AI时代的记分卡：如何衡量每美元的有用智能

A scorecard for the AI age
我到处听到CFO们问一个简单问题：如何从AI投入中获得更多价值？多年来，市场通过采用率衡量软件的成功：购买的席位、活跃的用户、续订的许可证。理解AI的价值需要更强大的衡量标准：完成的工作。
CFO和其他企业领导者面临的基本经济问题是：AI完成的工作价值是否增长快于其产生成本。回答这个问题需要比“每代币成本”这样的指标更深入的审视。一个低成本模型可能代币更便宜，但要获得优异结果可能需要更多尝试、更多时间或更多人工审核。一个能力更强的模型可能代币更贵，但一次就能完成相同任务。真正重要的是产生一次成功结果的完整成本，并与其创造的价值相比较。
AI时代的终极记分卡可以看作是“每美元的有用智能”。这个指标回答了四个关键问题：
- AI是否完成了重要的工作？
- 每次成功任务的成本是多少？
- 人们能依赖结果吗？
- 随着使用量的增长，每美元AI投入是否产出更多价值？

## 1. 完成了多少有用工作？
从工作本身开始。
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？有多少决策因为正确时机获得正确背景而得到改善？
当代币转化为人们可以使用的工作时，它们就创造了价值。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、跨工具工作并灵活适应。
最好的起点是一个工作流。定义“完成”的含义，并在工作发生的系统中衡量该结果。
对于支持团队，“完成”可能意味着客户问题已解决。对于工程团队，可能意味着通过测试的代码变更。对于法律团队，可能意味着准确且按时完成的合同审查。
考虑一个为预测评审做准备的财务团队。大部分工作在最终决策之前完成：找到最新预测、将数据移入Excel或Sheets、识别变化、核对标签、重建幻灯片并检查所有数字加总正确。ChatGPT Work可以承担这一过程的大部分工作，让团队有更多时间专注于重要问题：什么变了？为什么？我们下一步该怎么做？
这就是实践中“每美元的有用智能”。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. 一次成功任务的实际成本是多少？
下一个问题是完成这项工作的成本是多少。
AI任务差异很大。一个快速回答可能只需要很少计算。一个编码、研究或财务工作流可能涉及更深入的推理、工具使用和许多操作。这些更复杂的任务需要更多计算，但它们也能创造更多价值。
在模型层面，每成功任务的成本取决于价格、使用的计算量以及达到正确结果的可能性。对于企业，完整成本还包括员工时间、人工审核、重试和返工。
计算很简单：
- 加上完成工作的全部成本。
- 统计达到所需质量标准的任务数。
- 将总成本除以成功任务数量。
这就是为什么每代币最低价格并不总是产生最低的每次结果成本。一个前沿模型即使对于常规请求也可能提供最佳价值，如果它一次就给出正确答案，就减少了重试、延迟、审核和总计算量。
分层的模型系列为客户提供了更多优化该等式的方法。我们上周发布的GPT‑5.6有三个层级：Sol是我们的旗舰，Terra平衡性能和成本，Luna是最快且最经济的模型。
这些层级提供了有用的起点。最终应由整个任务的经济性决定合适模型。客户可能在快速高吞吐工作流中使用Luna，在需要更深入的工作中使用Terra，或在更强推理能以更少尝试产生最好结果时使用Sol。
我们训练GPT‑5.6以从每个代币中获得更多有用工作。在Artificial Analysis Coding Agent Index上，开启最大推理的GPT‑5.6 Sol达到了新的先进水平，同时比另一个领先模型少用54%的输出代币。下图展示了比较。
DeepSWE v1.1：长周期工程任务；GPT‑5.6 Sol达到72.7%的新高，高于Claude Fable 5的69.9%，估算API成本低36.2%。
在GPT‑5.6系列中，目标相同：每美元更多成功工作。更高效率使现有任务更经济。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善等式的两边。客户应能完成更有价值的工作，同时每种任务的完成成本持续下降。

## 3. AI正确完成工作的频率是多少？
第三个衡量标准是可靠性。
AI的采用通常分阶段深化。首先，AI帮助起草。然后它寻找上下文并在工具和数据间推理。随着时间的推移，它开始采取行动、处理异常并完成工作流，在需要时由人提供判断和控制。
每一步都创造更多价值，也对系统提出更高要求。
可靠性有直接的经济价值。当结果准确、来源可靠、一致且适当升级时，人们花更少时间审查、纠正和重复工作。成功任务成本更低，组织也更有信心在更重要的流程中使用AI。
团队可以通过跟踪三个结果使其具体化：
- 可立即使用：结果按交付时的质量满足标准。
- 需要修正：结果需要再次尝试或人工编辑。
- 需要升级：需要人接手并完成工作。
这些衡量标准比模型准确率本身更丰富。它们表明AI是否真正减少了完成项目所需的工作量。
可靠性还需要明确的边界。在AI从起草转向采取行动之前，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。
- 何时应由人审查或批准操作。
安全、隐私和管控为更深入使用奠定基础。人们需要了解系统如何行为、数据如何处理以及操作如何治理。
ChatGPT Work建立在ChatGPT Enterprise的安全、隐私、合规和工作区管理基础之上。这使得组织能够在保持适当监督的同时，赋予AI更多上下文和访问更有价值工作流的能力。
能力赢得首次使用，可靠性使AI成为工作的一部分。

## 4. 随着使用增长，每美元AI是否能买到更多工作？
最后一个问题是规模经济性是否改善。
公司可以通过随时间跟踪同一工作流来衡量这一点。跟踪达到质量标准的任务数、完成它们的总成本以及每成功任务的成本。如果完成的工作增长快于总成本，同时质量保持或改善，那么每美元AI就产生了更多价值。
计算处于这个等式的中心。
计算为研究和AI完成的每一项任务提供动力。它影响产品质量、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、更智能的路由和更强的产品设计都改善了计算回报。每一代基础设施都有助于训练更强大的模型。更好的算法、硬件和软件则有助于更高效地提供这些模型。
客户在人类术语中体验这些改进：更好的答案、更快的结果、更少的纠正、更可靠的产品以及所需工作更低的成本。
这些收益是叠加的。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。更好的产品推动采用、学习和收入。增长支持对下一代研究、计算、部署和安全的持续投资。
OpenAI通过一个共享智能平台将这些元素整合在一起。人们通过ChatGPT和ChatGPT Work使用它。开发者通过Codex和API使用它构建。企业将其部署到工作发生的系统中。当一个层级改进时，每个产品和客户都能受益。

## AI时代的记分卡
综合起来，这四个衡量标准告诉我们“每美元的有用智能”是否在改善。
有用工作告诉我们AI产生了什么。每成功任务的成本告诉我们达到结果需要什么。可靠性告诉人们可以放心使用多少工作。规模价值告诉我们每美元和每单位计算是否随时间实现更多。
目标是AI帮助人们做更多有意义的工作、做出更好的决策，并将更多时间花在需要独特人类判断和创造力的部分。
我们的工作是让这个等式随着每一代变得更好：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。
这样AI才能对更多人和组织在时间推移中变得更有用。