OpenAI on OpenAI：Stacie Faggioli，OpenAI 應用業務財務長

🧑‍🏫 這支影片由 OpenAI 產品線的財務主管分享，他們財務團隊怎麼實際用 ChatGPT、Codex 和 agent 做事。影片不只講觀念，還有募資、做財務模型、分析行銷預算、審合約等具體例子。雖然是財務部門，大部分做法其他部門也能照著用。

• 00:02 講者負責 OpenAI applications 的財務。她的 OKR 之一是「打造未來的財務團隊」
  ↳ 她管的是 OpenAI 產品線的財務。她的 OKR（目標與關鍵成果，很多公司用的目標管理方法）裡有一條，就是把財務團隊打造成未來該有的樣子。
• 00:32 原則一：AI native by design。導入工具或 agent 時不是外掛在現有流程上，而是從根本重新設計工作流程
  ↳ AI native by design 指「一開始就以 AI 為前提來設計」。不是舊流程照走再加個 AI 小幫手，而是整件事重新設計。agent 是能自己分步驟完成任務的 AI 助理。
• 01:03 同時要把最佳做法推廣到團隊和跨部門的合作夥伴，也越來越常圍繞 agent 重新思考招募和組織圖
  ↳ 自己用得好還不夠，還要教會團隊和合作的其他部門。連要招什麼人、組織怎麼排，都開始考慮「哪些工作交給 agent 做」。
• 01:03 原則二：展現人力槓桿（head count leverage）。PwC 評估發現，他們的財務團隊人數只有同類科技公司的約 20%
  ↳ head count leverage 指靠技術讓少少的人做很多事。PwC（國際會計師事務所）評估後發現，他們財務團隊的人數只有同類科技公司的五分之一左右。
• 01:34 原則三：早部署、快迭代。遇到要不要等更穩定的 AI 版本時，他們一律選擇先部署、再持續迭代
  ↳ AI 一直在進步，很容易想「等下一版更穩再說」。他們的做法是現在就先用，邊用邊改，不空等完美的版本。
• 02:04 財務組織分三大支柱，第一是 strategic finance，負責分配資本、募集資本和規劃成長
  ↳ 財務分三塊。第一塊 strategic finance（策略財務）決定錢要花在哪、去哪裡找錢，還有公司要怎麼成長。
• 02:04 第二是 finance operations（例如會計），負責收款、付款、報稅、每月結帳，是財務的「引擎」
  ↳ 第二塊 finance operations（財務營運）管日常運作：收錢、付錢、報稅、每月結帳，會計就在這裡，所以叫財務的引擎。
• 02:35 第三是 enterprise fintech，負責財務系統和資料平台
  ↳ 第三塊 enterprise fintech（企業財務科技）負責財務用的系統和資料平台，讓前兩塊有工具、有資料可以用。
• 02:35 工程師直接編進財務的 fintech 支柱，跟財務專家並肩工作，比等 IT 部門照需求開發更快，工具也能隨工作即時演進
  ↳ 一般公司要做新工具，得先向 IT 提需求再排隊。他們直接把工程師放進財務部，跟財務的人一起做，工具可以隨時跟著需求調整。
• 03:06 部署分兩個層面：用工具提升個人生產力，以及用 agent 提升整個團隊的效率
  ↳ 用 AI 分兩層：一是讓每個人自己做事更快，二是用 agent 讓整個團隊的流程更順。
• 03:36 個人層面用的工具包括 ChatGPT、ChatGPT for Excel 外掛，最近也開始重度使用 Codex
  ↳ 個人用的工具有 ChatGPT、裝在 Excel 裡的 ChatGPT 外掛，最近也大量使用 Codex（OpenAI 會寫程式的 AI 工具）。
• 03:36 例一：用 ChatGPT 做的 investor relations agent。講者說自己不懂技術也做得出來，而且投資報酬率（ROI）極高
  ↳ 第一個例子是用 ChatGPT 做的投資人關係 agent，專門回答投資人的問題。她強調自己不是工程師也做得出來，而且非常划算。
• 04:37 這個 agent 用內部資料訓練，並學習上市公司等級投資人關係專業人員的語氣，用來應付大量投資人的實地查核（diligence）提問
  ↳ 募資時投資人會丟來大量查核問題（diligence，投資前的盤查）。這個 agent 讀了公司內部資料，並學上市公司投資人關係專家的口吻來回答。
• 05:07 它能在幾分鐘內產出有資料根據、符合事實、前後一致、有策略框架的回答，團隊每個人都能給出 CFO 等級的答覆
