Sådan forvaltes AI-investeringer i den agentiske æra

OpenAI's mål er med tiden at gøre AI mere tilgængelig, kapabel og økonomisk overkommelig. Fra GPT‑4 til GPT‑5.4 faldt prisen pr. million tokens med 97 %. GPT‑5.6⁠ fortsætter denne fremgang og leverer bedre ydeevne i Artificial Analysis Coding Agent Index med 54 % færre output-tokens og 57 % kortere tid pr. opgave.

Men token-pris alene viser ikke, om AI skaber værdi. Ledere bør se på nyttigt arbejde pr. dollar: fuldførte opgaver, sparet tid, forbedrede beslutninger, og arbejdsgange, der er klare til at blive skaleret.

Efterhånden som teams bevæger sig fra chat til længerevarende arbejdsgange, har administratorer brug for tydeligere indsigt i efterspørgsel, forbrug og risiko. 

Her er fem måder til at investere sikkert.

Virksomhedsledere har brug for et klart overblik over brugen af AI: hvem der bruger det, hvilke produkter eller modeller de bruger, hvor meget kapacitet de forbruger, og hvilken type arbejde den pågældende brug understøtter. Uden denne indsigt er en stigende regning svær at forstå. Det kan afspejle ressourcespild, produktiv eksperimentering eller en arbejdsgang, der er ved at blive forretningskritisk.

ChatGPT Work⁠ understøtter længere flertrinsopgaver, så brug kan variere meget afhængigt af arbejdsgangen. Administratorer skal kunne se det arbejde, der ligger bag brugen, ikke kun de brugte kreditter. Dette er muligt takket være et fælles overblik over efterspørgsel på tværs af ChatGPT. Opdaterede brugsanalyser og udgiftskontroller⁠ i adminkonsollen⁠(åbner i et nyt vindue) hjælper administratorer med at se ibrugtagning, brug af kreditter og udgifter efter bruger, produkt og model, følge tendenser over tid, identificere nye mønstre og forstå, hvornår brugen afspejler bred ibrugtagning, en arbejdsgang for superbrugere eller en tilbagevendende forretningsproces, der kan være værd at investere mere i.

Indsigter på forskellige niveauer hjælper med at vejlede investerings- og aktiveringsbeslutninger:

• Arbejdsområde: Følger ibrugtagning og udgifter hinanden?
• Team og bruger: Hvor vokser efterspørgslen, og hvem kan have brug for mere support?
• Produkt og model: Hvor bruges dyrere intelligens, og er denne efterspørgsel vedvarende?

Samlet set hjælper disse visninger administratorer med at beslutte, hvor de skal investere, coache eller sætte grænser.

Den laveste token-pris giver ikke altid de laveste samlede omkostninger. En billigere model kan fejle, prøve igen eller producere arbejde, der kræver rettelser. En mere kapabel model kan koste mere pr. token, men nå et acceptabelt resultat hurtigere med færre forsøg og mindre gennemgang.

Evaluér modeller ud fra det arbejde, de skal udføre. Brug evalueringer, der afspejler reelle opgaver⁠, herunder edge cases, og definér “godt nok”, før du tester. Mål derefter de samlede omkostninger ved at opnå denne standard: model- og værktøjsbrug, forsøg, fuldførelsesrate, latenstid og menneskelig gennemgang.

For prioriterede arbejdsgange, spor omkostninger pr. accepteret resultat. I kundesupport kan dette være en sag, der er blevet løst. Inden for teknik kan det være en testet ændring, der består gennemgangen. Sammenlign denne omkostning med forretningsværdi som f.eks. sparet tid, reduceret gennemløbstid, sikret omsætning, undgået risiko eller skabt kapacitet.

Valget af model er kun en del af regnestykket. Klare instruktioner, målrettede værktøjer, genanvendelig kontekst og eksplicitte stopbetingelser kan reducere loops og unødvendige udgifter. Målet er at matche modellen og arbejdsgangen med opgaven: Brug mindre eller hurtigere modeller, når de opfylder kvalitetskravene, og reservér banebrydende intelligens til komplekst, tvetydigt eller konsekvenstungt arbejde.

