OpenAI DevDay 2026：ChatGPT Work如何重塑日常工作流

从混乱清晨到任务交接：OpenAI 的工作方式实验

在 DevDay 2026 的这场演讲中，OpenAI 开发者体验团队的 Nick 和 Danielle 用一个简单的现场投票拉开序幕：早上打开笔记本时，是井然有序，还是像小丑从盒子里弹出来一样一片混乱？毫无悬念，绝大多数人举手选择了后者。

他们描述的场景几乎人人熟悉——查邮件、追 Slack、看几个仪表盘，等到真正决定今天要做什么时，半个上午已经过去。真正的工作还没开始。OpenAI 想通过产品回答一个问题：ChatGPT 究竟能如何改变这种状态？

为此，团队访谈了内部三位最高频的 ChatGPT 工作用户，他们分别来自社交运营、竞争研究和人力资源三个截然不同的岗位，却呈现出相似的工作模式：把那些几个月前看似不可能完成的任务，重新交到了 AI 手里。

ChatGPT Work：从思考伙伴到执行队友

演讲把 OpenAI 的几款产品做了清晰定位：ChatGPT 是思考伙伴，Codex 是编码代理，而新推出的 ChatGPT Work（内部简称 chat） 则被定义为「帮你把事情做完的智能队友」。

它的核心逻辑是——你告诉它想要什么结果，并提供必要的上下文，它就去执行。演讲中举的例子是：把 DevDay 的议程交给它，它可以直接搭建一个网站，根据你正在做的事情推荐该参加哪些场次。更关键的是，chat 能承担持续性任务，而不只是一次性问答。

这背后其实是一种工作哲学的转变：当你能把更多日常事务交出去，就能把注意力留给真正让你兴奋的事。演讲者反复抛出的几个问题值得每个职场人自问——你在哪里成了瓶颈？如果 chat 替你分担一项职责，你会腾出手去做什么？

这种产品定位背后，对应的是 AI 应用的两种不同范式。「思考伙伴」模式下，AI 是被动响应的工具，用户发起对话、获得建议，对话结束后 AI 不再参与；而「执行队友」模式则涉及 Agentic AI（代理式 AI）的概念——系统能够自主规划子任务、调用外部工具（如浏览器、API、文件系统），并在无需用户逐步确认的情况下持续推进一个长期目标。这与近年来被广泛讨论的 AI Agent 架构一脉相承：Agent 具备感知环境、制定行动计划、执行并观察结果的闭环能力。ChatGPT Work 中的 Dots 和 Space，正是将这种能力产品化的尝试——让普通知识工作者无需编写代码，也能「雇用」一个持续运行、有记忆、能跨渠道工作的数字助理。

三位「冠军」的真实用法

Dani：把发布监控交给 Dot

Dani 负责 OpenAI 开发者社区的社交运营，工作内容是护送产品上线、收集社区反馈，并向包括 CEO Sam Altman 在内的高管同步进展。她坦言，光是监控发布和同步信息就能占掉一整天。

她的做法是用 ChatGPT 汇总发布贴的表现数据和开发者评论，整理进一个 ChatGPT 站点，形成实时报告。而「保持数据更新」这项苦差事，她交给了自己的 Dot——它像 Dani 本人一样读取社交信息流，自动把帖子和互动指标补充进内容表。

除此之外，Dot 还帮她监控庞杂的 Slack 频道，有紧急情况时主动 ping 她。省下的滚动浏览时间，让 Dani 得以把精力放回她真正热爱的事：与开发者社区互动、放大他们的作品。

Adrian：把研究方法封装成插件

Adrian 领导竞争研究，团队只有两个人，却要应对来自销售、产品、GTM 和战略各方的问题。每个问题都可能变成好几天的研究，而小团队的现实是——决定研究什么，也就意味着决定放弃什么。

他的解法颇具启发性：把自己的完整研究方法封装进一个插件，让它复现他的工作方式——调查、找规律、再反过来质疑结论。比如要搞清楚竞品收入为何快速增长，他让 Dot 横跨财报电话、新闻通讯和播客去交叉验证；又比如翻遍 90 天的销售通话记录，挖出 CRM 摘要里没记录的真实丢单原因。

他还搭建了 Compete Corner 站点，围绕同事们常问的问题组织研究结果，让他们自行查阅、核对来源。Dot 会从 Slack 自动抓取竞争类问题、用他的插件研究、再把发现送回他的空间等待审核。甚至在通勤途中看到竞品公告，他只要转发给 Dot，到工位时页面已标记「待审核」。

