Greg Brockman 谈 OpenAI 与 Simon Willison 的引述揭示 AI 同事引发的反弹

Greg Brockman 描述了 OpenAI 内部一场意料之外的冲突：员工不喜欢收到由同事的 ChatGPT 智能体发出的 Slack 请求，尽管他们会接受内容完全相同的人类请求。OpenAI 与 Simon Willison 的这段引述揭示了一个仅靠更强模型无法解决的问题。智能体或许能传达正确的信息，却仍可能损害围绕这条信息的人际关系。

Simon Willison 于 8 月 1 日发布了这一观察，并引用了 OpenAI 总裁兼联合创始人的说法。Brockman 表示，许多 OpenAI 员工将 ChatGPT 接入 Slack。他还说，当这些系统请求同事协助完成任务时，人们的反应会有所不同。

这种反应挑战了职场智能体背后的一项核心承诺。企业期待具备自主行动能力的软件——即能够代表用户采取行动的 AI——消除协调工作。然而，将对话委托出去，可能会让一项合理的请求显得缺乏人情味、过于冒昧，或有失公平。

这场冲突并不只是人类与自动化之间的对立，而是被委托的效率与可见的人类责任之间的冲突。员工似乎愿意帮助另一个人，却不太愿意成为由对方软件管理的隐形资源。

随着 OpenAI、Salesforce、Slack 及其他厂商将智能体引入职场沟通，这一区别愈发重要。问题不再是 AI 能否发送一条有用的信息，而是接收者是否明白：谁在提出请求、这项请求为何重要，以及谁仍对此负责。

OpenAI 与 Simon 的这段引述究竟揭示了什么

真正重要的并非一次产品发布，而是承认：技术上成功的委托也可能在社交层面失败。

在原始引述中，Brockman 描述了一种反复出现的行为差异。OpenAI 员工通常会帮助直接向他们提出请求的同事；但当同一位同事的 ChatGPT 发起互动、提出同样请求时，他们却对此感到不满。

Brockman 的措辞指向一种内部模式，而非受控研究。OpenAI 尚未公布参与人数、回复率、任务类别或实验对比数据。因此，读者应将这一说法视为来自公司内部的知情观察。

即便存在这一局限，这个例子依然极具价值。OpenAI 开发着处于这场转变核心的模型与智能体系统。其员工也具备很强的技术知识，并能以不同寻常的直接方式接触新兴工具。

如果在这样的环境中仍出现抵触，那么有限的 AI 素养显然无法完全解释这一现象。这些员工大概明白 ChatGPT 在做什么。他们反对的是：当智能体占用另一个人的时间时，所形成的这种社会关系安排。

请求本身可能是合理的。开发者可能需要代码审查，研究人员可能需要一份文档，经理可能需要其他团队提供背景信息。当由负责的同事亲自提出请求时，接收者也许乐于提供帮助。

自动化请求改变了其中隐含的关系。它可能让人觉得，一名员工通过把协调成本转移给别人来节省自己的时间。发送者无需亲自撰写信息、判断是否该打扰对方，或对这份帮助表达个人谢意。

接收者仍需完成工作。他们必须理解请求、判断优先级、查找信息，并决定该智能体是否拥有足够权限。自动化减少了一方的投入，却保留了另一方的投入。

这正解释了为何措辞相同并不会带来相同体验。职场沟通传递的信息超出文字本身：它表达紧迫性、互惠关系、地位、个人判断，以及对他人注意力的尊重。

人类提出请求还会为协商提供清晰路径。接收者可以询问任务为何重要、说明彼此冲突的优先事项，或提出较小规模的协助。智能体或许能支持这些交流，但它的出现会让边界变得不那么明确。

OpenAI 当前的文档显示，这项能力已发展到何种程度。Slack 智能体指南称，工作区智能体可以回答问题、通过已连接系统执行任务、创建文件，并发送定时消息。

智能体还可以在公共频道中自动回复。这使它们不再只是私人助手，而成为共享沟通环境的参与者；团队正是在这一环境中协调工作并建立预期。

OpenAI 警告称，智能体的回复可能不准确。不过，Brockman 的例子揭示了另一种失效模式：一条信息即使准确、相关且被正确送达，仍可能引发怨气。

这就是为什么 OpenAI 与 Simon 的这一观察值得获得比常规引述帖更多的关注。它指出了一项标准模型评估很少衡量的采用障碍。准确性无法揭示接收者是否感到被尊重、被加重负担，或被操控。