Virksomhedsledere bør betragte ledelse som det driftsmæssige lag, der bestemmer, hvilket AI-arbejde, der kan skaleres. Det praktiske arbejde består i at definere, hvilken kontekst ChatGPT kan bruge, hvilke værktøjer den kan få adgang til, hvilke handlinger den kan udføre, hvem der godkender trin med høj risiko, og hvordan yderligere kapacitet tildeles, når teams finder værdifulde arbejdsgange.

Dette bliver vigtigere, efterhånden som teams tager plugins, forbindelser, computerbrug og andre banebrydende funktioner i brug, som kan fungere på tværs af virksomhedssystemer. ChatGPT Work⁠ giver administratorer centraliserede kontroller over adgang, godkendt kontekst, forbundne værktøjer, tilladte handlinger, brug og udgifter. Udgiftskontroller såsom standardindstillinger for arbejdsområder, gruppegrænser, individuelle tilsidesættelser og gennemgangsanmodninger med projektkontekst hjælper ledere med at understøtte arbejde af høj værdi uden at hæve grænserne generelt.

Ved prioriterede implementeringer kan OpenAIs AI-implementeringsteknikere⁠(åbner i et nyt vindue) arbejde direkte med kunder om evalueringer, arkitektur, latenstid, driftssikkerhed og design af arbejdsgange for at forbedre både ydeevne og omkostningseffektivitet. Databeskyttelse og ledelse bør være en del af dette arbejde fra start af: Følsomme arbejdsgange kræver de rette adgangskontroller, en passende opbevaringsstrategi, indsigt i compliance og godkendelsesforløb, før de skaleres. Hvor det er relevant, kan OpenAI's databeskyttelseskontroller til virksomheder, herunder muligheder for ingen datalagring⁠(åbner i et nyt vindue), hjælpe kunder med at implementere AI i miljøer med høj tillid.

Virksomhedsledere bør forvalte AI-investeringer som en portefølje: bred adgang, der understøtter produktiviteten i hverdagen, funktionsspecifikke arbejdsgange, der forbedrer gentageligt arbejde, og et mindre antal strategiske satsninger, der er bygget op omkring proprietær virksomhedskontekst. De stærkeste kandidater er arbejdsgange, der gentages i et betydeligt omfang, har et klart ejerskab og kan måles på kvalitet, risiko og forretningsværdi.

Finansiering bør følge løbetiden. Udforskning bør teste, om modellen kan håndtere opgaven; validering bør teste repræsentative sager i forhold til en klar kvalitetsstandard; produktionsfinansiering bør understøtte de integrationer, kontroller, samt den driftssikkerhed og ændringsstyring, der kræves for at skalere. Fælles kapaciteter såsom identitet, betroede forbindelser, kurateret viden, evalueringer, observerbarhed, model-routing og genanvendelige agentmønstre bør finansieres centralt, så hver ny arbejdsgang bliver nemmere og sikrere at sætte i drift.

Når en arbejdsgang har bevist sin værdi, bør ledere tilpasse produktet, kapaciteten og supportmodellen til efterspørgslen. ChatGPT Work⁠ leverer færdige funktioner til chat, kodning, agentiske arbejdsgange, forbindelser, plugins, computerbrug og administration. Virksomheder kan udbygge dette fundament med proprietære data, adgangsrettigheder, evalueringer og arbejdsgang-logik, når disse elementer skaber differentieret værdi.

Ved produktionsarbejdsbelastninger bør den kommercielle struktur matche brugsmønstrene: garanteret kapacitet⁠ til produktionssystemer og agenter, der har brug for sikker adgang, skaleringsniveau⁠ til forudsigelige API-arbejdsbelastninger med høj volumen, og batch-API⁠(åbner i et nyt vindue), flex-behandling⁠(åbner i et nyt vindue) eller kommando-caching⁠ til asynkront arbejde eller gentagen kontekst.

Til større strategiske implementeringer kan OpenAI Frontier⁠ og Deployment Company⁠(åbner i et nyt vindue) hjælpe virksomheder med at udvikle, implementere og administrere AI-medarbejdere på tværs af virksomhedssystemer. Denne tilgang gør det muligt for ledere at skalere gennemprøvet arbejde med det rette produkt, den rette kapacitet og den rette supportmodel i stedet for at lade hver arbejdsgang genopbygge sin egen infrastruktur.