Jill Hazelbaker 加入 OpenAI，Uber 失去資深高層
Jill Hazelbaker 在 Uber 工作逾十年後加入 OpenAI，從這家叫車公司轉任專注企業事務的職位。Axios 於 11 月 3 日報道這項任命，指她的新職位為首席企業事務官。此舉讓 OpenAI 增添一名具經驗的高層，負責管理其公眾形象。同時亦引出一個實際問題：這項職責將與塑造公眾信任的決策有多緊密的聯繫？
據 Axios 報道，Hazelbaker 將向 OpenAI 總裁兼共同創辦人 Greg Brockman 匯報。她的職責不僅限於傳媒關係，亦涵蓋聲譽、企業定位及公眾參與。這種廣度相當重要，因為解釋一家 AI 公司不只是描述其產品能做到甚麼，還包括協助人們理解其限制，以及在期望與實際體驗出現落差時，公司會如何回應。
Uber 可提供一個有用的參考點，儘管兩者比較有其限制。兩家公司都面對將科技引入人們期望有問責的活動時所帶來的挑戰。核心張力在於管理公司聲譽，與令其行為更易被評估之間的取捨。Hazelbaker 的任命確立了誰將協助傳達 OpenAI 的立場；報道則未有解答有關其權限的重要問題。
Jill Hazelbaker 加入 OpenAI，職責不止於傳訊
這項據報任命，比 OpenAI 聘請一名新傳訊主管這種簡略說法涵蓋得更廣。Axios 指其職責範圍包括全球傳訊、聲譽、企業品牌、社交媒體，以及文化與社區參與。其對 企業事務職位 的報道，將這些職責置於向 Brockman 匯報的高層之下。
最明確的改變，是任命一名高層，廣泛負責 OpenAI 如何展現自身並與公眾互動。 這一點具意義，但不代表該職位會掌管產品發布、研究優先次序或安全決策。這些屬於不同職責，而現有報道未能證實 Hazelbaker 會主導這些工作。
企業事務通常位於企業與影響其營運能力的受眾之間。這些受眾包括客戶、員工、記者、社區組織及政府官員。他們的問題往往重疊，但期望各有不同。客戶希望得到易於理解的說明，員工則可能需要知道誰負責艱難決策。
因此，傳達決策與作出決策之間的分野至關重要。高層可以協調說明工作，卻未必有權改變底層政策。反過來說，接觸高級管理層亦可讓外界關注事項在決策公開前進入討論。現有報道確立了匯報關係，但未有顯示這個流程會如何運作。
對關注 Jill Hazelbaker 在 OpenAI 職位的讀者而言，這個頭銜提供的是起點，而非完整的組織架構圖。它指出企業傳訊由一名高層負責，卻未有披露預算、人手、升級處理程序，或與相鄰管理職位之間的權責界線。這些細節將決定該職位在實務上如何運作。
已公布的轉職與已完成的交接之間亦有分別。本文檢視的報道未有確認確切到任日期，亦未有交代 Uber 完整的繼任安排。讀者不應把這些缺漏視為衝突的證據。它們只是公開敘述中的空白，在有更多資料前，應維持為空白。
同樣的審慎態度亦適用於 Hazelbaker 離職的原因。由 Uber 轉到 OpenAI，本身不足以證明她對前僱主感到不滿。這項任命也不能證明 OpenAI 正回應某宗特定爭議。可站得住腳的解讀，應先從已描述的職責出發，再把其含意與任何未獲支持的私人動機說法分開。
這種做法得出的結論較窄，卻更有用。據報道，OpenAI 正增聘一名具經驗的企業事務高層。這項任命會否改變公司與用戶的關係，將取決於後續發展。要理解其意義，首先應看 Hazelbaker 從 Uber 帶來的經驗。
Uber 失去的經驗，繼任者無法立即複製