因此，这一变化在概念上虽细微，却十分具体。职场智能体正在从协助其所有者，跨越到向其他人提出要求。一旦越过这条边界，社会许可就会与技术授权同等重要。

职场 AI 正成为关系设计问题

部署智能体迫使管理者和产品团队保护人际关系，而不只是自动化更多步骤。

第一代职场生成式 AI 大多在私密环境中运作。员工请求摘要、草稿、解释或分析，再审阅结果，并决定是否分享。

智能体改变了这一模式，因为它们可以跨系统行动。它们可以在频道中发帖、联系同事、检索记录、更新文档，并持续推进工作流。在所有者未必审阅每一步之前，其输出就已成为他人的输入。

这种转变将 AI 治理带入日常组织行为。安全团队仍需要访问控制和审计记录，管理者也需要制定规则：软件何时应联系某个人，以及应以何种身份出现。

OpenAI 的职场文档要求管理员配置 Slack 集成。其中还描述了共享认证机制，即智能体使用集中管理的连接，而不是某位员工的私人登录凭据。这些控制措施解决了技术访问问题，却无法覆盖所有社会预期。

获得授权的智能体仍可能打扰错误的人。它可能生成不必要的跟进信息，或将一项非正式的帮忙变成机器分派的任务。获准进入某个频道，并不等于获准占用所有人的注意力。

接收者还需要得到有意义的披露。清晰可见的机器人标签回答了一个问题，却没有回答最重要的问题。员工需要知道：哪位人员对该请求负责，以及此人是否审阅过它。

归属关系会影响人们对紧迫性的理解。来自可信同事的信息，承载着过往协作积累的背景。机器人请求则可能剥离这些历史，让每项任务都以近似的确信程度呈现。

这种扁平化带来了优先级判断问题。人类同事会通过细微选择传达不确定、歉意、感激或真正的紧急性。智能体可以模仿这些信号，但模仿并不能证明其所有者也持有同样的感受。

因此，团队可能会不信任那些高度润色的请求。措辞看似体贴，但其背后的流程可能在未经协商的情况下转移工作量。更好的文案无法解决人们对权限与互惠关系的不确定感。

关于职场 AI 的研究支持了这种更广泛的担忧，尽管它并不能直接验证 Brockman 的内部说法。2026 年一项研究在企业沟通任务中，对比了 ChatGPT 支持与人类同事协助。

研究人员采用了包含 202 名参与者的情境实验。他们发现，在这一特定场景中，相比人类同事的支持，ChatGPT 支持与更低的工作满意度相关。

已发表的职场支持研究将这一结果与三种感知联系起来：参与者感受到的组织支持更低、展示自身能力的机会更少，以及更强的工作不安全感。

这些发现不应被泛化至每一种职业或工作流。该实验聚焦于受控条件下的一项沟通任务。不过，其作用机制与 Brockman 所观察到的紧张关系颇为相似。

人类帮助传达的并不只是任务完成。它还可能表明组织重视员工、同事认可彼此的专业能力，以及合作将得到回报。

即使智能体支持提升了产出，它带来的感受也可能不同。软件缺少赋予帮助以关系意义的共享历史。员工或许得到答案，却不会将这次互动体验为真正的支持。

这对企业采购者形成了直接压力。若采购决策只围绕已完成的任务来制定，便可能忽略二阶成本。团队或许记录到工作流更快，却同时经历信任减弱、互助意愿下降，或花费更多时间核验自动化请求。

