OpenAI Academy 于 2026 年 10 月 1 日分享记者兼技术人员 Jaemark Tordecilla 的案例。他用 Codex 建立 Working Draft，协助记者处理一宗由长时间聆讯、多名发言者和多语言证词组成的菲律宾庭审。这个例子值得留意的地方，不是单纯用 AI 写摘要，而是把转录、时间戳、证据回看和编辑判断接成一条可重复的研究工作流。
Working Draft 会辨认当天庭审转录中的发言者，并加入可以跳回参议院影片相应位置的时间戳。系统也会整理整场聆讯，列出证人和讨论过的文件，再产生音频摘要。记者可以由摘要返回原始影片核对，而不是只接受模型生成的文字作为最终版本。
OpenAI Academy 表示，Tordecilla 在大约一天内做出第一天程序的可用网站，再用约一星期追上整个月的 backlog。现在处理一场新聆讯约需三小时，其中最后一小时用于他自己检查资料。这个时间分布很有参考价值：代理缩短了整理及建立工具的成本，但核实内容仍然是整个流程不可省略的一部分。
案例也提到，他曾用 AI 编程工具把菲律宾 2025 年全国健康调查整理成包含地图、图表和白话摘要的 dashboard，并逐项对照原始数据。另一个与 Rappler 合作的项目，则使用 Codex 和 ChatGPT 搜索约 18,000 份地方政府审计报告，协助记者找出可能的新闻线索。这些都是数据整理和探索，不等于模型替编辑作出发布决定。
Working Draft 的名称本身就是产品定位：draft 是供人检查的工作材料。当报道涉及证词、文件和公共人物时，错误的说话者标记、错误时间戳或过度简化的摘要，都可能改变读者对事件的理解。因此，让每一段摘要都能返回原始影片，并把最后核对时间明确留在人手，是比单纯追求生成速度更重要的设计。
这个案例展示一种较务实的 AI workflow：Codex 负责建立及更新工具，模型负责转录后整理和搜索，记者负责定义什么值得查、检查证据、处理歧义，最后才决定怎样报道。它的价值不在于把新闻工作完全自动化，而在于让一名熟悉领域的人可以用较少工程资源，处理过去需要专门技术团队才容易完成的数据接口。
对其他内容团队来说，最可移植的做法是保留来源定位、逐项核对、可重播处理和明确的 draft 状态。AI 可以让文件变得可搜索、把长片段整理成线索，但公共内容仍需要把原始证据、人工判断和发布责任分开。Working Draft 提供的不是「AI 取代记者」故事，而是一个以可核对性为核心的代理式研究工具案例。
