AI时代价值记分卡：四个核心指标

CFO们最关心的问题很简单：如何从AI投入中获得更多价值？

过去，市场用采用率来衡量软件成功：购买席位、活跃用户、续约率。但评估AI价值需要更有力的度量：完成的工作量。

CFO和企业领导者面临的基本经济学问题是：AI完成的工作价值是否增长快于其成本？

回答这个问题不能只看单一代价指标，比如每Token成本。低成本的模型虽然Token便宜，但可能需要更多尝试、更多时间或更多人工审核才能获得好结果。而能力更强的模型虽然Token更贵，但可能一次就完成任务。关键是要看成功结果的完整成本，并与其创造的价值做比较。

AI时代最终的记分卡可以称为“有用智能每美元”。这个指标回答四个核心问题：

1. AI是否完成了有意义的工作？
2. 每项成功任务的实际成本是多少？
3. 结果可靠吗？
4. 随着使用量增长，每美元AI支出是否创造更多价值？

1. 完成多少有用工作？

从工作本身开始。

AI协助解决了多少客户问题？帮助交付了多少代码修改？审核了多少合同？为人们节省了多少时间？有多少决策因在正确时刻获得正确上下文而改善？

当Token转化为人们可用的工作时，就创造了价值。随着模型能力增强，它们能承担更长、更复杂的任务：维持上下文、多步推理、跨工具协作、并随进展调整。

最佳起点是选择一个工作流程。定义什么叫“完成”，并在工作发生的系统中衡量那个结果。

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，可能意味着通过测试的代码变更。对于法务团队，可能意味着准确且按时审核的合同。

以财务团队准备预测评审为例。大部分工作在最终决策之前完成：查找最新预测、将数据移入Excel或Sheets、识别变动、对齐标签、重建幻灯片、检查一切是否对得上。

ChatGPT Work可以承担大部分流程，让团队有更多时间专注于重要问题：哪些变了？为什么？下一步该做什么？

这就是“有用智能每美元”的实践。更多工作更快完成，而人们将更多时间用于判断、创造和专业判断。

2. 成功任务的实际成本是多少？

下一步是完成这些工作并达到质量标准的成本。

AI任务差异很大。快速回答可能只需少量算力。编码、研究或财务工作流程可能涉及更深推理、工具使用和多步操作。这些更复杂的任务可能需要更多算力，但也可能创造更大价值。

在模型层面，每成功任务的成本取决于价格、所用算力以及达到正确结果的可能性。对业务而言，完整成本还包括员工时间、人工审核、重试和返工。

计算方式简单直接：

• 加上完成工作的全部成本。
• 统计达到质量要求的任务数量。
• 将总成本除以成功任务数。

这就是为什么最低每Token价格并不总带来最低每结果成本。前沿模型即使对于常规请求也可能提供最佳价值，如果它能一次给出正确答案，减少重试、延迟、审核和总算力消耗。

分层模型家族为客户提供了更多优化这个等式的方式。OpenAI上周发布的GPT‑5.6有三个层级：Sol是旗舰模型；Terra平衡性能与成本；Luna是最快、最经济的模型。

这些层级提供了有用的起点。完整任务的经济性最终应决定选择哪个模型。客户可能用Luna处理快速、高吞吐量的工作流，用Terra处理需要更深入的工作，或选择Sol当更强推理能以更少尝试获得最佳结果时。

OpenAI训练GPT‑5.6时致力于让每个Token完成更多有用工作。在Artificial Analysis编码Agent指数上，开启最大推理的GPT‑5.6 Sol创下新纪录，同时比另一领先模型少用54%的输出Token。下图展示了对比。

DeepSWE v1.1：长周期工程任务；GPT‑5.6 Sol达到72.7%新高，高于Claude Fable 5的69.9%，同时估计API成本低36.2%。

GPT‑5.6系列产品的目标相同：每美元更多成功工作。更高效率让现有任务更实惠。更强能力让全新类型的任务成为可能。

每一代新模型都应改善这个等式的两方面。客户应能完成更多有价值的工作，同时每项任务的成本持续下降。

3. AI多久能正确完成任务？

第三个指标是可靠性。

AI采用通常会分阶段深化。首先，AI帮助草拟。然后它查找上下文并在工具和数据间推理。随时间推移，它开始采取行动、处理异常、完成工作流，而人们在需要的地方提供判断和控制。

每一步都创造更多价值，也对系统提出更高要求。

可靠性有直接经济价值。当结果准确、来源可靠、一致且能适当升级时，人们花更少时间审核、修正和重复工作。成功任务成本更低，组织也有信心在更重要的流程中使用AI。

团队可以通过追踪三个结果来量化：

• 可直接使用：结果按交付质量满足标准。
• 需要修正：结果需要再次尝试或人工编辑。
• 需要升级：需要人工介入完成工作。

这些指标比单纯模型准确率更丰富。它们显示AI是否真正减少了完成项目所需的工作。

可靠性也需要明确边界。在AI从草拟转向采取行动之前，组织应定义：

• 系统可以访问哪些数据。
• 系统可以使用或更改哪些系统。
• 在什么情况下人工应审核或批准行动。

安全、隐私、控制为深度使用奠定基础。人们需要了解系统行为、数据处理方式以及行动治理方式。

ChatGPT Work建立在ChatGPT Enterprise的安全、隐私、合规和工作空间管理基础之上。这使组织能够在保持适当监管的情况下，赋予AI更多上下文并接入更有价值的工作流。

能力带来首次使用。可靠性让AI成为工作的一部分。

4. 每美元AI是否随使用量增长而购买更多工作？

最后一个问题是：经济学是否在规模下优化。

企业可以通过长期追踪同一工作流来衡量。跟踪达到质量标准的任务数量、完成这些任务的总成本以及每成功任务成本。如果完成工作增长快于总成本，同时质量保持或提升，那么每美元AI正在创造更多价值。

算力处于这个等式的中心。

算力驱动研究以及AI完成的每一项任务。它塑造产品质量、速度、可靠性、可用性和成本。训练算力构建未来能力。推理算力交付今日有用工作。两者都应转化为客户更好的结果。

更好的模型、更高效的推理、专用硬件、更高利用率、更智能路由以及更强产品设计，都能改善算力回报。每一代基础设施帮助训练更强模型。更好的算法、硬件和软件随后帮助更高效地提供这些模型。

客户以人类术语体验这些改进：更好的答案、更快的结果、更少的修正、更可靠的产品以及更低的工作成本。

收益会叠加。更好的基础设施加速研究。研究产出更强更高效的模型。更好的模型改善产品。更好的产品推动采用、学习和收入。这种增长支持对下一代研究、算力、部署和安全持续投资。

OpenAI通过一个共享智能平台将这些整合在一起。人们通过ChatGPT和ChatGPT Work使用它。开发者通过Codex和API构建。企业将其部署到工作发生的系统中。

当一层改进，每个产品和客户都能受益。

AI时代的记分卡

综合来看，这四个指标告诉我们“有用智能每美元”是否在改善：

• 有用工作告诉我们AI产出了什么。
• 每成功任务成本告诉我们达到结果需要什么。
• 可靠性告诉我们人们能放心使用多少工作。
• 规模价值告诉我们每美元和每单位算力是否随时间完成更多。

目标是让AI帮助人们做更有意义的工作、做出更好决策，并将更多时间投入到需要人类判断和创造力的部分。

OpenAI的工作是让这个等式每代都变得更好：更强模型、更快更可靠的结果、以及更低的工作成本。

这样AI才会随时间对更多人和组织变得更实用。

---

原文链接：OpenAI Blog
本文由前途科技编辑整理