赋能团队更快地解锁洞察 - OpenAI

# 赋能团队更快地获得洞察 - OpenAI 来源：https://openai.com/index/openai-research-assistant/ *这是我们分享 OpenAI 如何使用自有技术和 API 的内部示例系列的一部分。这些工具仅在 OpenAI 内部使用，在此分享是为了说明前沿 AI 如何支持我们各个团队的用例。我们也在分享内部工具名称，以便更清楚地了解前沿 AI 如何帮助我们的团队完成工作。* 每年有数百万份支持工单涌入。每一份都承载着宝贵的信息：一个困扰、一个想法、一个请求。 但直到最近，这些信号还很难理解。仪表盘提供了趋势提示，但忽略了深层原因。深入分析需要数据科学家花费数周时间。产品负责人可能想知道新功能在特定用户群体中的反响如何。但要得到答案，需要数据科学家进行详细分析。 好奇心被限制了。 "这个过程需要深厚的技术专业知识，它限制了我们的好奇心，"业务数据负责人 Molly Jackman 说。 我们构建了一个研究助手来释放可扩展的好奇心。它结合了两种探索模式：用于发现模式的仪表盘和用于深入挖掘的对话界面。你可以从趋势问题图表开始，然后用自然语言提出后续问题。 我们通过融合已有的成功方法来构建它。一方面是分类器和图表，将数百万张工单组织成产品区域和主题。另一方面是 GPT-5，它可以总结原始工单并用自然语言生成灵活的报告。这种结合给了我们速度和深度，同时足够简单，任何人都能使用。 "医疗保健客户对新集成有什么看法？" "本季度什么在推动支持工单增加？" "哪些主要功能正在产生效果？" 系统在几分钟内返回一份报告，显示问题规模、流行程度，并突出摩擦点。领导者不再需要占用他人时间或查看静态仪表盘。任何人都可以追随自己的问题。对于产品团队来说，这意味着基于真实反馈的更快迭代——了解什么有效、什么无效，并获得清晰的洞察来指导产品发布和长期路线图。 > "妙处在于你不必预先定义问题，你可以跟随自己的好奇心。" Molly Jackman，业务数据负责人 速度没有准确性是毫无意义的。 早期，运营团队进行了手动分类，数据科学家编写了自定义模型与助手进行对比。结果吻合。 随着时间推移，信心增长了。领导者开始将发现与他们在现场已经听到的内容交叉检查，当结果一致时，他们就相信了。 这个循环——提问、检查、信任——使助手成为团队的日常习惯。曾经需要一周 SQL 查询和分类器的工作，现在只需几次点击。 回报随处可见。 - GPT-5 发布后，产品团队在几天内而非几周内获得了反馈主题。 - 当连接器的企业采用放缓时，助手快速浮出了根本原因：一个有问题的入门流程。工程师可以优先处理修复。 - 在图像生成方面，它既突出了营销团队用其制作样机的创意，也突出了渲染延迟的摩擦；这两个真相直接塑造了路线图。 当提问的成本降低到几分钟时，更多问题被提出。更多问题浮出水面。团队移动更快。 这个工具并不取代数据科学家。它解放了他们来做不同的工作。他们不再进行一次性分析，而有更多时间来构建新的分类器，投资自动化和工具。运营团队现在可以在几分钟而非几天内生成发布报告，腾出更多时间与客户互动。产品团队可以实时从客户处学习，用更快的反馈循环为路线图提供信息。 这种转变改变了我们的倾听方式。我们不再限制稀缺的分析周期，每个团队现在都可以自由追求他们的问题。好奇心复利增长。产品负责人发现一个摩擦点，销售负责人在企业工单中看到相同的主题，他们一起创造了更快的行动路径。 希望客户能感受到最多。问题会得到更快解决。功能可以演进得更接近他们的需求。曾经埋在积压中的反馈现在成为我们构建方式的核心。 > "我把它看作大规模的客户用户体验研究。如果我们以主动改变我们的产品、政策和实践的方式浮出客户声音——那就是成功。" Molly Jackman，业务数据负责人 从一个解析数百万张工单的工具开始，正在成为我们倾听方式的操作系统的一部分。而倾听好才能构建好。