Uber 的公開文件記錄了一段橫跨傳訊、公共政策及市場營銷的職涯。其 高層簡介 記錄 Hazelbaker 於 2015 年加入公司，以及其後出任的高級職位。同一份文件亦列出她過去在 Snap 和 Google 的職位，以及參與政治競選活動的經歷。
這些背景有助解釋人選的契合之處，無需揣測招聘過程。傳訊與政策工作都涉及向利益互有衝突的受眾闡釋機構決定。市場營銷則加入另一項責任：說明人們為何應選擇一項產品。結合這些範疇，便會累積處理公司想說的話與外界需要獲得解答之間落差的經驗。
Uber 當前的挑戰，不只是分配職責，還包括轉移機構知識。 繼任者可以接手團隊和匯報架構，但要理解為何某個議題變得敏感，或哪些內部關係能化解分歧，通常需要更長時間。這是資深高層離任相關的組織風險，並非已經發生混亂的證據。
Axios 的 離任報道 指，Hazelbaker 的任期橫跨 Uber 的轉型及多項面向公眾的職能。對 Uber 而言，實際問題是交接後如何分配這些職責。公布繼任人選有助釐清，公司是保留原有架構，還是將工作分配給現有管理層。
兩種安排本身都不必然較強。把職責集中可在議題橫跨多個團隊時，令責任歸屬更清晰；拆分職責則可讓每項職能獲得更專門的關注。真正有用的證據將是最終的職責和升級處理路徑，而非繼任者頭銜所暗示的資歷。
Uber 的比較同樣需要克制。處理交通、地方政策及消費者平台的經驗，並不會自動轉化為 AI 行為方面的專業知識。受眾在某些方面有所重疊，但底層問題不同。解釋模型的限制，需要與理解其開發及評估的人員緊密合作。
這個分野對 OpenAI 企業事務的影響很重要。傳訊高層應能在不改變證據所支持內容的前提下，令技術說明更易理解。若研究人員描述的是狹窄的結果，對外訊息應保留這個界線。若產品仍有未解決的限制，自信的表述不應掩蓋它們。
一個假設的工作場所例子可令問題更具體。設想某僱主正考慮使用 AI 助手來摘要內部文件。員工可能會問：誰可以存取他們的資料、錯誤會如何處理，以及摘要會否保留重要限定條件。只有當答案連結到實際產品行為及可執行承諾時，精心製作的介紹才有幫助。
Hazelbaker 的經驗與組織這些答案，以及辨識其聲譽後果有關。這並不會取代技術、法律及營運方面的責任歸屬。因此，從 Uber 的轉任最好理解為高層經驗的轉移。這些經驗會否改善 OpenAI 的公眾問責，仍是有待評估的結果，而非已被證實的好處。
公眾信任需要證據，也需要一致訊息
支持任命企業事務高層最有力的分析理由，是協調。一家公司若由不同團隊以互不相容的方式描述同一產品，便可能造成混亂。用戶屆時必須判斷：文件、廣告、訪問還是支援回應，哪一項最具權威。消除這種模糊性是一項實際工作，影響不限於媒體報道。
當一致訊息能幫助外界理解證據及其限制時，才會產生價值。 單靠一致並不足夠。公司可以在每個渠道重複不完整的說明。關鍵分野在於，傳訊是否令某項主張更易被檢視、質疑及更新。
這正是聲譽管理與問責之間張力變得具體之處。聲譽管理聚焦於外界如何看待機構。問責則要求人們能識別發生了甚麼、誰負責回應，以及承諾是否兌現。這兩項職能可以互相支持，但短期誘因未必總是相同。
例如，設想一項假設的 AI 功能在受控示範中表現良好，卻難以處理凌亂的工作場所文件。以聲譽為重的回應或會強調成功的示範；具問責性的回應則會同時說明性能在哪些條件下變差。這些資訊有助買家判斷該功能是否適合其工作。
研究為這個分野提供有用框架。提出 模型卡 的論文主張，以文件說明預定用途、評估條件及相關限制。模型卡是對機器學習模型及其評估方式的結構化說明。其價值在於為讀者提供解讀性能主張所需的背景。
這個框架說明，有效傳訊在不取代研究的情況下可以做到甚麼。它可將標題式主張連結到背後條件；可說明哪些結果適用於特定用途、哪些仍存在不確定性；亦可在新證據改變早前評估時，讓修訂清晰可見。
