RingCentral 如何从工程到运维构建 AI 原生工作流

原文来源：OpenAI News
发布时间：2026-08-12

概述

RingCentral，这家在商业通信领域深耕近三十年的全球性企业，年收入超过 26 亿美元，拥有数千名全球员工。如今，该公司正通过拥抱 AI 原生的方式来延伸其创新传统。通过让每位员工都有机会使用 ChatGPT Work 和 Codex 进行实验，RingCentral 确保公司中的任何人都能构建变革性的产品和基础设施，无论其是否具备工程经验。

RingCentral 总裁兼首席运营官 Kira Makagon 表示：

当你把真正的 AI 工具交到每个人手中，整个公司就变成了一个产品组织。我们的每一款产品——包括但不限于 Agentic Voice AI 产品组合中的 AIR、AVA、ACE——都因压缩了从想法到功能上线的距离而变得更加出色，这正是 AI 原生开发赋予我们的能力。

关键技术点

1. AI-Native Challenge：全员参与的 AI 开发实验

为了在全球化工程组织中鼓励 AI 熟练度，RingCentral 的 CEO 办公室发起了一项 AI-Native Challenge。每位参与者都获得 ChatGPT Work 和 Codex，并被要求构建一个完整的端到端项目——没有任何强制工作流程或其他限制。

这不只是一次编码练习，而是让员工沉浸在整个 AI 原生开发生命周期中，涵盖规划、实现、测试、文档编写、CI/CD 和迭代等全部环节。结果令人印象深刻：

  • 几乎每位参与者都创建了可运行的代码仓库
  • 数千名员工，包括非技术岗位员工甚至高管，都交付了可运行的项目
  • 这成为了衡量公司 AI 战略可行性的有效实证模型

2. 用 ChatGPT Work 支撑日常 PMO 运营

受 AI-Native Challenge 的鼓舞，RingCentral 的非工程部门也采用了 AI 原生的办公方式。项目管理办公室（PMO）利用 ChatGPT Work 构建了一个相当于项目管理操作系统的工作流，将原先分散的笔记和聊天记录替换为 AI 驱动的流程，用于状态跟踪、报告、发布治理和知识传递。

PMO 团队高级经理 Vaneet Seth 评价：

ChatGPT 将我的项目上下文整合在一起。借助 ChatGPT Work，我能够将这些上下文转化为行动和执行。

一个典型应用是自动化状态报告：PMO 团队使用 ChatGPT Work 构建的工作流，可以从 Jira、Google Sheets、CRM 系统等多个来源自动生成关于问题的通知。这带来的体验差异是：不再是在会议开始时才询问发生了什么变化，而是带着已识别的问题、负责人和待办行动进入会议。

3. 工程与运维的统一模式：AI 赋能而非替代

负责该项目的工程领导者在总结挑战经验时强调：

这次挑战给我们的最清晰启示是，AI 原生开发不是要取代工程师，而是要放大他们的能力。AI 加速了整个开发周期，而人类始终保持循环参与，负责引导产品需求、提供业务上下文、做架构决策，并确保每个结果都经过测试和验证。

这一理念同样适用于 PMO 的日常运营：ChatGPT Work 减少了手动协调的负担，让 PMO 团队能够以更高的准确性处理更多的项目。

对数据科学与 AI Agent 落地的意义

RingCentral 的案例为 AI Agent 在企业中的落地提供了一些值得注意的参照：

  1. Agent 的推广可以超越技术团队。RingCentral 的实践中，非技术员工甚至高管都参与构建端到端项目，说明随着工具链成熟（ChatGPT Work + Codex），AI Agent 的开发权限正在从工程师扩展到业务人员。

  2. 用 Agent 构建 Agent 的闭环。RingCentral 不仅用 Codex 加速内部开发流程，还将同样的方法应用于自身 AI 产品组合（AIR、AVA、ACE）的迭代。这种内部实践与外部产品之间的反馈循环，是 AI 原生企业的重要特征。

  3. 运维场景是 Agent 落地的沃土。PMO 的例子表明，跨系统的数据整合、状态追踪和自动报告是最容易产生直接价值且风险可控的 Agent 应用场景，值得数据科学团队和 AI 平台团队优先切入。

  4. 评估指标需要重新思考。原文未明确说明 RingCentral 如何量化 AI 原生改造前后的效率提升，但“处理更多项目且准确性更高”的描述暗示了人均产能的增长路径。

我的技术点评

RingCentral 的“AI-Native Challenge”实际上是一场精心设计的组织级实验：将前沿 AI 工具直接下发到一线员工手中，以无约束的开放性任务激发自下而上的创新。这种做法的价值在于，它同时验证了三件事：

  • 工具的门槛是否足够低，让非技术人员也能交付完整项目
  • 组织的知识共享文化是否足以支撑 AI 开发实践扩散
  • AI 辅助开发是否真的能压缩从想法到功能的交付周期

从技术角度看，Codex 在企业内落地的关键在于上下文管理——如何将业务规则、架构约束、测试规范和部署流程有效地注入到 AI 辅助开发的过程中。RingCentral 没有在原文中披露其工程实践的细节，但 PMO 的案例已经展示了一种模式：通过 ChatGPT Work 将分散在不同系统中的信息整合为结构化的工作流，让 AI 成为组织记忆与执行力的中间层。

需要注意的是，原文未说明一些关键细节：RingCentral 如何保障 AI 生成代码的安全性与合规性？非技术员工参与编码的质量如何评估？PMO 的自动化报告工作流的错误率如何？这些细节决定了该案例的可复制程度。不过，作为一篇企业应用型案例，其战略思路清晰，执行路径也有参考价值——让全员参与，用真实的项目去学习，用内部效率提升反哺产品创新，这可能是 AI 原生企业值得参考的路径之一。

原文链接

How RingCentral builds AI-native work from engineering to ops - OpenAI