OpenAI 協助團隊更快獲得深入解析

本文是我們系列文章中的一篇，分享 OpenAI 如何運用自家技術開發解決方案。

每年都會接收數百萬個支支援單。每一個都包含著有價值的內容：一個挫折、一個想法、一個請求。

但直到現在，這些訊號仍難以讀懂。儀表板能提示趨勢，但卻無法解釋背後的原因。深入分析需要資料科學家花費數週的時間。產品主管可能想瞭解新功能在特定受眾類型中的反響如何。但要回答這個問題，需要資料科學家進行詳細分析。

好奇心卻受到限制。

商業資料部門負責人 Molly Jackman 表示，「這個過程需要深厚的技術專業知識，並且限制了我們的好奇心。」

我們打造了一個研究助理，來釋放不斷擴大的好奇心。它結合了兩種探索模式：可用於識別模式的儀表板，以及用於深入挖掘的對話介面。您可以從顯示趨勢問題的圖表著手，然後用簡單的語言提出後續問題。

我們透過融合確有成效的方法來打造。一方面是分類器和圖表，將數百萬張支援單按產品區域和主題進行結構化。另一方面則是 GPT‑5，它可以總結原始支援單，用簡單語言產生靈活的報告。這種結合為我們提供了速度與深度，而且足夠簡單，任何人都能使用。

「醫療保健客戶對新整合有何反應？」

「什麼因素導致本季支援單變多？」

「哪些主要功能達到了預期效果？」

系統在幾分鐘內就能返回一份報告，量化問題規模，顯示普及度，並醒目標示出痛點。主管不再需要借用資源或檢視靜態儀表板，任何人都可以探索自己的問題。對產品團隊而言，這代表能更快依據真實回饋進行迭代──清楚掌握哪些有效、哪些無效，並萃取明確洞見，來引導產品發表及長期藍圖。

若速度沒有準確性，便毫無意義。 

早期，營運團隊進行手動分類，資料科學家則編寫自訂模型來與助理進行比較，結果彼此吻合。 

信任度越來越高。主管開始將得到的發現與他們在現場聽到的資訊進行交叉檢查，當兩者一致時，他們便開始更加依賴這些結果。

詢問、檢查、信任的循環讓這個助理成為團隊日常工作的一部分。曾經需要一週時間的 SQL 查詢和分類，現在只需幾個按幾下就能完成。

回報無處不在。

• GPT‑5 上線後，產品團隊不再需要數週時間，而是在幾天內就得到了回饋主題。
• 當企業對接的採用速度放緩時，助理很快便揭示出根本原因：上線流程存在缺陷。工程師隨後可以優先處理修復。
• 而圖像產生方面，則突顯了行銷團隊在製作樣式圖時的創意，和渲染延遲帶來的摩擦；這兩個事實直接影響了產品路線圖的制定。

當提問的成本降到幾分鐘，就能提出更多問題。就能浮現出更多問題。團隊的行動也會變得更快。

這個工具並不會取代資料科學家，而是讓他們可以做更多不同的工作。資料科學家不再需要進行單次分析，反而有更多時間用於建立新的分類器，投入到自動化與工具開發。營運團隊現在幾分鐘內便能產生發布報告，而不再需要幾天時間，從而釋出更多時間來與客戶互動。產品團隊能即時從客戶那裡瞭解到情況，透過更快速的回饋循環，帶領他們完成路線圖。

這項轉型改變了我們聆聽的方式。不再需要分配有限的分析資源，每個團隊現在都可以自由地追尋問題的答案。好奇心不斷積累。一位產品主管發現了一個摩擦點，一位銷售主管在企業支援單中看到了相同的主題，他們共同建立起更快速的行動路徑。

希望客戶能最直接感受到這些改變。問題能夠更早得到解決，功能也能更接近他們的需求發展。曾經掩藏於積壓中的回饋，現在已成為我們打造產品的核心。

最初只是用來解析數百萬張支援單的工具，現在正逐步成為我們聆聽運作系統的一部分。而聆聽得好，就能打造得好。