AI时代的记分卡：衡量每美元的有用智能

全球各地的 CFO 都在问同一个问题：如何从 AI 投入中获取更多价值？

过去，市场通过使用量衡量软件成功——售出席位、活跃用户、续约率。但衡量 AI 的价值需要更强大的尺度：完成的工作量。

企业领导者面临的基本经济问题是：AI 完成工作创造的价值，是否比其成本增长得更快？

回答这个问题不能只看每令牌成本。低成本模型的令牌单价可能更便宜，但获得理想结果可能需要更多尝试、更多时间或更多人工审核。高能力模型的令牌更贵，但可能一次就完成任务。关键是以成功产出所需的总成本，对比该产出创造的价值。

AI 时代的终极记分卡可看作是“每美元有用智能”。这一指标回答四个核心问题：

1. AI 正在完成有意义的工作吗？
2. 每项成功任务的实际成本是多少？
3. 人们能信赖结果吗？
4. 随着使用量增长，每一美元 AI 支出能否产生更多价值？

1. 完成了多少有用工作？

从工作本身出发：AI 帮助解决了多少客户问题？提交了多少代码修改？审查了多少合同？为人们节省了多少时间？有多少决策因在正确时机获得正确上下文而改善？

当令牌转化为人们可用的工作时，它们才创造价值。随着模型能力提升，它们能承担更长更复杂的任务：保持上下文、多步推理、跨工具操作并动态调整。

最佳起点是从一个工作流程开始。定义什么算“完成”，并在发生该工作流的系统中衡量结果。对于支持团队，“完成”可能意味着客户问题得到解决；对于工程团队，可能是通过测试的代码变更；对于法务团队，可能是准确及时地审查合同。

以财务团队准备预测审核为例。大量工作发生在最终决策之前：查找最新预测、将数据导入 Excel、识别变化、核对标签、重建幻灯片并检查所有数字一致。ChatGPT Work 可以承担大部分流程，让团队有更多时间聚焦于重要问题：什么变了？为什么变？下一步该怎么做？

这就是“每美元有用智能”的实践：更多工作更快完成，而人们将更多时间用于判断、创造力和专业知识。

2. 成功任务的实际成本是多少？

下一个问题是，出色完成工作的成本是多少。AI 任务差异极大。快速回答所需计算量小；编码、研究或财务工作流可能涉及深度推理、工具使用和多项操作。更复杂的任务需要更多计算，但也能创造更多价值。

在模型层面，每成功任务成本取决于价格、使用的计算量以及达到正确结果的可能性。对企业而言，完整成本还包括员工时间、人工审核、重试和返工。

计算方式很直接：将完成工作的总成本相加，统计达到质量要求的任务数量，用总成本除以成功任务数。这就是为什么最低每令牌价格并不总是产生最低的每结果成本。前沿模型即使在常规请求中也能提供最优价值，如果它能一次给出正确答案，减少重试、延迟、审核和总计算量。

分级模型系列为客户提供了更多优化空间。上周发布的 GPT‑5.6 有三个级别：Sol 是旗舰模型，Terra 平衡性能与成本，Luna 是最快最经济的模型。这些级别提供了有用的起点，但最终应由任务的完整经济性决定使用哪个模型。客户可能在快速、高吞吐量工作流中使用 Luna，需要更深入分析时使用 Terra，或在更强推理能以更少尝试给出最佳结果时使用 Sol。

我们训练 GPT‑5.6 的目标是让每个令牌产生更多有用工作。在 Artificial Analysis 编码智能体指数上，启用最大推理的 GPT‑5.6 Sol 以 72.7% 的新纪录领先 Claude Fable 5 的 69.9%，同时估计 API 成本降低 36.2%。

整个 GPT‑5.6 系列的目标一致：每美元更多成功工作。更高效率使现有任务更便宜，更强能力使全新类型的工作成为可能。每一代新模型都应改进这个方程的两端：客户既能完成更有价值的工作，同时每项任务的成本持续下降。

3. AI 能否可靠地完成任务？

第三个衡量标准是可靠性。AI 采用通常分阶段深化：最初 AI 帮助起草，然后查找上下文并在工具和数据间推理，随着时间推移，它开始采取行动、处理异常、完成工作流，由人们在需要时提供判断和控制。每一步都创造更多价值，也对系统提出更高要求。

可靠性具有直接经济价值。当结果准确、来源可靠、一致且适当升级时，人们花在审核、修正和返工上的时间减少。成功任务成本更低，组织对在更重要工作流中使用 AI 的信心也会增强。

团队可以通过追踪三个结果来具体化：

• 直接可用：结果达到交付质量门槛
• 需要修正：结果需要另一次尝试或人工编辑
• 需要升级：需要人介入完成工作

这些衡量标准比模型准确率本身更能说明问题。它们显示 AI 是否真正减少了完成项目所需的工作量。

可靠性还需要明确边界。在 AI 从起草转向行动之前，组织应定义：系统可访问什么数据、可使用或更改哪些系统、何时应由人审核或批准操作。安全、隐私、合规和控制为更深层次使用奠定基础。人们需要了解系统行为方式、数据处理方式以及行动如何被治理。

ChatGPT Work 建立在 ChatGPT Enterprise 的安全、隐私、合规和工作空间管理基础上，使组织在保持适当监督的前提下，为 AI 提供更多上下文并接触更有价值的工作流。能力赢得首次使用，可靠性让 AI 成为工作方式的一部分。

4. 随着使用增长，每美元 AI 能否买到更多工作量？

最后一个问题是：规模化时经济性是否改善。公司可以通过持续追踪同一工作流来衡量：统计达到质量门槛的任务数量、完成总成本以及每成功任务成本。如果完成的工作量增长快于总成本，同时质量保持或提升，那么每美元 AI 就产生了更多价值。

计算位于这个方程的中心。计算驱动研究并完成 AI 执行的每一项任务，它塑造产品质量、速度、可靠性、可用性和成本。训练计算构建未来能力，推理计算交付今天的有用工作。两者都应转化为客户更好的成果。

更好的模型、更高效的推理、专用硬件、更高利用率、更智能的路由和更强的产品设计都能提升计算回报。每一代基础设施都帮助训练更强大的模型；更好的算法、硬件和软件则帮助更高效地服务这些模型。客户体验到的是更佳答案、更快结果、更少修正、更可靠产品以及更低的工作成本。

增益叠加：更好的基础设施加速研究，研究产生更强大更高效的模型，更好的模型改进产品，产品推动采用、学习和收入。这种增长支持对下一代研究、计算、部署和安全的持续投入。

OpenAI 通过统一的智能平台将这些要素整合在一起：用户通过 ChatGPT 和 ChatGPT Work 使用它，开发者通过 Codex 和 API 构建，企业将其部署到实际工作系统中。当一个层面改进时，所有产品和客户都能受益。

AI 时代的记分卡

综合来看，这四项衡量标准告诉我们“每美元有用智能”是否在提升：有用工作说明 AI 产出什么；每成功任务成本说明达成产出需要付出什么；可靠性说明人们能放心使用多少工作；规模价值说明每美元和每单位计算是否随时间完成更多工作。

目标是 AI 帮助人们做更有意义的工作、做出更好的决策，并将更多时间花在需要人类判断力和创造力的部分。我们的任务就是让这个方程每一代都变得更好：更强大的模型、更快更可靠的结果、以及客户所需工作更低的成本。这才是 AI 随时间为更多人、更多组织变得更有用的方式。