OpenAI推出AI记分卡衡量投资回报率

背景

随着企业大规模部署 AI，CFO 们普遍面临一个简单而紧迫的问题：如何从 AI 支出中获得更多价值？过去，市场用软件采用率来衡量成功——购买席位、活跃用户、续约率。但 AI 的价值衡量需要更强大的指标：完成的工作量。CFO 和其他业务领导者面临的基本经济问题是：AI 完成的工作所创造的价值，是否快于其生产成本的增长。回答这个问题，需要比“每 token 成本”等指标更深入的视角。

核心内容

本文提出一个针对 AI 时代的终极记分卡概念：“有用智能每美元”（Useful Intelligence per Dollar）。该指标回答四个关键问题：

1. AI 是否在完成真正重要的工作？
   从工作本身出发：AI 帮助解决了多少客户问题？帮助交付了多少代码变更？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刻获得正确上下文而改善？Token 只有在转化为人们可用的工作时才创造价值。随着模型能力增强，它们可以承担更长、更复杂的任务：保持上下文、多步推理、跨工具操作、自适应调整。最佳起点是选择一个工作流，定义“完成”的含义，并在该工作发生的系统中衡量结果。例如：支持团队——客户问题解决；工程团队——代码变更通过测试；法务团队——合同准确及时审查。以财务团队的预测审查为例，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/Sheets、识别变化、核对标签、重建幻灯片、检查加总无误。ChatGPT Work 可以承担大部分流程，让团队专注于重要问题：什么变了？为什么？下一步怎么做？这就是“有用智能每美元”的实践：更多工作更快完成，同时人们将更多时间用于判断、创造力和专业知识。

2. 每个成功任务的实际成本是多少？
   AI 任务差异很大：快速回答所需算力少，而编码、研究、金融工作流可能涉及更深推理、工具使用和多次操作。模型层面，每成功任务成本取决于价格、使用的算力以及达到正确结果的概率。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。计算方法：总成本 ÷ 成功任务数（满足质量标准）。因此，最低的每 token 价格并不总是产生最低的每成果成本。前沿模型可能一次给出正确答案，减少重试、延迟、审核和总算力，从而提供最佳价值。分层模型族让客户更灵活地优化这一等式。上周发布的 GPT‑5.6 有三个层级：Sol（旗舰）、Terra（平衡性能与成本）、Luna（最快最经济）。这些层级提供起点，但最终应根据任务经济性选择模型：高吞吐量工作流用 Luna，需更深度思考用 Terra，更强推理需一次成功用 Sol。GPT‑5.6 经过训练，从每个 token 中获取更多有用工作。在 Artificial Analysis Coding Agent Index 上，GPT‑5.6 Sol 在最大推理设置下，比另一领先模型少用 54% 的输出 token 就达到了新 SOTA。目标是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工作成为可能。每一代模型都应同时提升这两方面。

3. 人们能否信赖结果？
   AI 采用通常分阶段深化：先辅助起草，然后查找上下文并跨工具和数据推理，接着开始采取行动、处理异常、完成工作流，人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：结果准确、来源可靠、一致、适当时升级，人们花在审核、纠正和重复上的时间减少，成功任务成本降低，组织有更大信心将 AI 用于更重要的工作流。团队可通过追踪三种结果来具体化：可直接使用（结果达到质量标准）、需修正（需要另一次尝试或人工编辑）、需升级（需要人介入完成）。这些指标比单纯模型准确率更丰富，显示 AI 是否真正减少了项目工作。可靠性还需要明确边界：在 AI 从起草转向行动前，组织应定义系统可访问的数据、可使用或更改的系统、以及何时需要人工审核或批准。安全、隐私、合规和控制是深度使用的基础。ChatGPT Work 建立在 ChatGPT Enterprise 的安全、隐私、合规和工作空间管理基础上，使组织能在保持适当监督的同时，给 AI 更多上下文和更宝贵的工作流访问权限。能力赢得首次使用，可靠性使 AI 成为工作方式的一部分。

4. 随着规模扩大，经济性是否改善？
   公司可通过持续追踪同一工作流来衡量：随时间记录满足质量标准的任务数、完成总成本、每成功任务成本。如果完成的工作增长快于总成本，且质量保持或提升，则每美元 AI 支出创造更多价值。算力是这一方程的核心。算力驱动研究以及 AI 完成的每个任务，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，推理算力交付今日可用工作。两者都应转化为客户更优的结果。更好的模型、更高效的推理、专用硬件、更高利用率、更智能路由和更强产品设计，都能提升算力回报。每一代基础设施帮助训练更强大的模型，更好的算法、硬件和软件则更高效地服务这些模型。客户体验到的是：更好的答案、更快的结果、更少的修正、更可靠的产品、更低的工作成本。收益会复合增长：更好的基础设施加速研究，研究推动下一代模型，模型带来更智能的推理系统，系统又实现更高效的基础设施。

关键要点

• 传统软件采用率指标（席位、活跃用户、续约）不适用于衡量 AI 价值，需要“完成的工作量”这一更强大的指标。
• 核心概念“有用智能每美元”整合了四个维度：工作重要性、每成功任务成本、结果可靠性、规模经济性。
• 最低每 token 价格不等于最低每成果成本；前沿模型可能因一次成功而降低总成本（重试、审核、返工）。
• 分层模型（如 GPT‑5.6 的 Sol、Terra、Luna）为客户提供优化成本与性能的灵活起点，但最终应基于任务经济性选择。
• 可靠性具有直接经济价值：减少人工审核和修正，降低成功任务成本，并建立组织对 AI 的信心。
• 企业应追踪三类结果（可直接使用、需修正、需升级），而非仅关注模型准确率。
• 在 AI 从起草转向行动前，必须定义数据访问、系统变更权限和人工审核节点。
• 算力是核心资源：训练算力构建未来能力，推理算力交付当前价值；每一代创新（模型、硬件、算法、路由、产品设计）都应提升算力回报。
• 收益复合：更好的基础设施加速研究 → 更强大的模型 → 更高效的推理系统 → 更便宜、更可靠、更广泛的应用。

意义与影响

本文为企业和财务领导者提供