智能体时代AI投资五大策略

OpenAI的目标是让AI更易获取、更强大且更实惠。从GPT‑4到GPT‑5.4，每百万token价格下降了97%。GPT‑5.6延续了这一趋势，在Artificial Analysis Coding Agent Index中表现更优，输出token减少54%，每任务耗时缩短57%。

但仅凭token价格无法判断AI是否创造价值。领导者应关注每美元有用工作：完成任务数、节省时间、改进决策以及可扩展的工作流。

随着团队从聊天转向更长运行的工作流，管理员需要更清晰地了解需求、支出和风险。以下是五项值得参考的投资策略。

1. 提升用量与支出可见性

企业领导者需要清晰的AI用量视图：谁在使用，使用哪些产品或模型，消耗多少容量，以及这些使用支持何种工作。没有这种可见性，不断增长的账单难以解读——它可能代表浪费、有成效的实验，或正在变得关键的业务流程。

ChatGPT Work支持更长、多步骤的任务，因此不同工作流的用量差异很大。管理员需要看到用量背后的工作，而不仅仅是消耗的积分。借助ChatGPT共享的需求视图，这一点可以实现。更新后的用量分析和支出控制（位于Admin Console）帮助管理员查看采用率、积分使用和支出（按用户、产品、模型）；追踪趋势；识别新出现的模式；并判断用量是否反映广泛采用、某个超级用户工作流，或是值得更多投资的重复业务流程。

分析概览：显示ChatGPT和Codex用量及积分消耗

不同层级的洞察有助于指导投资和赋能决策：

工作区：采用率和支出是否同步？
团队和用户：需求在哪里增长，哪些人可能需要更多支持？
产品和模型：昂贵的智能在哪里被使用，这种需求是否持续？

这些视图共同帮助管理员决定在哪里投资、指导或设置限制。

2. 按结果ROI评估模型效率

最低的token价格并不总能带来最低总成本。更便宜的模型可能失败、重试或产生需要修正的工作。更强大的模型可能每token成本更高，但能更快达到可接受的结果，且尝试次数和审查工作更少。

应根据工作所需的实际任务来评估模型。使用能反映真实任务的评估方法，包括边缘情况，并在测试前定义“足够好”的标准。然后衡量达到该标准的全部成本：模型和工具使用、尝试次数、完成率、延迟以及人工审查。

对于优先工作流，追踪每个可接受结果的成本。在客服场景中，可能是解决一个工单；在工程中，可能是通过审查的已测试变更。将成本与业务价值（如节省的时间、缩短的周期、避免的风险或创造的能力）配对。

模型选择只是等式的一部分。清晰的指令、聚焦的工具、可复用的上下文以及明确的停止条件，可以减少循环和浪费的支出。目标是将模型和工作流与任务匹配：当较小或较快的模型能满足质量标准时就使用它们，将前沿智能留给复杂、模糊或高风险的场景。

3. 在高级工作流扩展前进行治理

**企业领导者应将治理视为决定AI工作能否扩展的操作层。**实际工作包括定义ChatGPT可以使用的上下文、可以访问的工具、可以采取的行动、谁批准高风险步骤，以及当团队发现有价值的工作流时如何授予额外容量。

随着团队采用插件、连接器、Computer Use和其他可以跨企业系统运行的前沿能力，这一点变得更加重要。ChatGPT Work为管理员提供了访问、已批准上下文、连接工具、允许操作、用量和支出的集中控制。支出控制（如工作区默认值、组限制、个人覆盖以及带有项目上下文的审批请求）帮助领导者支持高价值工作，而无需广泛提高限额。

对于优先部署，OpenAI的AI部署工程师可以直接与客户合作，进行评估、架构、延迟、可靠性和工作流设计，以改善性能和成本效率。隐私和治理从一开始就应成为工作的一部分：敏感工作流需要在扩展之前拥有正确的访问控制、保留策略、合规可见性和审批路径。在适用情况下，OpenAI的企业隐私控制（包括零数据保留选项）可以帮助客户在高信任环境中部署AI。