产品设计者也面临同样压力。他们必须决定：智能体应自主发言、起草待批准的信息，还是在人类控制的界面背后安静运作。

最安全的模式取决于任务。定时状态摘要与请求某位特定同事调查问题，在社会层面的后果截然不同。将两者都视为普通消息，忽略了它们对人类注意力提出的不同要求。

已经投资建设可搜索知识库的组织，还有另一种选择。智能体可以先检索现有知识，再请求同事重复提供信息。

这一顺序既保留了自动化的价值，也避免将人类作为默认兜底方案。它还为打扰他人设立了更清晰的门槛：只有在现有记录无法解决请求时，智能体才联系某个人。

因此，重点并非拒绝智能体，而是区分私人协助、共享信息检索与人际委托。每一类都需要不同的权限与预期。

被委托的效率与人类责任

核心权衡很简单：智能体通过占用他人的注意力，为其所有者节省时间。

生产力指标往往只追踪发起用户。公司衡量该员工完成任务的速度，或智能体处理了多少工作流。接收者为理解请求付出的努力，很少出现在同一张仪表盘上。

设想一位产品经理正在准备更新。他们的智能体发现缺少工程预估，于是联系一名开发者。经理节省了几分钟，但开发者收到请求时，并不知道经理是否审阅过它。

开发者必须判断该预估是否确实需要、截止日期是否真实，以及回复机器人是否会形成某种义务。从一个账户的角度看，工作流似乎很高效，却在其他地方制造了模糊性。

一条由人发出的消息，带有虽小却不可忽视的成本。发件人需要停下来，考虑收件人，说明需求，并为这次打扰承担责任。这种投入会过滤掉低价值请求。

自动化消除了其中大部分阻力。当行动是例行且双方同意的，降低阻力会带来帮助；但当行动消耗稀缺的人类判断力时，它也可能催生过度需求。

这与日历自动化类似。预约软件让排期更轻松，但使用不当会将所有不便转嫁给受邀者。决定互动是否公平的并非技术本身，而是围绕它形成的实践方式。

Agent 会放大这种效应，因为它们能够规模化生成请求。一名员工可以委派大量对话，却无需亲身承受每位收件人被打扰的体验。微小的不平衡可能在大型组织中不断累积。

OpenAI Simon 的那段引述同样对拟人化设计提出了挑战：这种设计赋予软件类似人类的语言或行为。更友好的语气或许能提升可用性，却也可能掩盖消息背后真正作出决定的人。

如果一个 agent 写道“我将感激您的帮助”，究竟是谁在表达感激？系统对这段关系并没有个人利害关系。其所有者或许心怀感激，但收件人无法知道这句话是否体现了人的关注。

清晰的归属说明可以减少这种模糊性。消息可以表明：某个 agent 发现了缺失信息，且一名具名员工已批准该请求。它还可以提供直接联系所有者的途径。

仅靠批准无法解决所有情况。一个人可以批准大量生成的消息，却没有评估它们给收件人带来的负担。实用的设计应当在请求发出前，让收件人的成本变得可见。

例如，agent 可以向其所有者展示哪些人已经被联系过、该人提供帮助的频率，以及答案是否已存在于其他地方。它还可以建议在共享频道中提问，而不是反复指向同一位专家。

系统也可以将信息询问与工作指派区分开来。询问某份文档在哪里，与要求对方投入两小时进行分析，并不是一回事。后者需要明确的人际协商。

收件人同样需要控制权。他们应当能够拒绝、转交、静音，或要求人工确认，而不必与软件争辩。拒绝应当传达给负责的所有者，而不是触发无休止的自动说服。

身份必须在整个对话中保持稳定。如果一个 agent 发起了讨论串，所有者不应在保留模糊性的同时悄然接管。参与者应当知道每条消息来自软件、某个人，还是经过审阅的草稿。

当 agent 出错时，问责尤为重要。如果它误报截止日期或请求未经授权的工作，收件人不应还要调查究竟是哪条提示词、集成或模型产生了该指令。

必须由具名的所有者解决问题。组织还必须保留足够的历史记录来理解这项行动。否则，委派式沟通会恰恰在自动化扩大影响范围时削弱责任。

Slack 曾公开描绘一个更以 agent 为主导的未来。Axios 的一篇报道援引一名 Slack 高管的话称，员工最终可能会像与人类同事一样频繁地与 agent 交流。

这份 agent workplace forecast 也呈现了相互竞争的担忧。专家警告，以机器为主的互动可能削弱社会行为；而从业者则形容 agent 不稳定且容易出错。