  ↳ 它幾分鐘就能寫出有根據、數字前後一致、有條理的答案。就算是資淺的同事回覆，品質也接近財務長（CFO）親自回答。
• 05:07 兩次募資完全由內部團隊完成，省下數億美元的顧問費
  ↳ 兩次募資都沒有請外部顧問，全靠自己的團隊完成，她說因此省下數億美元的顧問費。
• 05:37 這個 agent 也分享給招募團隊和其他主管，在延攬拿到大筆股權薪酬的高階人才時，幫忙說明股權價值
  ↳ 延攬高階人才時，薪水常有一大部分是公司股票。招募團隊和其他主管用這個 agent 向對方說明這些股票值多少。
• 06:07 例二：ChatGPT for Excel。它像人類分析師一樣，先規劃分析結構，再把公式直接寫進活頁簿
  ↳ 第二個例子：Excel 外掛不是直接丟答案給你，而是像分析師一樣先想好表格要怎麼排，再把公式真的寫進試算表。
• 06:38 結果可以追溯、可以稽核，也能切換假設來跑情境分析
  ↳ 因為寫的是公式而不是固定數字，每個數字都能回頭查來源、讓人稽核；改一個假設，就能看不同情境下的結果。
• 07:08 示範：假設要分析私有化一家上市公司「OpenDesk」，建立 LBO（槓桿收購）模型
  ↳ 示範題目：假設要把一家叫 OpenDesk 的上市公司買下來、讓它下市。LBO（槓桿收購）是主要用借來的錢買公司，模型是用來算划不划算。
• 07:40 上傳股票研究報告 PDF，下指令「像投資專業人士一樣思考，列出財務預測，幫我建 LBO 模型」，它就開始規劃、列假設、填試算表
  ↳ 她只上傳一份券商的研究報告 PDF，用一句話交代任務，AI 就自己規劃步驟、列出假設、把表填好。
• 08:12 產出內容包括財務預測、LBO 模型、資本結構、每一層股權和債務的資金成本，以及 sources and uses
  ↳ 產出包括財報預測、收購模型、資金的組成、每一層（tranche）股權和債務的成本，還有 sources and uses（錢從哪裡來、花到哪裡去的對照表）。
• 08:42 最後還會給建議：這個案例因為沒達到報酬門檻，建議不要投資。整個過程大約 10 分鐘
  ↳ 最後它還給出結論：報酬沒達到門檻，建議不要投資。講者以前當分析師得熬夜做，這次大約 10 分鐘就完成。
• 08:42 同樣的分析能力（規劃分析、跑情境、產出結果）也是講者團隊每天的工作流程
  ↳ 這不只是展示用。規劃分析、跑情境、產出結論，正是她團隊每天真的在做的事。
• 09:13 例三：用 Codex 做資料分析。講者說 Codex 讓不懂技術的人也能寫程式、做軟體工程
  ↳ 第三個例子是用 Codex 分析資料。她的重點是：不會寫程式的人，現在也能靠 Codex 做出軟體。
• 09:45 行銷代理商提供大量依地區、通路、關鍵字細分的支出資料。他們不缺資料，缺的是分析時間
  ↳ 行銷代理商給的支出資料分得很細，有地區、通路、關鍵字。問題不是資料不夠，而是沒人有時間好好分析。
• 10:15 把資料丟進 Codex，請它「建一個 ROI 儀表板」，可以切換通路，看出通路飽和時 ROI 開始遞減的地方
  ↳ Codex 做出 ROI（投資報酬率，花一塊錢賺回多少）儀表板，可以切換通路，看出錢投到什麼程度之後，再多花效果就開始變差。
• 10:15 也請 Codex 提出前五大預算重新分配建議。現在他們每週調整一次行銷支出，把錢從效率低的通路移到效率高的通路
  ↳ 再請它列出五個最值得做的預算調整。現在他們每週調一次，把錢從效果差的通路搬到效果好的通路。
• 10:48 例四：用 Codex 掌握銷售狀況。新產品上市後，想看業務有沒有真的跟客戶推，還是只賣舊產品
  ↳ 第四個例子：新產品上市後，想知道業務是真的有跟客戶推，還是照舊只賣熟悉的舊產品。
• 11:18 傳統做法是在 CRM 開新欄位、要業務每天填資料，再由人下載、分析
  ↳ 老方法是在 CRM（客戶關係管理系統）加新欄位，要業務每天手動填，再由人匯出來分析，既花時間，也得靠業務自己回報。
• 11:49 Codex 直接從 Gong 通話逐字稿和業務與客戶的往來 email 抓出互動紀錄，做成儀表板，可依區隔、地區一路細到個別客戶帳戶
  ↳ Codex 直接讀 Gong（把業務通話錄下來轉成文字的工具）的逐字稿和往來 email，整理成儀表板，可以一路細看到單一客戶。
• 12:19 季度結束前就能判斷要不要重新調度資源，或派專門負責這個產品的團隊協助業務
