AI时代的记分卡

# 人工智能时代的评分标准 我听到的来自全球CFO的问题都很简单：我们如何从AI投入中获得更多价值？ 多年来，市场通过采用率来衡量软件的成功：购买席位、活跃用户数、续签许可。理解AI的价值则需要一个更有力的衡量标准：完成的工作量。 CFO和其他商业领袖面临的基本经济问题是：AI完成的工作价值是否比其生产成本增长得更快？ 回答这个问题，不能仅仅看每token成本这类指标。一个成本更低的模型可能token更便宜，但要获得好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token更贵，但能一次性完成同样的任务。真正重要的是完成一个成功结果的完整成本，并与其创造的价值进行比较。 AI时代的终极评分标准可以看作是“每美元的有用智能”。这个指标回答了四个关键问题： 1. AI是否在做有意义的工作？ 2. 每个成功任务的成本是多少？ 3. 人们能否信赖这个结果？ 4. 随着使用增长，每投入一美元AI是否产生更多价值？ ## 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？审核了多少份合同？为人们节省了多少时间？有多少决策因为恰好在关键时刻获得了正确的上下文而得到改善？ 当token转化为人们可以使用的实际工作时，它们才创造价值。随着模型能力增强，它们可以承担更长、更复杂的任务：维护上下文、多步推理、跨工具协作，并灵活适应变化。 最好的起点是选择一个工作流程。定义什么算是“完成”，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完成的合同审核。 设想一个财务团队准备预测审查。大量工作发生在最终决策之前：找到最新预测、将数据导入Excel或Sheets、识别变化、核对标签、重建幻灯片、检查各项是否完全吻合。 ChatGPT Work可以接手这一过程的大部分工作，让团队有更多时间专注于真正重要的问题：什么变了？为什么？下一步该做什么？ 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运用判断力、创造力和专业知识。 ## 2. 一个成功任务的实际花费是多少？ 接下来的问题是，出色完成这项工作需要花费多少。 AI任务差异很大。快速问答可能只需要很少的计算资源。编码、研究或财务工作流程可能涉及更深度的推理、工具使用和多个操作步骤。这些更复杂的任务可能需要更多计算资源，但也能创造更大价值。 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。对于企业而言，完整成本还包括员工时间、人工审核、重试和返工。 计算方法很简单： - 累加完成工作的完整成本。 - 统计达到所需质量标准的工作任务数。 - 将完整成本除以成功任务数。 这就是为什么每token最低价格并不总是产生最低的每成果成本。即使是常规请求，一个前沿模型可能一次性给出正确答案，从而减少重试、延迟、审核和总计算量，从而提供最佳价值。 分层模型家族为客户提供了更多优化这一公式的方式。我们上周发布的GPT-5.6有三个层级：Sol是我们的旗舰型号；Terra平衡性能与成本；Luna是我们最快、最实惠的型号。 这些层级提供了有用的起点。最终应根据完整任务的经济性来决定合适的模型。客户可能会在快速、高吞吐量的工作流程中使用Luna，在需要更深度的任务中使用Terra，或者在需要更强推理能力才能以最少尝试获得最佳结果时使用Sol。 我们训练GPT-5.6旨在让每个token产出更多有用工作。在Artificial Analysis Coding Agent Index上，GPT-5.6 Sol采用最大推理设置，在比另一领先模型减少54%输出token的同时，达到了新的最高水平。下图展示了这一对比。 ***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%，同时预估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。更高的效率使现有任务更经济实惠。更强的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一公式的两个方面。客户应该能够完成更有价值的工作，同时每个任务完成的成本持续下降。 ## 3. AI正确完成工作的频率有多高？ 第三个衡量标准是可依赖性。 AI的采用通常会分阶段深化。首先，AI协助起草。然后，它找到上下文并在工具和数据之间进行推理。随着时间推移，它开始采取行动、处理异常、完成工作流程，而人类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。 可依赖性具有直接的经济价值。当结果准确、有可靠来源、一致且适当地升级处理时，人们花在审核、纠正和重复工作上的时间就会减少。成功任务成本降低，组织也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来具体化这一点： - 可直接使用：结果按提交的质量标准达标。 - 需要修正：结果需要再次尝试或人工编辑。 - 需要升级：需要人为介入并完成工作。 这些衡量指标比单纯的模型准确率更能说明问题。它们显示AI是否真正减少了完成项目所需的工作量。 可依赖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。 - 何时需要人工审核或批准某个操作。 安全性、隐私、合规和控制构成了深度使用的基础。人们需要了解系统的行为方式、数据如何处理以及其操作如何被管理。 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。这允许组织在保持适当监督的同时，为AI提供更多上下文和访问更有价值工作流程的能力。 能力赢得首次使用。可依赖性让AI成为工作方式的一部分。 ## 4. 随着使用量增长，每投入一美元AI能否完成更多工作？ 最后一个问题是，规模化后经济效益是否改善。 公司可以通过长期跟踪同一工作流程来衡量这一点。追踪多少任务达到了质量标准、完成这些任务的总成本以及每成功任务成本。如果在质量保持或提高的情况下，完成的工作增长快于总成本增长，那么每投入一美元AI就产生了更多价值。 计算是这一公式的核心。 计算能力驱动着研究和AI完成的每一项任务。它塑造着产品质量、速度、可依赖性、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实用工作。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、更高的利用率、更智能的路由以及更强的产品设计，都能提升计算投资的回报。每一代基础设施都有助于训练更强大的模型。更好的算法、硬件和软件则能以更高效率服务这些模型。 客户以人类体验的维度感受这些改进：更好的答案、更快的结果、更少的修正、更可靠的产品，以及所需工作的更低成本。 这些收益会持续累积增长。更好的基础设施加速研究。研究产出更强大、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。这种增长支撑对下一代研究、计算、部署和安全进行持续投资。 OpenAI通过一个共享的智能平台将这些要素整合在一起。人们通过ChatGPT和ChatGPT Work使用它。开发者通过Codex和API进行构建。企业将其部署到工作发生的系统中。 当一个层面改进时，所有产品和客户都能受益。 ## 人工智能时代的评分标准 综合来看，这四个衡量指标告诉我们“每美元的有用智能”是否在提升。 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实现该结果需要什么。可依赖性告诉我们人们可以放心使用多少工作成果。规模化价值告诉我们，每投入一美元和每一单位算力，长期内是否完成更多工作。 目标是让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独特人类判断力和创造力的工作部分。 我们的职责是让这个等式随着每一代产品而变得更好：更强大的模型、更快更可靠的结果，以及客户所需工作的更低成本。 这就是AI随着时间的推移，如何对更多人和组织变得更加有用。