在OpenAI负责ChatGPT的Tibo Sottiaux认为，大多数软件开发者对时间的判断出现了偏差。在他看来，AI模型将在12个月内提速约10倍、成本降低约10倍，而互联网上的大部分操作很快将由AI智能体（接受目标后自行完成各个步骤的软件）而不是人来完成。他是在2026年9月29日OpenAI DevDay结束后不久提出这一判断的，当天OpenAI集中发布了大量产品与平台更新。下文梳理OpenAI看起来正在推进的方向，以及开发者和产品团队现在可以做些什么。

他认为市场尚未计入的三大转变

Sottiaux列举了三项他认为行业普遍低估的变化。

转变 他的预期
智能体成为互联网的主要用户 大部分数字和网络操作由智能体而非人类完成
速度与成本 一年内模型运行速度提升约10倍，成本降至约十分之一
多模态融合 文本、语音、图像等各类输入与输出无缝融合

他的观点是，只按当下的模型性能来构建产品是短视的。如果开发者真正假设一年后会有能力强10倍的模型，他们设计产品和平台的方式会截然不同。他本人也切身感受到了这种速度：他原以为达到Astra级别的能力还需要一到两年，结果来得早得多。

向智能体的转变已经带来连锁反应。OpenAI与Notion合作开发MCP（让AI模型连接外部工具和数据的协议）集成时，集成一上线就迎来了智能体流量的激增。软件公司如今面临一个现实的取舍：是为人类用户打磨精致的界面，还是构建能够承受大量自动化请求的轻量、稳健的API。

手工搭建的智能体架构为何难以持久

Sottiaux说，他现在几乎不再手写代码。他工作中涉及的生产代码几乎全部由OpenAI的编程智能体Codex生成，他负责审查并不时合并拉取请求（团队在把代码变更并入代码库之前审核的修改提议）。他的团队还用Codex做探索性分析、跟踪指标、解读业务趋势和规划功能。他每周仅剩的手写代码，是周末出于兴趣解几道LeetCode题。

快速模型也改变了他需要同时运行的智能体数量。自6.1 Sol Ultra-Fast这类超高速推理模型问世以来，同时管理几十个并行智能体的必要性大幅下降，因为一个响应迅速的智能体就能让他保持稳定的创作状态。

他把这种规律比作手风琴：

  1. 团队为弥补模型的不足，搭建由多个专职智能体组成的庞大网络。
  2. 更强的模型出现后，这些网络重新合并为一个系统。
  3. 新的局限显现，循环再次开始。

出于同样的原因，他把精心编排的提示词循环和复杂的路由图视为过渡阶段。他预计，能够自行学习用户语境和目标的系统将取而代之，工程师不必再为获得可靠结果而逐一调控循环。他也经常提醒团队避免过度复杂的架构，保持简单。

发光节点扩展成庞大网络，随后又收拢为一个明亮的球体

▲ 智能体架构的扩展与整合

Dots：始终在线的助手

这种思路体现在OpenAI于DevDay推出的个人智能体Dots上。每个dot全天候运行，了解用户想要达成的目标，接收反馈并不断深化理解。它可以自行加入会议室做记录，随后通过邮件或聊天跟进。用户可以从任何设备或屏幕调用它，只有在确实需要介入时才需要输入。Sottiaux认为，随身背着沉重的笔记本电脑是一种过时的模式：不是机器为人服务，而是人在为机器服务。

产品分阶段推出：

  • 用户先从一个主dot开始，它会学习用户的个人习惯和偏好。
  • OpenAI计划观察使用情况、调整其行为，然后再加入可协同工作的团队dot。
  • 后续版本将允许用户启动多个专职dot，相当于为某一工作领域组建虚拟团队。他表示，日常琐事并不需要这样做，但在工作量大的岗位上价值很高。

他自己另外运行着一个专门的dot，用来监控X（原Twitter）并处理相关工作。Dots把两年多来关于长周期任务和持久记忆的研究，与Codex执行框架和持续的后台运行结合在一起。出于安全考虑，Dots运行在Astra之上，他称这是OpenAI迄今对齐最严格、最安全的模型。

一次真实故障中dot做了什么

DevDay当天，在一场现场舞台演示开始前五分钟，Sottiaux的dot发现ChatGPT生产环境宕机并提醒了他。dot提出可以直接在生产环境中尝试修复代码。他拒绝了这一提议，转而与工程团队一起处理，因为让智能体自行修补线上生产环境仍然风险过高。

其架构遵循几条规则。专职dot在严格的护栏和专门的监控下，运行于Mac Mini等独立硬件上。核心原则是执行框架不在用户的主力机器上运行。智能体像章鱼一样，可以远程连接多台设备、虚拟环境和笔记本电脑，同时在其间工作。

