩陣。比如：

ChatGPT Pro：面向個人用戶的高性能入口產品，主打創意寫作、資料組織、代碼輔助

Deep Research：研究型 Agent，可用于投行調研、法務盡調、高密度文件閱讀

Operator：執行型 Agent，適配金融、政府系統中大量可流程化的任務

Sora：視頻生成模型，正在測試內容創意、教育、營銷等方向的實際產出

她說：

“我們不是等企業來問用法，而是直接給他們一個可部署的場景，讓他們試。”

她還特別指出，現在部署 AI，不要從“最重要的項目”開始，而要從“最煩人的事”開始。

“你問一個團隊最煩的事情是什么，十有八九是Excel整理、寫周報、找歷史合同、準備問答稿。這些事不‘關鍵’，但每天都在耗時間。”

她說這些事最適合交給 Agent 來跑。

你不需要搞一個“AI總戰略”，你只需要選一個流程，把它拆給 Agent 試一次。

只要它不出錯，那就是凈賺。

她列出了一份目前已經部署 Agent 的行業清單：

• 投行：調研分析、盡調問答、客戶報告草稿生成

• 醫療機構：病例摘要、治療路徑輔助、保險理賠材料生成

• 大學系統：作業反饋、論文格式糾錯、考試批閱輔助（ASU已配發18.1萬賬號）

• ? 政府系統：流程申請審查、數據導入填報、法務判斷輔助（如愛沙尼亞中學教育系統）

她說：

“真正走得最快的，其實不是互聯網公司，而是教育和政府。”

這些行業場景明確、責任清晰、任務重復度高，是 Agent 天然適合落地的地方。

最后，Sarah 總結：

“你現在不該再研究 AI 能不能做詩，而是該看看你每天寫的流程表，有多少可以交出去。”

或者用更直接的話說：

“別研究AI了，你該研究怎么從流程里摳出時間成本。”

第六節｜為什么我們要花 5000 億造 Stargate？

——真正的AI戰場，不在軟件里，而在電力、地皮、散熱里

如果說 GPT或者DeepSeek 是大腦，Agent 是勞動力，那么支撐它們的一切，最終都指向一個更重的東西——電力。

Sarah Friar 說，她每天都在做“糟糕的商業決策”。

什么叫“糟糕”？

“每天我們都要決定不發布一個已經準備好的功能、延后一個能帶來巨大價值的產品、拒絕一項研究團隊的請求，只因為——算力不夠。”

她直言，如果你看到 Sora、Deep Research、Agent 能力正在爆發，背后可能是一場資源層面的“內戰”：

• Deep Research 原計劃更早進入企業部署，但沒法擴容，只能延后

• Sora 最早在內部能跑的 demo 是 2023 年 3 月，正式發布卻等到 2024 年

• Agent 系統原本可以支持更多“自測上線”能力，但因為模型部署壓力太大，被迫限制服務范圍

她說：

“我們不是慢，是我們沒電。”

這也是 OpenAI 決定啟動 Stargate 計劃 的直接背景：一座耗資 5000 億美元、總規模達 10GW 的超級AI算力基礎設施項目。

Sarah 說，這不是一場科技實驗，而是一場工業革命。

“我們需要的，不再是一個數據中心，而是一個‘AI 工廠’。”

這個詞不是她隨便說的。她指出，英偉達 CEO 黃仁勛已經把未來的 AI 部署稱為“AI Factories” —— 能源驅動、生產模型、產出智能體的“智能時代發電站”。

她說：

“我們再不建，三年后你會看到所有模型都在推遲上線，所有 Agent 都在排隊開工。”

這不僅是商業投資，更是一場“能源規劃”+“國家級協作”的博弈。

她透露：

“一個完整的 Stargate 建成后，需要接入全國級的電力管網、需要跨州審批冷卻方案、需要 GPU 供應商至少提前一年鎖貨。”

她打了個比喻：

“我來自愛爾蘭，整個國家的用電峰值是 7GW。而我們要建的 Stargate 是 10GW。”

她頓了頓，笑著補了一句：

“所以你可以說，我現在要建的是一個‘AI國家’。”

但她也坦白，這個決策很難。

“在我做融資路演時，每天都在說服投資人投錢給我——而我明知道，錢下去后，前期沒有任何商業回報。”

她說，“我們每天都在投資明天”。

可更可怕的是：

“我們現在每一分延遲，三年后都要付出十倍代價。”