  ↳ 因為季中就看得到狀況，可以在季度結束前決定要不要調人，或派專門負責這個產品的團隊去幫業務。
• 12:50 例五：Codex 能寫前端介面，所以能把給主管和董事會的簡報自動化，例如每月給 CFO 看的 compute margin 投影片
  ↳ 第五個例子：Codex 會做畫面，所以能自動產出給主管和董事會的簡報，像每月給財務長看的 compute margin（扣掉運算成本後的利潤）投影片。
• 13:21 以前要核對各產品、各類 GPU 的原始基礎設施遙測資料，再套上會計規則和成本分攤，最後由人做成圖表
  ↳ 以前要把各產品、各型 GPU（跑 AI 用的晶片）的原始使用資料一筆一筆對，再套會計規則分攤成本，最後由人畫成圖表。
• 13:21 用 Codex 加上可重複使用的 skills，把這個流程壓縮成幾個小時
  ↳ 現在用 Codex 搭配 reusable skills（寫好一次、之後能重複使用的工作步驟），整個流程縮短到幾個小時。
• 13:51 不會直接交給 CFO：團隊仍會人工檢查資料，並做 QA 和 evals 來壓力測試數字。整體每週、每月大概省下好幾天
  ↳ 但不會直接交出去。團隊還是會人工檢查，並用 evals（檢查結果合不合理、準不準的測試）驗證數字。整體每週、每月省下好幾天。
• 14:24 組織層面：把 agent 嵌進財務工作流程，自動處理繁瑣的例行工作，並跨多個系統協調、處理重複性任務
  ↳ 另一層是整個組織：把 agent 放進財務的日常流程，讓它處理瑣碎、重複的事，還能在好幾個系統之間串起來一起處理。
• 14:56 Procurement agent：回答採購和差旅問題（例如出差住宿預算），可自動分流約 60% 的問題，而且越來越好
  ↳ 採購 agent 回答像「出差住宿上限多少」這類問題，大約六成能自動處理，不用轉給真人，而且越來越準。
• 14:56 Credit check agent：針對支出超過一定門檻的客戶，以前由信用風險分析師逐一研究、做綜合信用風險分數
  ↳ 信用檢查 agent：客戶花費超過一定門檻，就要評估信用風險。以前是信用風險分析師一家一家查資料，再算出綜合分數。
• 15:28 現在由 agent 幾分鐘內完成，分數直接嵌進 CRM，業務一眼就能看出能不能繼續推進這個客戶
  ↳ 現在 agent 幾分鐘就算好，分數直接顯示在 CRM 裡，業務一看就知道這個客戶能不能繼續談下去。
• 15:58 Contract review agent：大量讀取合約、把資料結構化，並找出非標準條款
  ↳ 合約審查 agent 能一次讀大量合約，把內容整理成有欄位的資料，並標出跟標準版本不一樣的條款。
• 15:58 以前會計要逐份閱讀，確認有沒有會影響 GAAP ASC 606 營收認列的條款，deal desk 也要人工審閱
  ↳ GAAP ASC 606 是美國規定營收何時、怎麼入帳的會計準則。以前會計要逐份讀合約找會影響它的條款，deal desk（審核交易條件的團隊）也得人工看。
• 16:28 現在合約量增加時，會計團隊不必跟著線性擴編也能準時結帳，deal desk 回覆客戶也更快
  ↳ 現在合約變多，會計團隊不用跟著等比例加人，也能準時結帳；deal desk 回覆客戶也更快。
• 16:28 Vendor risk agent：取代人工研究和彙整供應商風險報告，風險分數嵌進採購系統，審批的人可以直接放行或往上呈報
  ↳ 供應商風險 agent 取代人工查資料、寫風險報告。風險分數直接顯示在採購系統，審核的人看了就能決定放行，或往上呈報。
• 17:30 成功來自 AI 思維：遇到有挑戰的事，先想「ChatGPT 能幫我做什麼、怎麼讓這件事變簡單」
  ↳ 她認為成功的關鍵是思考習慣：碰到麻煩事，第一個念頭就是「ChatGPT 能幫我做什麼、怎麼讓這件事變簡單」。
• 17:30 透過團隊 hackathon 普及工具，把 ChatGPT 和 Codex 交到每個人手上
  ↳ 他們辦團隊 hackathon（在短時間內集中動手做東西的活動），讓每個人手上都有 ChatGPT 和 Codex，而且真的會用。
• 18:00 講者說剛才介紹的案例沒有一個是她的點子。工具要交給最接近問題、每天接觸資料和系統的人
  ↳ 她說剛才介紹的案例沒有一個是她想出來的。每天碰資料和系統的人最清楚問題在哪，工具要交到他們手上。

講者提到的 procurement agent 可以自動分流大約多少比例的採購和差旅問題？