核心觀點

OpenAI 的 Proaction 案例把 AI 導入拆成一條連續的營運鏈：先以 Codex 將每場銷售對話轉為可操作的客製化產品 Demo，再把取得客戶後的需求脈絡移交工程團隊，最後以 GPT‑Live‑1 和 GPT‑6 Astra 把車隊日常工作做成可由人監看、可由代理執行的服務。重點不是「模型替人寫了多少程式」，而是讓銷售、產品與營運共用同一份可驗證的客戶脈絡。

Proaction 為管理汽車、卡車與工程機具的企業提供車隊管理軟體；不同車隊的工作流程差異很大，因此通用簡報難以讓潛在客戶看見產品如何貼合自身情境。過去客製化 Demo 必須排進工程排程，創辦人只能以會議與投影片說明可能性。如今 COO Colin Knudsen 會把通話錄音、email 往來與客戶提供的試算表交給 Codex，生成模擬該客戶車隊、流程與介面的 HTML Demo。

從銷售對話到可交付規格

Knudsen 每月製作四到六個互動 Demo，每個約需 30–45 分鐘；他估計因此每月省下 40–60 小時工程時間。原文另稱，進入「方案開發」而非僅停留在培養階段的商機比例提高約 50–60%。這些數字屬單一公司的自述，不能當作所有 B2B 團隊的通用提升幅度；但它指出一個值得複製的結構：讓銷售在客戶仍在場時，以真實工作資料共同塑造可視化方案。

這種 Demo 的價值不只在成交前。當潛在客戶轉為正式客戶，已討論過的互動環境可作為工程團隊的視覺化參考，降低「銷售承諾」和「工程理解」之間反覆補問與重工。Proaction 也建立讓客戶登入、瀏覽客製流程與銷售資料的 solution center，使非工程同事能把對話變成更清楚的需求輸入。這與 AI 原生公司：把工作流程變成可複利的營運能力 的原則一致：可複利的不是一次精美 Demo，而是能被重用的脈絡、程序和完成證據。

Codex 作為跨工具的工作台

Knudsen 將 Granola、Gmail、Slack、Linear、GitHub 與 HubSpot 接入 Codex，從同一處讀取通話與往來紀錄、產生 follow-up、建立 Linear issue、更新商機，並安排定期回顧通話後的銷售摘要。他每日處理約 15–20 類任務，估計每月省下 25–33 小時創辦人時間。真正的設計重點不在「把所有工具接上」，而是把每項自動化限定為有明確輸入、輸出與 owner 的工作：資料是否為最新、HubSpot 更新是否正確、發送前是否需人覆核，都應各自有驗收點。

對團隊而言，這類流程適合先從低風險、可回復的動作開始，例如整理會議脈絡、產生草稿與建立待審核項目；涉及對外承諾、價格、付款或資料權限時，仍應保留人類核准。這是 GPT-6 Astra：新一代智慧、電腦操作與負責任部署 所強調的界線：模型的操作能力越高，最小權限、行動紀錄與人工驗收就越不可省。

從管理資訊到代辦工作

Proaction 在產品端把這條鏈再往前推。客戶上傳車輛問題照片時，ChatGPT‑5.6 Sol 協助辨識損傷；以 GPT‑Live‑1 為基礎的「Managed Execution Layer」則讓專用代理處理通行費、保養等日常事項。以維修代理 Marty 為例：它可先與駕駛溝通問題、聯絡維修廠、安排服務，並協助讓估價走向核准與付款；一旦需要審查或介入，團隊接手處理。

此模式把 GPT-Live：OpenAI 全雙工語音模型 的即時互動優勢接到後端任務：語音層維持自然對話，較複雜的文件、影像、文字分析與工作流則交由模型和工具處理。但「會打電話」不等於「可完全放手」；服務安排、費用與例外狀況都應有授權範圍、升級條件、完整紀錄與真人接手路徑。GPT‑6 Astra 在此的意義，是縮短建構這些可操作介面的時間，而不是取消治理。

可帶走的實務判讀

Proaction 的案例可濃縮為三個步驟：把客戶對話轉成共享脈絡、把脈絡做成能驗收的互動產物、把重複營運工作置入受控的代理閉環。 導入時應同時量測 Demo 製作時間、商機推進率、工程返工、任務成功率、人工轉接率與例外成本；只看「節省工時」很容易忽略錯誤和覆核的代價。AI 最有價值的地方，不是替團隊跑得更快，而是讓原本散落在銷售、產品與營運之間的資訊，變成下一步能安全執行的共同起點。

來源

  • OpenAI（2026-09-25），〈Proaction boosts sales 60% and saves 75+ hours with Codex〉：https://openai.com/index/proaction/
  • 原文快照：raw/articles/openai-proaction-2026-09-25.md

反向連結

以下頁面引用了本頁：