Anthropic 透過其已發布的 透明度承諾，提供了一個具參考價值的競爭比較。該文件描述模型報告、安全評估、使用政策及用戶指引。這些是公司的既定承諾，而非其成效的獨立證明。不過，它們顯示 AI 供應商可提供哪些材料供外界審視。
這項比較關乎公開證據，並非聲稱 Anthropic 已解決信任問題。發布文件並不保證讀者能理解內容，也不保證其底層做法已足夠。但這會創造讓客戶、研究人員及記者檢視的材料。競爭供應商便可按其披露內容的實質進行比較。
對 Jill Hazelbaker 出任 OpenAI 職務而言，關鍵機會在於清楚建立這些連繫。產品公告、技術文件及公司決策的說明，應協助讀者建立連貫的理解。這並不代表每類受眾都必須獲得完全相同的細節，而是較簡短的說明仍須忠實反映較完整的交代。
知識工作者與這項標準有直接關係。選擇 AI 工具時，往往要判斷哪些說法值得進一步查證。將原始文件與摘要一併保存於個人知識庫，可令日後比較更容易。其基本原則相同：在濃縮複雜故事時，保留接觸證據的途徑。
這正是 Jill Hazelbaker 加入 OpenAI 的更廣泛意義。這項任命涉及一項可協助向不同受眾解釋公司選擇的職能。其成效部分應按這些說明是否支持知情決策來衡量。公開曝光是這個過程的其中一項投入，而非替代品。
高層任命並不等於確立決策權力
較審慎的解讀，應從這項任命無法證明甚麼開始。匯報關係不能揭示分歧如何解決。廣泛職責不等於可接觸每一項相關技術評估。行政職銜亦不會說明用戶提出的關注，是否能改變產品發布決定。
核心不確定性在於，對公眾信任的責任如何與公司內部權力相連。 若一名高層負責對外說明，卻無法影響背後的流程，該角色便有明確限制。若外界關注能及早傳達給決策者，這項職能便可作出更大貢獻。已檢視的報道未能確立將採用哪一種安排。
這是一項分析上的區分，並非對 OpenAI 內部做法的指控。公開報道高層任命時，甚少提供完整的決策程序。現在便斷言 Hazelbaker 缺乏影響力，仍言之過早；同樣地，假設她的匯報關係保證某種程度的影響力，也同樣過早。
以關注度界定成功亦有風險。高層任命可帶來正面報道，因為事件容易描述，也容易為業界讀者辨識。組織改善則較難觀察。它體現在團隊能否一致回應困難問題、糾正錯誤，以及在問題橫跨多個職能時清楚交代責任歸屬。
這些成果需要全公司協作。傳訊團隊不能獨立確定某個模型在特定情境下是否安全。研究人員亦未必總能判斷每一類受影響受眾需要甚麼說明。產品及支援團隊掌握其他部分的全貌。公共問責取決於能否連結這些觀點，同時不掩飾分歧。
第二個假設情境說明了為何這種連結重要。假設一個 AI 助手錯誤描述一名僱員的工作情況。受影響人士需要更正程序，以及說明哪些內容可以改變。關於負責任 AI 的一般聲明，無法回應眼前問題。回應必須將溝通與實際補救措施連結起來。
挑戰亦延伸至不確定性本身。公司有誘因傳達信心，但用戶有時需要知道某個答案仍未完整。一個有用的回應，會區分已核實的內容與仍在調查的事項，也會說明預期何時會有更多資訊，卻不會承諾調查尚未證實的結果。
一份關於AI 透明度的研究路線圖，將模型報告、評估披露、解釋，以及傳達不確定性視為不同方法。這個區分在此很有幫助。發布更多材料，並不會自動回答受眾的問題。有效的解釋必須配合讀者正嘗試作出的決定。
同樣的紀律亦應引導對其離開 Uber 的解讀。單憑這項任命，不能證明 Uber 出現更廣泛的高層危機、其策略有所改變，或 OpenAI 作為僱主更具優勢。這些說法需要額外證據。將單一人事流動視為大規模趨勢的證明，會令分析可靠性下降。
