Cult.fit 是印度一家技术驱动的健身公司，运营 708 个健身中心，覆盖 77 座城市，付费会员接近一百万。业务包括健身房订阅、教练课程，以及健身器材、配饰和运动服饰等消费品。这篇文章讲的是它如何把 OpenAI 的 Codex 引入公司，从工程团队扩展到非工程团队，以及如何用 OpenAI API 做会员体验。

Cult.fit 最初在工程内部使用混合的编码工具，不同团队有不同的规范，导致知识难以共享。后来统一到 Codex 上，把仓库结构、技能、测试、代码审查和反馈循环变成共同约定。在此基础上，他们把 Codex 用到了更专门的工作流中，比如 SRE agent 可以聚合可观测性平台和日志信息、调查事件，并通常生成一个 pull request 让工程师审阅；安全 agent 帮助发现漏洞；on-call agent 调查反复出现的生产问题。

他们还转向更彻底的 spec 驱动开发，由一份规格说明贯穿生命周期，直到生成可供审阅的 pull request。一个例子是 cult.fit 应用的社交 feed，Kumar 估计这个项目以前可能需要一年多，新流程下团队端到端两个月就完成了。

Codex 随后扩展到了工程之外。公司将数据整理成 Codex 更容易使用的形式，让团队自己找答案、做常规分析，而不是所有小需求都挤到中央分析师团队。HR 用 Codex 搭了绩效评估、排期、反馈汇总的工作流。最近几个月，非工程团队已经构建了超过 20 个内部应用。当内部 dashboard 软件成本大涨时，一位工程师用 Codex 在一个周末重建了功能，公司因此每年省下超过 10 万美元的软件成本。

推进过程中，他们不只是发访问权限。公司办了大型 hackathon 让员工看到可能性，又组织了管理层一天的工作坊，各职能领导用 Codex 构建跟自己工作相关的东西。工程团队每周两次 office hours，并派驻工程师到部分职能部门提供技术和领域支持。

会员体验方面，Cult.fit 的 AI Trainer 已经存在几年，给会员提供无需真人的个性化训练指导。超过 45% 的会员是第一次进健身房，所以引导很重要。目前约 20% 的健身房用户使用 AI Trainer。最新版本用 GPT Realtime 做了语音优先的训练体验，支持双向语音互动和训练记录。

客服方面，以前需要人工判断的请求也开始交给 AI。比如会员因故错过团体课申请免罚，AI agent 会检查当地天气和该课程的历史到场模式，然后决定是否豁免。他们把这类 agent 接入现有的 Sprinklr 平台和后端系统，把客服从以人工聊天为主转变为 AI 优先的工作流。

文章给出的关键数字包括：非工程团队最近几个月构建 20+ 内部应用；重建一个内部功能每年省下 $100,000+ 软件成本；客服成本降低 50%+。Cult.fit 下一步是把单个 AI 工作流变成组织层面的常态，Kumar 把运营目标形容为“autopilot operations org”，会员体验目标则是“trainer in your pocket”，以及在组织内部持续寻找可以靠 AI 消除的瓶颈。