如何在代理时代管理AI投资

# 如何在智能体时代管理 AI 投资 来源：https://openai.com/index/managing-ai-investments-in-agentic-era/ OpenAI 的目标是让 AI 随着时间的推移更容易获取、能力更强且价格更便宜。从 GPT‑4 到 GPT‑5.4，每百万 token 的价格下降了 97%。GPT‑5.6 (https://openai.com/index/gpt-5-6/) 延续了这一进步，在 Artificial Analysis 编写智能体指数中实现了更好的性能，输出 token 减少了 54%，每个任务耗时减少了 57%。 但仅凭 token 价格并不能说明 AI 是否在创造价值。领导者应该关注**每美元的有用工作量**：完成的任务、节省的时间、改进的决策以及可扩展的工作流。 随着团队从聊天转向更长时间的运行工作流，管理员需要更清晰地了解需求、支出和风险。 以下是五种可以放心投资的方式。 ## 1. 提高使用和支出的可见性 企业领导者需要**清晰了解 AI 使用情况**：谁在使用，使用哪些产品或模型，消耗了多少容量，以及这些使用支持什么样的工作。没有这种可见性，不断增长的账单就很难解读。它可能反映浪费、富有成效的实验，或开始变得对业务至关重要的工作流。 ChatGPT Work (https://openai.com/chatgpt-work/) 支持更长的多步骤任务，因此不同工作流的使用情况差异很大。管理员需要看到使用背后的工作，而不仅仅是消耗的积分。借助 ChatGPT 需求共享视图，这是可能的。更新后的使用分析 (https://openai.com/index/chatgpt-enterprise-spend-controls/) 和支出控制 (https://openai.com/index/chatgpt-enterprise-spend-controls/) 在管理控制台 (https://chatgpt.com/admin)（在新窗口中打开）帮助管理员查看按用户、产品和模型划分的采用率、积分使用和支出；跟踪随时间变化的趋势；识别新兴模式；并了解使用何时反映了广泛采用、高级用户工作流或值得更多投资的重复性业务流程。 显示 ChatGPT 和 Codex 使用及积分消耗的分析概览 不同层级的洞察有助于指导投资和赋能决策： - 工作区：采用率和支出是否同步变化？ - 团队和用户：需求在哪里增长，哪些人可能需要更多支持？ - 产品和模型：在哪里使用了更昂贵的智能，这种需求是否持续？ 这些视图共同帮助管理员决定在哪里投资、指导或设定限制。 ## 2. 按结果 ROI 评估模型效率 最低的 token 价格并不总是产生最低的总成本。更便宜的模型可能会失败、重试或产生需要修正的工作。更有能力的模型可能每个 token 成本更高，但能更快达到可接受的结果，尝试更少，审查也更少。 根据模型需要执行的工作来评估模型。使用反映真实任务的评估 (https://openai.com/index/evals-drive-next-chapter-of-ai/)，包括边缘案例，并在测试前定义“足够好”。然后衡量达到该标准的全部成本：模型和工具使用、尝试次数、完成率、延迟和人工审查。 对于优先工作流，**跟踪每个可接受结果的成本**。在客户支持中，可能是解决了一个案例。在工程中，可能是通过了审查的已测试变更。将该成本与业务价值相结合，例如节省的时间、减少的周期时间、保护的收入、避免的风险或创造的能力。 模型选择只是等式的一部分。清晰的指令、专注的工具、可重用的上下文和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与任务相匹配：在满足质量要求时使用更小或更快的模型，将前沿智能保留给复杂、模糊或高风险的场景。 ## 3. 在高级工作流扩展前进行治理 **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。**实际工作是定义 ChatGPT 可以使用哪些上下文、可以访问哪些工具、可以采取哪些操作、谁批准更高风险的步骤，以及在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、计算机使用等前沿功能，这些功能可以跨企业系统运行，这一点变得更加重要。ChatGPT Work (https://openai.com/index/chatgpt-for-your-most-ambitious-work/) 为管理员提供集中控制，用于访问、批准的上下文、连接的工具、允许的操作、使用和支出。支出控制，例如工作区默认设置、组限制、个人覆盖以及带有项目上下文的审查请求，帮助领导者在不大范围提高限制的情况下支持高价值工作。 对于优先部署，OpenAI 的 AI 部署工程师 (https://deploy.co/)（在新窗口中打开）可以直接与客户合作，进行评估、架构、延迟、可靠性和工作流设计，以改善性能和成本效率。隐私和治理应该从一开始就纳入这部分工作：敏感工作流在扩展之前需要正确的访问控制、数据保留策略、合规可见性和审批路径。在适用的情况下，OpenAI 的企业隐私控制，包括零数据保留 (https://developers.openai.com/api/docs/guides/your-data)（在新窗口中打开）选项，可以帮助客户在高信任环境中部署 AI。 ## 4. 资助能够产生复合效应的工作流 **企业领导者应将 AI 投资视为一个投资组合：**日常生产力的广泛访问、改善可重复工作的特定功能工作流，以及基于专有企业上下文构建的少量战略赌注。最有力的候选者是那些以有意义规模重复、有明确所有权、且可以衡量质量、风险和业务价值的工作流。 资金应随成熟度而变化。探索阶段应测试模型是否能够处理任务；验证阶段应针对清晰的质量标准测试代表性案例；生产阶段资金应支持扩展所需的集成、控制、可靠性和变更管理。共用的能力，如身份、可信连接器、精选知识、评估、可观测性、模型路由和可重用的智能体模式，应由中心资助，以便每个新工作流启动起来更简单、更安全。 ## 5. 将容量与已验证的需求相匹配 一旦工作流证明了其价值，领导者应**将产品、容量和支持模型与需求相匹配。**ChatGPT Work (https://openai.com/index/chatgpt-for-your-most-ambitious-work/) 为聊天、编码、智能体工作流、连接器、插件、计算机使用和管理提供了现成功能。企业可以在这些元素创造差异化价值的领域，通过专有数据、权限、评估和工作流逻辑来扩展该基础。 对于更大的战略部署，OpenAI Frontier (https://openai.com/business/frontier/) 和 Deployment Company (https://deploy.co/en-US)（在新窗口中打开）可以帮助企业跨企业系统构建、部署和管理 AI 同事。这种方法使领导者能够以适当的产品、容量和支持模型扩展经过验证的工作，而不是让每个工作流重新构建自己的基础设施。