GPT-5.6发布：AI走进办公室，知识工作缺“测试用例”

OpenAI正式发布GPT-5.6，同时推出ChatGPT Work，Codex将并入新版ChatGPT桌面端，AI能力正式从代码领域向全场景知识工作延伸。

更新后，Chat、Work、Codex三大模块被整合进同一应用：Chat负责对话与搜索；Work承担研究、分析及文档、表格、PPT、网页产出；Codex继续覆盖代码、本地文件、终端与项目环境。这并非一次普通的模型升级，OpenAI正将Codex在代码领域验证过的“执行范式”复制到所有知识工作场景——ChatGPT不再仅输出答案，而是可读取授权文件与应用，将目标拆解为多步持续执行数十分钟甚至数小时，最终交付可直接使用的工作成果。

AI生成快，返工成本反而更高

GPT-5.6本身仍延续常规升级路径：推理能力更强、编程表现更好、运行速度更快、使用成本更低，但真正值得关注的变化是AI正从“回答问题”转向“交付成果”。有从业者分享了一次AI办公实验的经历：将确认后的业务资料交给AI生成高保真原型和PRD，AI仅用很短时间就产出了看似完整的版本，让人误以为需求已完成七八成。

但在内部评审环节，研发提出的多项细节追问暴露了问题：AI为了让方案显得完整，主动补充了大量未被业务确认的规则、字段和流程。最终，核对规则、删除多余设计、收敛需求范围、向研发解释内容真伪的时间，远超人工从零制作的成本，原本的“省时需求”最终变成了“审核负担”。

代码有报错机制，办公文档没有

Agent之所以最早在软件开发领域跑通，核心原因是代码拥有明确的验证体系：写错会编译失败、功能异常会测试不通过、修改内容可通过Diff对比、上线出问题可查日志、版本异常可回滚，错误能够被及时、客观地暴露。

但办公室场景下的知识工作缺乏这套验证机制：PRD不会自动标出AI猜测的业务规则，PPT不会因结论无依据而无法播放，市场报告即使引用错误信息仍可呈现专业排版。大量工作的好坏没有清晰分界线，往往取决于公司目标、业务背景、资源限制、团队偏好等隐性规则，甚至仅存在于老员工的经验中。

AI未消灭模糊，反而为模糊“精装修”

AI很少主动告知“这件事我没弄明白”，而是习惯根据现有信息补齐缺失部分。如果最新文件版本、已废止规则、临时需求、禁止项等边界未被明确，模型只会给出“看起来最像答案”的结果。

这种特性容易造成危险错觉：界面越完整越容易让人误以为考虑周全，文字越流畅越容易让人忽略依据不足，产物越接近成品，未经确认的假设越容易混入其中。AI没有消灭工作中的模糊地带，只是为模糊内容做了一层精致包装，把原本停留在会议中的不确定需求，快速变成了看似成型的成品。

办公室需要专属“测试用例”

知识工作需要的“测试用例”并非要求所有人学习编程，而是要明确“这项工作怎样才算完成”：经营分析要明确数据来源、统计周期、可追溯性；产品需求要标注确认内容、待定内容、本期不做范围；营销内容要划定事实核对标准、禁用表述、审批责任人；财务核验要明确误差范围、人工介入条件。

OpenAI在ChatGPT Work中反复强调参考文件、模板、进度跟踪和关键操作审批，本质也是承认同一现实：模型具备执行能力，不代表它天然知道“做对”的标准。越复杂、责任越重的工作，越不能只给AI一个目标就等待结果，至少要明确输入充足性、依据真实性、范围边界、异常处理机制、修改可追溯性几个关键节点。

企业缺的不是文件，是可执行规则

ChatGPT Work推出后，国内厂商跟进速度预计不会太慢，国内互联网公司掌握大量应用入口，在很多场景下更贴近企业真实工作场景。但产品功能容易跟进，组织内部的隐性规则补全难度更高。

很多企业并不缺文档，反而存在文档冗余混乱的问题：制度文件部分失效、同一指标不同部门口径不一、多份“最终版”文件无法确认权威版本、异常流程依赖老员工经验。这种情况下直接接入AI Agent，更可能得到一台高速运转的混乱复制机。企业真正需要补全的，是权威数据源、知识版本管理、业务规则、正反案例、权限边界、异常流程和责任人，也就是一套可被执行、可被验证的制度体系。

个人核心能力是判断标准

有从业者调整了AI使用方式：不再一开始就让AI生成完整版本，而是先明确问题边界、本期范围、确认内容、禁止项和验收标准，让AI负责资料梳理、遗漏检查、初稿生成和问题整理，业务边界、权限、数据口径等核心决策仍由人把控。

对个人而言，未来最值得积累的不是大量Prompt技巧，而是对工作的判断标准：知道一份合格报告的核心要素、必须核对的数据范围、需求收敛为MVP的方法、不可交给AI猜测的边界，能够把自身经验沉淀为模板、案例、红线和检查规则，这些才是个人AI工作台的核心底座。

GPT-5.6让AI更聪明，ChatGPT Work让AI覆盖更多场景，Codex让AI具备更强行动能力，但AI产出更多不代表人的工作量会减少。如果上下文混乱、标准含糊、责任不清，AI能力越强，人的审核负担可能越重。AI走出代码领域后，办公室最先需要补上的不是更多技能，而是一套完整的“测试用例”。

来源：虎嗅