OpenAI 研究助理：擴大客戶洞察的內部工具

OpenAI 開發了一個內部研究助理，讓團隊能在數分鐘內分析數百萬張支援票據並提取可執行的洞察。透過結合結構化儀表板與由 GPT-5 驅動的對話介面，該工具消除了對手動 SQL 查詢和資料科學家介入以進行例行分析的需求。

技術架構與功能

研究助理結合了兩種主要的探索模式，以提供資料分析的廣度與深度：

• 結構化資料分析： 系統使用分類器和圖表將數百萬張票據組織到特定的產品領域和主題，讓使用者能辨識廣泛的模式與趨勢。
• 對話介面： 由 GPT-5 驅動的對話層允許使用者以自然語言提出後續問題。模型可以摘要原始票據並產生彈性的報告，衡量問題規模、顯示普遍性，並突顯特定的摩擦點。

這種混合方法讓使用者先從趨勢問題的高階圖表開始，然後使用自然語言查詢深入探究趨勢背後的具體「原因」。

營運影響與可靠性

為確保研究助理的準確性，OpenAI 的營運團隊最初進行手動分類，資料科學家則開發自訂模型以驗證助理的發現。這個「詢問、檢查、信任」循環建立了系統的可靠性，讓該工具成為內部團隊的日常習慣。

該工具大幅縮短了分析所需的時間，將原本需要一週的 SQL 查詢與分類器的任務，轉變為只需點擊幾下的流程。

實際應用與產品迭代

研究助理透過多個關鍵使用案例，直接影響了 OpenAI 的產品路線圖：

• GPT-5 發布回饋： 產品團隊能在發布後數天內辨識關鍵回饋主題，而非數週。
• 企業連接器採用： 該工具發現一個有缺陷的上線流程是企業採用連接器緩慢的根本原因，讓工程師能優先處理修復。
• 圖像生成： 分析突顯出一種雙重現實，行銷團隊使用該工具製作模型圖，同時卻遭遇渲染延遲，這直接塑造了未來的路線圖。

團隊角色與營運模式的轉變

研究助理的實施改變了 OpenAI 內部的營運模式，透過調整技術資源的分配方式：

• 資料科學家： 不再執行一次性的分析，資料科學家現在專注於建構新分類器以及投資自動化與工具。
• 營運團隊： 先前需要數天才能產出的上線報告現在可在數分鐘內完成，釋放出直接與客戶互動的能量。
• 產品團隊： 反饋迴路加速，使產品負責人與銷售負責人能即時協作解決摩擦點。

如 Business Data 主管 Molly Jackman 所描述的工具影響：

"我把它視為大規模的客戶使用者體驗研究。如果我們以主動改變我們的產品、政策與實踐的方式，呈現客戶的聲音——那就是成功。"