她強調，這種算力饑荒，不只是 OpenAI 的問題，而是所有認真用 AI 組織的集體困境。

她舉了幾個例子：

• 一家 AI 醫療影像公司，在 ChatGPT API 頻繁限速后，開始轉向自建模型，但馬上被“顯卡交期12個月”卡死；

• 某國際律所部署 Deep Research 試點，只用了一周就遇到“推理延遲、響應中斷”問題；

• 一所大學在將全部師生賬號接入 GPT-4 后，被提示“高峰期服務降速”，被迫限制時段開放。

她說：

“AI 不只是代碼，它是電，是熱，是地皮，是物流，是管道，是 GPU 產業鏈。”

她用一種 CFO 才有的方式總結 Stargate：

“我不想三年后還為算力發愁。如果那時候我還在OpenAI，我應該被開除。”

這不是一句玩笑，而是一種極其強烈的責任感：

• 不是技術不行，而是部署沒到位；

• 不是產品沒想法，而是組織沒資源；

• 不是AI沒能力，而是基礎設施跟不上。

Stargate 的底層邏輯其實很簡單：

你越晚部署，AI越貴；你越早鋪路，AI越強。

這就像高鐵、5G、城市電網，誰先鋪，誰就能先跑。

而 Sarah 現在做的，就是提前為 Agent、Sora、GPT-5 鋪電網、修水管、造地皮。

她的判斷很冷靜：

“如果我們現在不投 5000 億，那未來我們連 Agent 的上線時間都要靠搶GPU來決定。”

——不是怕 AI 太強，而是你不敢交出一件事

Sarah Friar 說，現在 OpenAI 最大的挑戰，不是模型能力到哪了，而是組織敢不敢。

她總結自己過去兩年最大的感受，不是興奮，而是遺憾：

“我們眼看著一個 Agent 能替代 5 個崗位、交付一個完整項目、節省 90% 時間，可它卻因為權限、組織、責任歸屬被困在測試環境里。”

這不是科幻設定，而是現實焦慮。真正讓 AI 無法發揮作用的，不是它不夠強，而是你還不敢交出一件事。

Sarah 在多個場合都強調：

“現在最難的，不是構建模型，而是部署模型；不是建技術，而是建組織。”

她發現，大多數企業還是在圍繞AI建“能力中心”，辦“轉型大會”，做“賦能PPT”，但就是沒人真的交出一個流程、一個角色、一個項目。

她說：

“我們不是需要更多AI戰略，而是需要你選一個具體問題、用Agent解決它、然后總結經驗。”

這就是現在部署AI的正確順序：

• 找一個每天都煩的流程；

• 抽出來，交給 Agent 去試一次；

• 不要求完美，只要求能跑通；

• 跑通了，就復用、擴展、接入系統；

從一個Agent，走向一個協同結構。

她指出，那些跑得最快的組織，都具備兩個特征：

• ? 開權限：快速定義Agent能干什么、能動哪些數據

• ? 敢試錯：從一個真實流程下手，邊跑邊學，不等完美再動手

這才是真正的“AI-ready組織”。

她強調：“你不用等模型升級，因為能力已經有了；你只需要等你自己，什么時候敢下第一個委托單。”

Sarah 甚至提出，未來的組織結構可能會是這樣：

• 人只負責判斷、選擇、協同；

• Agent 負責任務、交付、測試、反饋；

• 系統自動分配工作，而不是領導手動調度。

這不是幻想，而是她每天在OpenAI內部看到的現實：

“我們已經在內部做實驗：讓Agent寫代碼、提PR、找Bug、寫文檔。不是輔助工程師，是取代整個迭代流程。”

她說：

“我們現在招聘工程師，也不是找能寫多少代碼的人，而是能不能把一個功能交給Agent跑完的人。”

所以，她在演講最后說：

“現在不是AI太強，而是我們太慢。不是你不會用，而是你還沒真的開始用。”

她給所有CEO、管理者、中層負責人提出一個建議：

“先放手交出一件事，讓AI替你完成。”

這件事不需要宏大，它甚至可以是：

• 一份報告初稿；

• 一段財務核對；

• 一封客戶回信；

• 一張采購單；

• 一組競品對比。

只要你試著交一次出去，就會發現：

“AI 并不需要你陪著，它只需要你放行。”

她說：

“我們不是怕AI搶走工作，而是我們不敢把工作交出去。”

?? 寫在文章最后

你不需要再討論 AI 有多強， 你需要做的，是：給它一個任務;交出一個流程;開一次權限;放手一件事。

然后你會發現：

真正用 AI 干活的人，已經下班回家了。

本文由AI深度研究院出品，聚焦全球 AI 創新浪潮中的企業轉型策略。

星標公眾號， 點這里 1. 點擊右上角 2. 點擊"設為星標" ← AI深度研究員 ? ← 設為星標

參考資料：https://www.youtube.com/watch?v=2kzQM_BUe7E&t=1502s&ab_channel=GoldmanSachs

來源：官方媒體/網絡新聞

排版：Atlas

編輯：深思

主編: 圖靈