📢 转载信息
原文链接：https://openai.com/index/openai-research-assistant
原文作者：OpenAI
这篇文章是 OpenAI 分享其内部如何使用自身技术和 API 的系列文章的一部分。这些工具仅在 OpenAI 内部使用，在此分享旨在说明前沿 AI 如何支持其团队完成各项工作。我们还分享了内部工具的名称，以便更清晰地展示前沿 AI 如何帮助团队完成工作。
OpenAI 内部实践：如何利用自研技术赋能团队，加速洞察提取
每年 OpenAI 都会收到数百万条支持工单。每一条工单都蕴含着宝贵的信息：用户的挫败感、新的想法或特定的请求。
但在过去，要理解这些信号非常困难。仪表板只能揭示一些趋势，但无法解释根本原因。深入分析需要数据科学家花费数周时间。例如，一位产品负责人可能想了解某项新功能对特定用户群体的影响，但要回答这个问题，必须由数据科学家进行详细分析。
“受限于技术专长，我们的好奇心受到了制约，”业务数据负责人 Molly Jackman 说。
一种全新的提问方式
为了释放可规模化的好奇心，我们构建了一个研究助手。它结合了两种探索模式：用于识别模式的仪表板，以及用于深入挖掘的对话式界面。用户可以从趋势问题的图表开始，然后用自然语言提出后续问题。
我们通过融合现有成熟技术构建了它。一方面是用于将数百万工单结构化为产品领域和主题的分类器和图表；另一方面是能够总结原始工单并用自然语言生成灵活报告的 GPT-5。这种结合提供了速度和深度，而且足够简单，任何人都可以使用。
例如，你可以询问：
- “医疗保健客户对新集成有什么看法？”
- “本季度支持工单的主要驱动因素是什么？”
- “哪些主要功能受到了用户的欢迎？”
在几分钟内，系统就能返回一份报告，量化问题规模、显示发生频率并突出显示痛点。领导者不再需要占用数据科学家的资源或查看静态仪表板。任何人都可以在好奇心的指引下自由探索问题。对于产品团队来说，这意味着可以根据真实反馈更快地迭代——了解哪些有效，哪些无效，并明确洞察以指导产品发布和长期路线图。
“神奇之处在于，你不需要预先定义你的问题，你只需要跟随你的好奇心。”
确保可靠性
没有准确性，速度就毫无意义。
在初期，运营团队会进行人工分类，数据科学家会编写自定义模型与助手进行对比。结果显示两者一致。
随着时间的推移，团队的信心逐渐增强。领导者开始将助手的发现与他们在实地听到的信息进行交叉验证，当结果一致时，他们就更加依赖助手。
这种“提问、检查、信任”的循环使助手成为团队的日常习惯。过去需要一周的 SQL 查询和分类工作，现在只需点击几下即可完成。
从工单到转折点
成果体现在各个方面：
- GPT-5 发布后，产品团队在几天内就获得了反馈主题，而不是几周。
- 当企业版连接器采用率放缓时，助手迅速确定了根本原因：一个有缺陷的入职流程。工程师随后可以优先修复这些问题。
- 在图像生成领域，它既突显了营销团队使用其进行模型制作的创造力，也揭示了渲染延迟带来的摩擦；这两个事实直接影响了产品路线图。
当提出一个问题的成本降低到几分钟时，人们会提出更多问题。更多问题浮现。团队的行动速度加快。
好奇心的复利
该工具并不会取代数据科学家，而是让他们有时间去做其他工作。他们有更多时间构建新的分类器，并投入到自动化和工具开发中，而不是进行一次性的分析。运营团队现在可以在几分钟内生成发布报告，而不是几天，从而释放出更多时间与客户交流。产品团队可以实时了解客户反馈，以更快的反馈循环来指导他们的路线图。
未来的运营模式
这种转变改变了我们倾听客户声音的方式。不再需要配给稀缺的分析周期，现在每个团队都可以自由地探索自己的疑问。好奇心得以复利。一个产品负责人发现一个痛点，一个销售负责人也在企业工单中看到了同样的主题，两者共同创造了更快的行动路径。
我们希望客户能最直接地感受到这种变化。他们的问题将得到更快的解决，产品可以根据他们的需求更快地演进。过去被埋没在积压工作中的反馈，现在成为了我们构建产品的核心依据。
“我认为这就像是规模化的客户用户体验研究。如果我们能够主动地、以一种能改变我们产品、政策和实践的方式来呈现客户的声音，那就是成功。”
始于解析数百万工单的工具，正逐渐成为我们倾听客户声音的操作系统的一部分。而良好的倾听，是良好构建的基础。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，小白也可以简单操作。
青云聚合API官网https://api.qingyuntop.top
支持全球最新300+模型：https://api.qingyuntop.top/pricing
详细的调用教程及文档：https://api.qingyuntop.top/about
评论区