智能体时代如何管理AI投资

背景

OpenAI 在官方博客中发布文章《How to manage AI investments in the agentic era》，聚焦企业如何在 AI 能力快速演进（从聊天到长时间运行的工作流）的过程中，有效管理 AI 投资、控制成本并最大化价值。文章指出，尽管 token 价格大幅下降（从 GPT‑4 到 GPT‑5.4，每百万 token 成本下降了 97%；GPT‑5.6 进一步优化，在 Artificial Analysis Coding Agent Index 中以更少的输出 token 和更短的每任务用时实现更好性能），但单纯的 token 价格并不能衡量 AI 是否创造了价值。领导者应当关注每美元的有用工作：完成的任务、节省的时间、改进的决策以及可规模化的流程。

随着团队从聊天转向更长时间、多步骤的智能体工作流，管理员需要更清晰地了解需求、支出和风险。文章提出了五个实用步骤，帮助企业在信心基础上进行 AI 投资。

核心内容

1. 全面了解 AI 使用情况

企业领导者需要一张清晰的 AI 使用全景图：谁在使用、使用哪些产品或模型、消耗了多少容量、这些使用支持了什么类型的工作。没有这种可见性，不断增长的账单难以解读——它可能反映了浪费、生产性实验，或者一个正在变得关键的业务流程。

ChatGPT Work 支持更长的多步骤任务，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，而不仅仅是消耗的额度。通过 ChatGPT 管理控制台（Admin Console）中更新的用量分析和支出控制，管理员可以按用户、产品、模型查看采用率、额度使用和支出；追踪趋势随时间变化；识别新兴模式；并理解用量何时反映广泛采用、一个超级用户的工作流，或一个值得更多投资的重复性业务流程。

不同视角的洞察有助于指导投资和赋能决策：

• 工作区（Workspace）：采用率和支出是否同步增长？
• 团队和用户：需求在哪里增长？谁可能需要更多支持？
• 产品和模型：更昂贵的智能能力被用在哪里？这种需求是否持续？

这些视角共同帮助管理员决定在哪里投资、辅导或设置限制。

2. 评估模型的实际成本

最低的 token 价格并不一定产生最低的总成本。一个更便宜的模型可能失败、重试，或者产生需要纠正的工作。一个更强大的模型每 token 成本更高，但可能更快达到可接受的结果，尝试次数更少、审阅更少。

评估模型应基于它需要执行的实际工作。使用反映真实任务的评测（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完整成本：模型和工具使用、尝试次数、完成率、延迟、以及人工审阅。

对于优先级工作流，追踪每次被接受结果的总成本。在客户支持场景中，这可能是解决一个案例；在工程中，可能是一个通过审阅的测试变更。将该成本与业务价值（如节省的时间、缩短的周期、保护的收入、避免的风险或创造的能力）配对。

3. 模型选择只是方程的一部分

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匹配到具体任务：在满足质量门槛时使用更小或更快的模型，将前沿智能能力保留给复杂、不确定或高风险的场景。

4. 治理作为操作层

企业领导者应将治理视为决定哪些 AI 工作可以扩展的操作层。实际工作包括定义 ChatGPT 可以使用哪些上下文、可以访问哪些工具、可以采取哪些行动、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 及其他可跨企业系统操作的前沿能力，这一点变得更加重要。ChatGPT Work 为管理员提供了集中控制：访问权限、批准的上下文、连接的工具、允许的操作、用量和支出。支出控制（如工作区默认值、组限制、个人覆盖、以及带项目上下文的审批请求）帮助领导者在不广域提升限额的情况下支持高价值工作。

对于优先级部署，OpenAI 的 AI Deployment Engineers 可直接与客户合作，在评测、架构、延迟、可靠性和工作流设计方面优化性能和成本效率。隐私和治理应从一开始就融入其中：敏感工作流在扩展前需要正确的访问控制、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 Zero Data Retention 选项）可帮助客户在高信任环境中部署 AI。