Brockman 的观察让这场争论更为清晰。人们并非拒绝与软件进行所有互动；他们是在区分：一个帮助自己的 agent，与一个把自己征召去帮助他人的 agent。

这种差异应当指引产品决策。个人自动化不应自动获得人际权威。一个能够发送消息的系统，仍需要有正当理由来代表其所有者。

证据具有启发性，但并不完整

Brockman 提出了可信的警示，但公开证据尚不足以说明这种反应有多普遍或多持久。

OpenAI 的说法缺少基本衡量数据。我们不知道有多少员工将 ChatGPT 接入 Slack，有多少收件人表示反对，也不知道哪些任务引发了最强烈的反应。

“人们真的不喜欢”这一表述传达了鲜明印象，而非量化结果。它可能指广泛的抵触，可能是较小群体反复提出的抱怨，也可能是集中在特定团队中的模式。

任务设计或许能够解释部分反应。员工可能接受自动化的状态询问，却反感需要判断的开放式请求。索要一个已有链接，与邀请对方为另一个团队的项目排查问题，并不相同。

Agent 的行为同样重要。收件人可能因消息冗长、时机不当、重复，或透明度不足而产生负面反应。问题或许不只在于委派本身。

职场层级带来了另一层不确定性。即便消息看上去是可选的，代表高级管理者行动的 agent 也可能携带隐性权威。员工可能觉得无法忽略它，同时又缺乏可用来协商的人际关系。

同一个 agent 若代表同级同事，可能会得到不同反应。信任基础牢固的团队或许能容忍自动化，因为同事彼此已理解对方意图。新组建或分布式团队可能需要更明确的人际接触。

文化预期也会有所不同。一些组织高度依赖异步书面沟通。另一些组织则通过对话来维持凝聚力、化解不确定性，并认可个人贡献。

这项关于 ChatGPT 支持的 2026 年研究提供了有用证据，但它并未复现自主 Slack 委派。参与者回应的是假设性的工作情境，而不是与真实同事和 agent 的长期关系。

其 202 人样本足以支持该实验内部的分析，却无法判断员工是否会在持续使用后适应，或更好的界面设计是否会改变结果。

美联社报道的另一项 Slack 研究说明，职场采用程度本就不均衡。研究人员访谈了 5,000 名桌面办公人员，并将其划分为五类 AI 人群。

只有一半人属于两个已经经常或秘密使用 AI 的群体。这项 workplace AI survey 描述了热情、焦虑、抵触、愧疚和不确定性，而非一种共同反应。

这项研究早于当前的 OpenAI Slack 集成，不应被视为对 agent 接受度的直接衡量。但它表明，职场 AI 进入的是一个情绪分裂的环境。

披露也可能造成另一种悖论。隐藏 agent 能减少即时阻力，却会在作者身份上欺骗收件人。给每条自动消息加标签能够保护透明度，同时也让委派行为无法被忽视。

答案不可能是让 agent 更有说服力地冒充其所有者。这种做法可能通过利用既有信任来提高短期回复率，却也会破坏知情参与，并让后续错误带来更大伤害。

组织需要的不只是采用量数据。高使用率可能反映的是管理压力，而非员工接受度。快速响应时间可能掩盖挫败感或不必要的顺从。

更好的衡量指标包括被忽略的请求、人工升级、投诉、更正、重复联系以及收件人满意度。团队还应比较由 agent 起草的请求与由 agent 自主发送的请求。

最有力的证据将来自受控的职场试验。研究人员可以改变所有者批准、身份披露、任务负担、层级和关系历史等变量，然后衡量完成情况、信任和再次合作的意愿。

在此类数据出现之前，OpenAI Simon 的说法应当是一项警示，而不是普遍规律。它揭示了一种与相关研究相符的合理机制，却未能证明每一条自主发送的消息都会损害职场关系。