因此，應透過可觀察的做法評估 OpenAI 企業事務的影響。公司是否令責任歸屬更容易理解？公開說明是否保留相關限定條件？曾看過原有說法的人，是否容易找到更正？與其假設一項知名聘任必然意味甚麼，這些問題提供了更穩固的評估基礎。
這個審慎結論雖有限，卻很重要。Hazelbaker 的經驗令這項任命值得關注，但並未解決技術可靠性、管治或用戶保障的問題。不論公司立場表達得多清楚，這些問題仍取決於公司的決策及產品。
當任命成為實際運作角色時應觀察甚麼
下一階段應產生有關職責、溝通及後續執行的證據。這些訊號比圍繞聘任的報道篇幅更具參考價值。它們均不需要假設某次產品發布或爭議必然發生。每一項都可按公司選擇公開的資訊來評估。
先觀察過渡細節，其次是產品說明，最後是對棘手問題的回應。 這個次序由組織意圖走向可觀察行為，也可避免以從未公開確立的職責來評判後續溝通。
第一個訊號是對過渡安排有更清晰的交代。確認的上任日期、更新後的領導層職責說明，或對責任範圍的公開解釋，都能縮小有關任命的不確定性。在 Uber，繼任安排可顯示誰會接掌相關職能。這些披露將加強人們對這項人事流動具明確組織架構的看法。
若未有即時細節，代表整體圖像仍不完整，並不等於證明存在問題。高層過渡可能涉及未完全公開的內部安排。讀者應區分欠缺披露與交接失敗的證據。真正有用的問題是：當責任歸屬變得相關時，後續資訊是否能將其釐清。
第二個訊號，是 OpenAI 下一次重要產品公告所附說明的質素。讀者應留意是否清楚說明可用性、預期用途、限制及支持證據。如不同文件面向不同受眾，其說法應保持一致。這將支持企業溝通能協助人們評估產品的觀點。
只有更精緻的文字、卻沒有更清晰資訊，將構成較弱的進展證據。簡潔的公告仍可連結讀者至作出重要決定所需的細節。相反，即使是篇幅很長的技術文件，若與標題聲稱的關係不清晰，仍可能難以解讀。檢驗標準是實用性，而非篇幅或語調。
對企業買家而言，這代表要檢查公告是否回答實際部署問題。考慮文件分析的買家，需要了解系統在哪些方面表現良好，以及哪些地方仍需要人工覆核。開發者需要足夠細節，避免基於未獲支持的假設進行開發。這些是示範性的決策準則，並非對已公布功能的主張。
第三個訊號，是公司如何處理有爭議的說法或合理的澄清要求（若有出現）。有用的回應會識別問題、將已核實事實與不確定性分開，並說明下一步。如早前聲明需要更正，該更正應容易與原有聲明連結。這會比產品發布獲得正面反應，更有力地證明問責。
若回應令責任歸屬不清，便會削弱「任命有助提升公眾理解」的解讀。若解釋回答的是與用戶所提問題不同的問題，亦然。兩種結果都不應預先假定。當有足夠證據時，它們是評估未來行為的標準。
當 Jill Hazelbaker 加入 OpenAI，眼前新聞是一名高級行政人員在兩間知名科技公司之間轉職。較長遠的問題則關乎企業事務如何支持人們對 AI 作出知情判斷。Uber 面對經驗交接；OpenAI 則獲得一位其工作將透過解釋與互動而可見的領導者。後果取決於執行。
追蹤過渡安排，然後將公司的下一次公告與背後證據比較。在評估日後的澄清或更正時，保留原有措辭。對於工作場所的決定，在一場吸引人的示範設定期望前，先寫下哪些資訊會改變你的判斷。比起單憑自信的演示，應更重視清楚的責任歸屬及坦誠的限制。Jill Hazelbaker 在 OpenAI 的角色值得關注，因為它觸及公司選擇與受影響人士之間的關係。應透過具體答案、可取得的證據及後續執行來評估這種關係。當下一次重要公告出現時，請問自己：你是否更了解該產品、其限制，以及誰須為決策負責。
