知識工作不只是用 AI，
而是把它變成可驗證的工作流

Every 與 OpenAI 團隊談 Codex 的新用法：真正的槓桿不是把任務丟給模型，而是把反覆發生的工作拆成可交接、可檢查、最後仍由人負責的系統。

來源：Every YouTube 頻道｜原始發表日期：2026.07.21

SCROLL
來源影片〈OpenAI’s Codex Workflows for Knowledge Work〉於 2026 年 7 月 21 日發布。片中 Every 訪問 OpenAI 的開發者體驗團隊與產品財務同事；以下整理的是受訪者的工作方法與示範，不是對工具效能、成本或結果的保證。
PART 1 ｜ 問題

一次回答很快，
但可重複的工作才是真正的瓶頸

影片一開始把 Codex 放在一個比「寫程式助手」更大的位置：研究、寫作、文件、財務結算，很多知識工作本來就同時包含資料蒐集、判斷、整理、產出與反覆修改。

因此，關鍵不是「AI 能不能做完」，而是你能不能說清楚：哪一段是可重複的步驟、哪一段需要來源與輸入、哪一段必須保留人工判斷。若任務只有一句模糊指令，模型只能提供一次性答案；若流程被拆開，才可能成為團隊可使用的工作線。

PART 2 ｜ 連接

研究和執行不該是兩個斷掉的介面

受訪者談到一個日常摩擦：在聊天介面裡做 deep research、討論產品想法，等到要開始做，又得把脈絡複製貼到另一個開發工具。影片主張把討論串和實作任務接起來，讓先前的研究可以成為下一步工作的輸入，而不是遺失的背景。

🔎
研究脈絡
把已經問過的問題、資料與決策當成工作輸入，而不是每次重新描述。
🧩
可執行任務
把文件、整理、視覺化或系統更新轉成有明確交付物的工作。
🧾
可回查產物
讓輸出能被人檢查、修改與交接，而不是只留在一次聊天紀錄裡。

這不代表聊天紀錄本身就是可靠規格。它反而要求團隊把「哪些上下文真的重要」寫出來，否則把更多內容連到模型，只會把混亂更快地傳遞下去。

PART 3 ｜ 迴圈

代理人的價值，
在於把人從重複回圈裡拉出來

影片把「loop」描述成一種工作方式：不再只由人逐步完成工作，而是先建立一個系統，讓代理在清楚的範圍中反覆執行。這對非工程職能也有吸引力，但片中同時強調：讓迴圈可靠，仍需要大量人類工作。

挑一件痛事高頻、耗時、流程相對固定別從「把所有工作自動化」開始。
教會真實做法輸入、例外、標準與交付物把隱性習慣寫成能被檢查的步驟。
交給技能可交接的部分才交給 agent把重複工作變成可重用的能力，而非一次 prompt。
保留覆核人確認關鍵結果與責任自動化加速流程，並不轉移判斷與責任。

AI 的槓桿不是省略流程，而是讓流程裡可重複的部分變得可見。這也是為什麼最成熟的使用方式，看起來往往不像炫技，而像把原本散落在資深同事腦中的做法整理出來。

PART 4 ｜ 範例

從五天到五小時，
不是魔法，而是把結算工作做成系統

影片中的 OpenAI 產品財務示範，是把月度 compute close 的流程做成內部財務系統。受訪者說，這把原本約五天的工作壓縮成約五小時，並在最終人工覆核前完成大約 95% 的路徑。

這個數字是影片中受訪者對自家案例的描述，不能外推到所有團隊。但案例說明了好問題的形狀：工作本身夠具體、有固定節奏、存在大量可交接的整理與比對，並且保留了最後的人類覆核。不是因為模型「取代財務」，而是因為工作線被整理成模型能協助的結構。

如果你的流程沒有清楚的輸入、檢查點和完成定義，先把它們補齊。那通常比換一個模型更能提高工作品質。
PART 5 ｜ 信任

信任不是「不用看」，
而是知道哪裡一定要看

影片後段把重點放回 trust 與 verification。代理可以在平行任務中節省時間，但工作越接近真實資料、對外輸出或金錢決策，越不能把「模型做完了」當成完成條件。

可靠的工作流需要明確的 guardrails：授權範圍、可使用的工具、來源與輸出格式、何時要停下來問人，以及誰對最後結果負責。這些限制不是讓 AI 失去能力；它們才讓團隊可以放心地把能力放進日常系統。

真正的 AI 工作流，不是把人移出流程；而是把人的判斷，留在最值得負責的地方。

Every 的 Codex 訪談提醒：先做出可驗證的工作線，再談自動化的速度。

你最想先把哪一段工作
做成可驗證的 AI 工作流？

選完之後，分享你的觀點

你的觀點

想看完整的示範與對談？

原始影片包含 ChatGPT 與 Codex 的工作分工、文件重建、computer use、財務結算系統，以及 skills / guardrails 的完整討論。

觀看原始影片 →