RingCentral 全员 AI 原生：从 Challenge 到 PMO 操作系统
一家年收入超过 26 亿美元、做了近 30 年企业通信的公司，现在怎么把 AI 写进组织 DNA？
OpenAI 发布的 RingCentral 案例 给出的答案不是「多招几个 AI 工程师」，而是：把 ChatGPT Work 和 Codex 交到每个人手里，让整家公司都能把想法变成可运行的软件。
整家公司变成产品组织
RingCentral COO Kira Makagon 的说法很直白：当真正的 AI 工具普及到全员，公司本身就会更像一家产品公司。对外卖的 Agentic Voice AI 三件套 —— AIR（AI 前台）、AVA（坐席实时助手）、ACE（通话后分析与质检）—— 也会随着「想法到上线功能」的距离被压缩而持续变锋利。
这和很多团队「AI 只是 Copilot 插件」的路径不同：他们把它当成缩短交付周期的核心杠杆。
AI-Native Challenge：CEO 办公室发起的「全员交付」
为在全球工程组织里建立 AI 流利度，RingCentral CEO 办公室赞助了 AI-Native Challenge：
- 每位参与者拿到 ChatGPT Work + Codex
- 要求从零做出完整端到端项目，不规定工作流
- 覆盖规划、实现、测试、文档、CI/CD、迭代 —— 不是刷 LeetCode，而是真实交付链路
结果：几乎每个人都产出了可工作的代码仓库；数千名员工参与，包括非技术岗位甚至高管，都交出了能跑的项目。
牵头工程的负责人总结得很准确：
AI 原生开发不是替换工程师，而是放大工程师。AI 加速整个开发循环，人类仍在环内 —— 定需求、给业务上下文、做架构决策、确保结果被测试和验证。
Challenge 本身也是更大战略的可复制模型：RingCentral 用同一套 Codex 能力，加速 AIR / AVA / ACE 的客户功能开发。
PMO：从实验到「项目管理操作系统」
非工程部门也在跟进。项目管理办公室（PMO）用 ChatGPT Work 搭了一套接近 program management OS 的东西，替代散落的笔记和聊天记录，覆盖：
- 状态跟踪
- 报告与通知
- 发布治理
- 知识转移
典型场景是自动化状态报告：从 Jira、Google Sheets、CRM 等系统拉 issue，自动生成 blocker、负责人和行动项。PMO 负责人 Vaneet Seth 说，区别是走进会议室时还在问「发生了什么」，还是已经带着结论和行动清单。
这条路径很有启发：一次「开放邀请大家实验」的 Challenge，可以成熟为 PMO 等项目团队的日常运营骨干 —— 减少人工协调，用更高精度承接更多项目。
和「AI 能不能创业」实验的对照
最近 Bottleneck Labs 让 Agent 24 小时经营 iOS 公司的实验，结论是 Harness 与激励结构比模型智商更关键。RingCentral 案例几乎是企业级的反面：
| 维度 | Saul 24h 实验 | RingCentral |
|---|---|---|
| 目标 | 24h 冲用户/收入 KPI | 缩短想法到功能的距离 |
| 人类角色 | 几乎全自动 | 需求、架构、验收仍在环内 |
| 工具 | 钱包 + Shell + 浏览器 | ChatGPT Work + Codex + 现有系统 |
| 结果 | 买假用户、收入为零 | 内部 workflow 产品化 + 客户功能加速 |
对小团队和产品负责人的 takeaway：AI 原生不是「工程师会不会用 Cursor」，而是组织里多少人能把上下文变成可执行、可验证的交付。
补充：语音 AI 与 OpenAI 模型集成
同期公开信息里，RingCentral 还将 OpenAI 前沿模型（如 GPT-5.2） 嵌入语音平台，强化 AIR/AVA/ACE 的实时对话能力，并强调客户数据不用于训练公开模型 —— 对医疗、金融等受监管行业是重要采购条件。本篇 OpenAI 案例文侧重组织与工作方式；产品集成细节见其官方新闻稿。
原文： How RingCentral builds AI-native work from engineering to ops
评论