5. 作为投资组合管理 AI 投资

企业领导者应将 AI 投资视为一个组合：广泛访问用于日常生产力、功能特定的工作流用于改进可重复工作，以及少数基于公司专有上下文的战略押注。最强的候选工作流是那些具有显著规模重复性、有明确所有权、并且可以衡量质量、风险和业务价值的。

资金应跟随成熟度。探索阶段应测试模型是否能处理任务；验证阶段应针对明确的质量门槛测试代表性案例；生产资金应支持集成、控制、可靠性和变更管理等扩展所需的能力。共享能力（如身份、可信连接器、精心策划的知识、评测、可观测性、模型路由、可复用智能体模式）应集中资助，以便每个新工作流更容易、更安全地上线。

一旦一个工作流证明了其价值，领导者应将产品、容量和支持模型匹配到其需求。ChatGPT Work 为聊天、编码、智能体工作流、连接器、插件、Computer Use 和管理提供了现成能力。企业可以在其中扩展专有数据、权限、评测和工作流逻辑——在这些元素能创造差异化价值的地方。

对于生产负载，商业结构应与使用模式匹配：生产系统和需要确定性访问的智能体使用Guaranteed Capacity；可预测的高量 API 工作负载使用Scale Tier；异步工作或重复上下文使用Batch API、Flex processing或Prompt Caching。

对于更大规模的战略部署，OpenAI Frontier and Deployment Company 可帮助企业跨企业系统构建、部署和管理 AI 同事。这种方法让领导者以正确的产品、容量和支持模型扩展已证明有效的工作，而无需每个工作流重建自己的基础设施。

关键要点

• 可见性是基础：企业必须能够按用户、产品、模型查看 AI 用量、趋势和支出模式，才能区分浪费与有价值的工作流。
• 总成本而非 token 价格：更便宜的模型可能因失败重试而增加成本；应评估达到“足够好”标准的完整成本，包括尝试次数、延迟和人工审阅。
• 匹配模型与任务：将复杂、高风险任务留给前沿模型，日常或低风险任务使用更小/更快的模型，可减少浪费。
• 治理即操作层：提前定义上下文、工具、行动权限和审批路径，并在跨系统能力（如插件、Computer Use）扩展前建立集中控制。
• 投资组合思维：将 AI 投资分为日常生产力、功能工作流和战略押注三类，按成熟度分配资金，并集中建设共享基础设施。
• 商业结构匹配使用模式：生产系统需要 Guaranteed Capacity；高量 API 用 Scale Tier；异步或重复用 Batch API 等。
• 专业支持：对于关键部署，可利用 OpenAI AI Deployment Engineers 深度优化评测、架构、延迟和可靠性，同时内置隐私控制。

意义与影响

这篇文章标志着企业 AI 投资从“实验型”向“运营型”转变。在智能体时代，AI 不再是单一对话，而是嵌入复杂业务流程的多步骤任务，需要系统化的管理框架。OpenAI 通过提供更高级的用量分析、支出控制和治理能力，推动企业从关注 token 消耗转向关注业务成果。

对企业管理者而言，核心启示是：投资 AI 不应只看成本下降，而应建立可衡量的价值评估体系（如每美元完成任务数、每次解决案例的成本）。治理从“限制”变成“赋能”——明确哪些工作流可以扩展、需要什么权限、哪些能力需要集中建设。此外，投资组合的思维帮助企业平衡短期生产力提升与长期战略创新。

文章还暗示了 OpenAI 的产品演进方向：ChatGPT Work 不仅是聊天工具，而是企业级智能体平台，提供集中管理、连接器、Computer Use 等能力，并配合灵活的商业条款（Guaranteed Capacity、Scale Tier 等）。对于 CIO、CTO 和 AI 负责人，这篇文章提供了从评估、部署到规模化运营的完整行动指南，帮助他们在智能体时代安全