这一差别很重要，因为过度反应同样有成本。禁止所有 agent 沟通会阻碍有用的自动化，包括无障碍帮助频道、例行报告和更快的信息检索。

务实的应对方式是有边界的试验。企业可以允许低风险的 agent 参与，同时要求对那些会给他人施加实质性工作的请求进行人工审阅。

它们应在部署前公布这些边界。员工需要知道 agent 何时能够联系自己、它具有什么权限、如何拒绝，以及由谁处理争议。

没有这些规则，每位收件人都必须在每次被打扰时自行制定政策。这种不确定性会将一项生产力功能转化为组织摩擦。

三项信号将表明 AI 同事能否赢得信任

下一阶段将由产品控制、收件人行为和可衡量的关系结果决定。

第一项信号是 OpenAI 及其他供应商是否会为人际请求加入更严格的人工批准控制。现有工具已支持频道配置、日程安排、提及和自动回复。

决定性的功能将区分一般性的频道协助与定向委派。当 agent 要求一名具名员工完成实质性工作时，管理员或所有者可以要求进行审阅。

如果客户广泛采用这一控制措施，将强化 Brockman 的解读。这将表明，组织将人际请求视为一个独特的风险类别。

采用率低则会指向另一种方向。团队可能认为披露和现有权限已提供足够保护。例行 agent 消息可能会在反复接触中逐渐成为社会常态。

第二项信号是收件人行为。企业应观察不同任务类别下的回复率、拒绝、静音、升级以及要求人工确认的情况。

仅有较高完成率并不足够。员工可能会服从他们不喜欢的请求，尤其当 agent 代表经理或有影响力的同事时。满意度和再次配合的意愿与速度同样重要。

如果自主请求比经审阅的人工消息带来更多投诉或更低的未来合作意愿，Brockman 的论点就会更有力。如果在控制消息质量和任务负担后，这种差异消失，其论点就会减弱。

第三项信号是组织是否会在衡量生产力的同时衡量关系影响。大多数 agent 项目一开始关注的是节省时间、完成任务或减少支持量。

这些指标偏向 agent 所有者和采购组织。它们无法反映系统是否转移了工作、减少了认可，或削弱了同事之间的信任。

可信的评估应当向互动双方提问。发件人是否节省了时间？收件人是否理解该请求、认可其正当性，并知道谁对此负责？

长期指标同样重要。团队可以考察专家是否接到更多自动化要求、员工是否更少直接沟通，以及未解决的分歧是否转移到正式渠道之外。

这些结果将区分增强与替代。增强利用 AI 帮助人们为更好的协作做好准备。替代则将软件置于人与人之间，并将这种关系视为可以避免的管理开销。

从这段引述中可以清楚看出 Brockman 倾向的方向：AI 应将时间还给人们，或改善人们共处的时间。它不应成为让同事彼此疏远的永久性中间层。

这一立场值得注意，因为当 agents 承担更多工作场景中的活动时，OpenAI 将从中受益。承认这种社交边界，说明更高的 agent 自主性并不必然是理想终点。

产品上的挑战在于：既要保留问责机制，又不能重新带回所有行政负担。起草一项周到的请求可以自动化；但决定是否要给同事增加工作，往往应由人来完成。

知识检索提供了一条有用的分界线。agent 应在联系他人前，搜索已获批准的记录、总结相关背景，并识别缺失的信息。当自动化能够避免不必要的打扰时，才会赢得信任。

当仍然需要人类协助时，负责人应当出现在这次交流中。一段简短的个人说明就能明确目的、责任与谢意。agent 仍可以整理背景信息并记录结果。

“OpenAI Simon”这一说法不太可能在这段特定引述之外成为自然的搜索词。但其背后的问题，将在远超一篇帖文的范围内塑造企业 AI 的发展。

供应商正在将 agents 设计为同事、助手和数字劳动力。员工将通过日常互动，而不是产品标签，来评判这些系统。每一项自动发出的请求，都是对权威与尊重的一次考验。

因此，最成功的 agent 或许会比当前演示所暗示的更不显眼。它会准备信息、消除重复工作，并帮助人们清晰沟通。它不会试图因取代人与人之间的关系而邀功。

部署 Slack agents 的组织应先从一个实际问题开始：这项行动节省的是集体时间，还是仅仅节省了发起者的时间？这个问题能够揭示那些只是转移工作量的流程。

随后，他们应赋予接收者真正有效的控制权。人们必须能够无惩罚地要求人工确认，也必须能够拒绝机器生成的任务，而无需与机器陷入争辩。

最后，团队应公开审查结果。如果员工感觉 agents 在缺乏问责的情况下分配工作，那么无论其完成率统计多么漂亮，部署方案都需要重新设计。

这段关于 OpenAI Simon Willison 的引述并不能决定 AI 同事的未来。它提供了一个更好的评判标准。目标不应是最大化自动化沟通，而是以更少受损的人际关系，完成更有价值的工作。

在允许 agent 联系同事之前，先问清楚软件消除了什么，又转移了什么。要求明确的负责人、清晰的披露，以及便捷地回到人工对话的路径。然后，像衡量发送者节省的时间一样仔细衡量接收者的体验。如果你的工作场所 agent 无法保留同意权、背景信息和问责机制，就让它留在它所服务的人身后。AI 只有在让人们能够给予彼此更多关注时，才配在工作场所占有一席之地；而不是把同事变成自动化工作流中的终端。