Sign in with ChatGPT背后的生态布局

Sottiaux把开放生态称为DevDay发布中被低估的亮点。其核心是Sign in with ChatGPT，首批有16家合作伙伴接入。这个想法源于与Pi、OpenCode等工具开发者的非正式交流，讨论外部应用如何验证用户身份并安全地使用Codex模型。OpenAI随后将其做成了具备插件和发现功能的平台基础设施。

对开发者而言，要点如下：

  • 插件有机会触达约12亿ChatGPT用户这一潜在受众。
  • 插件被持续大量使用的开发者，可通过收入分成获得报酬。
  • 目录中的排名和推荐取决于质量和长期留存，而不是搜索优化技巧。
  • 达到质量和留存门槛的插件会在相关对话中被自动推荐，缺乏实际价值或使用率低的工具则会被移出推荐范围。

取消模型选择菜单

在如今的ChatGPT应用中，最让Sottiaux不满的是模型选择菜单。用户要在推理强度设置、多智能体选项、Ultra模式和标准模型之间做选择，这让人疲惫不堪。他开玩笑说，现在用户几乎需要一个模型选择方面的博士学位。他的目标是让界面淡出，由系统自行选择合适的工具和推理深度。

Dots已经没有模型选择菜单或配置菜单。根据用户反馈，OpenAI还在把Codex和ChatGPT Work这两个独立模式合并为一个界面，并最终希望把Dots的全天候能力引入ChatGPT，提升12亿用户的基础生产力。ChatGPT Spaces让人和智能体在共享白板上带着持久语境一起头脑风暴，被定位为这类共享工作空间的早期基础。

较小的守护形体注视中央的AI进程，在服务器机架前拦下红色警示信号

▲ 监控智能体的辅助模型

算力花在哪里：安全监控

快速发布节奏的背后，是对安全保障的大量投入。OpenAI将总算力预算中相当大的一部分用于辅助监控模型，实时监督正在工作的智能体。这些监控模型会防范提示词注入（在外部内容中隐藏指令以劫持AI的攻击），阻止高风险的自主操作，并在有害行为执行前进行干预。OpenAI在API工程上的投入，大部分也流向这一安全、评估和防护层。

由于其产品覆盖12亿人，其中许多人并不懂技术，OpenAI表示不会发布未经充分加固的前沿版本。这也是它决定不公开发布6.1 Astra的原因。

变得更重要的能力

Sottiaux说，他在评估求职者时发现，打字快这类操作层面的技能几乎已失去价值。价值正在上升的能力包括：

  • 出色的审美品位和判断好坏的眼光
  • 对用户的深刻同理心以及对其需求的细致理解
  • 在边界日益模糊的设计、工程和产品管理之间融会贯通的能力
  • 像创始人一样从头到尾对问题负责的心态

OpenAI有120多名Y Combinator出身的前创始人，他认为这些人具备干劲、主动性和对产品质量的直觉。他也认为职业生涯早期的人有优势：他们没有十年的旧习惯需要摒弃，往往能更快找到使用AI工具的最佳方式。他举例提到一位应届毕业入职的工程师，这位工程师后来负责Applied部门的全部算力资源，并构建了Codex执行框架的主要部分。他称赞了这位工程师的谦逊、对队友的慷慨和快速学习的能力。

OpenAI的很多产品工作是自下而上开始的。一个约四人的小组利用周末做出的视觉输入原型，先在全公司内部试用，后来发展成一项更大的功能。工程师们借助内部的Luna模型和约束采样，很快做出了Decisions API，作为比Responses API更快的替代方案。这种自主性伴随着责任：Sottiaux本人在入职OpenAI第三天就让生产环境宕机，但在支持下修复了问题并从中吸取了经验。

现在该做什么

综合来看，Sottiaux的观点是：智能体将成为软件的主要用户，人们无需纠结于各种设置就能拿到结果。一年提升10倍这一数字是一位产品负责人的预测，与其视为定论，不如作为设计时的基准线更有用。不同读者可以这样行动：

  • 运营在线服务的开发者：不只为人类用户设计界面，也要设计能承受大量智能体流量的API和后端。
  • 构建智能体的团队：不要在手工编排的循环和图上投入过多精力，保持足够简单，以便模型进步后可以拆除。
  • 考虑开发ChatGPT插件的企业：与其钻研曝光技巧，不如专注于让人愿意反复使用的实际价值。
  • 日常使用智能体的人：先把一个智能体调教得符合自己的偏好，再扩展到多个；在接入重要代码或系统之前，先将智能体隔离在带有护栏的独立机器或虚拟环境中。
  • 规划职业发展的人：与其追求单纯的执行速度，不如培养品位、用户理解和跨职能能力。