这种解放让他能做全新的事，比如打造 Model Galaxy——一个跨前沿模型、按任意基准可视化性能、成本与延迟的交互工具。

Adrian 将研究方法「封装成插件」的做法，本质上是一种提示工程（Prompt Engineering）与工作流自动化的结合。所谓插件或自定义指令，是预先定义好的行为规范——告诉 AI 用何种框架分析问题、优先检索哪类来源、以什么格式输出结论。这与软件开发中的「可复用模板」逻辑一致：将个人积累的隐性知识显式化、参数化，使其可被重复调用。这种做法的价值在于，它把个人专业能力从时间线性的「一次服务一个人」，转变为可并行、可扩展的知识服务。演讲中 KC 的知识库教练站点也遵循同样逻辑——专家不再是信息的唯一出口，而是知识架构的设计者。这一转变对知识密集型团队的组织方式有深远影响。

KC：让专业知识不必经过本人

首席人力官 KC 的团队研究各类组织如何适应 AI，积累了大量会议记录、论文和文章。他们把这些汇入一个共享知识库，并基于此构建了一个面向领导者的教练站点（由 GPT Live 驱动），帮管理者判断哪些工作该交给 AI、团队该如何改变协作方式。

维持知识库更新的关键，在于团队在共享页面上汇总各自的探索，并为页面写明组织新研究的指令，这样当 Agent 在页面上工作时能遵循一致风格。KC 抛给观众的问题是：你是什么领域的专家？如何让更多人能用上你的专业，而不必每次都来找你？

两个新产品：Space 与 Dots

演讲后半段揭晓了支撑上述场景的两款新品。

ChatGPT Space（空间） 是协作的核心载体。以 Adrian 为例，chat 把研究结果带入他的空间，他和队友可以在同一页面上同时工作——他质疑某个结论，队友可以评论并补充来源，各自用私有的 chat 深入调查，但页面上的编辑是共享的。

类似代码库里的 agents.md，页面指令定义了 Agent 在特定页面上应遵循的工作规范。演讲者透露，Space 不止于页面，未来还能存储文件、创建幻灯片和表格等。推荐的上手方式是：从一段长对话开始，让它把内容转成页面，再与 Agent 持续打磨。

Dots 则是常驻云端的个人代理。它拥有自己的云端计算机和浏览器，像 Dani 的 Dot 那样自动采集帖子、维护内容表；也能被加入 Slack 频道，决定是「墙上的苍蝇」还是主动参与者。

最有意思的是 Dot 的「一致身份」特性——无论你通过短信、电话还是 Slack 联系，它始终是同一个带着相同上下文的实体，且永远在线。配置 Dot 的流程被设计得很轻量：起名、加配饰、分配职责、告诉它在哪找到你。你不必一开始就想清楚一切，它会在协作中逐渐学习你的工作风格。

演讲提到页面指令「类似代码库里的 agents.md」，这一类比指向软件工程社区近期兴起的一种实践：在代码仓库根目录放置 agents.md 或 CLAUDE.md 等文件，为 AI 编码代理提供项目级别的上下文与行为规范——包括代码风格、禁止操作、测试要求等。这类文件扮演的角色相当于「给新加入项目的 AI 的入职指南」。Space 中的页面指令将这一思路延伸到知识协作场景：为特定页面定义 Agent 应遵循的分析框架、引用格式或更新频率，从而确保多个 Agent 在同一空间工作时保持一致的输出风格。这也意味着，如何撰写清晰的 Agent 指令，正在成为知识工作者需要掌握的新型工作技能。

真正的问题：你要交出什么，又能接下什么？

演讲者 Nick 分享了自己的亲身经历：他最初在 OpenAI 做技术入职培训，用 ChatGPT 把大量工作自动化后，才得以转岗到开发者体验团队，并站上了 DevDay 的讲台。他承认这个过程「有点奇怪」——主动改变自己已经熟练的工作，为想做、更兴奋的工作腾出空间。

这恰恰是整场演讲想传递的核心：注意力是货币，你有权决定花在哪里。工具层面的 Space 和 Dots 固然值得关注，但更值得思考的是那两个收尾问题——你会交出什么？你终于能接下什么？

对开发者和知识工作者而言，这代表着一种从「亲自完成」到「设计并监督工作流」的角色迁移。AI 承担收集与核验，人则聚焦于判断、决策和真正热爱的创造。