AI युग के लिए स्कोरकार्ड

हर जगह सीएफओ से मुझे जो सवाल सुनने को मिलता है, वह सीधा है: हम AI पर अपने खर्च से अधिक मूल्य कैसे पाएँ?

वर्षों तक, बाजार ने सॉफ्टवेयर की सफलता को अपनाए जाने से मापा: खरीदी गई सीटें, सक्रिय उपयोगकर्ता, नवीनीकृत लाइसेंस. AI के मूल्य को समझने के लिए एक अधिक प्रभावी माप चाहिए: पूरा हुआ काम.

सीएफओ और अन्य कारोबारी नेताओं के सामने मूल आर्थिक सवाल यह है कि AI जो काम पूरा करता है, उसका मूल्य उसे करने की लागत से तेज़ी से बढ़ता है या नहीं.

इस सवाल का जवाब देने के लिए प्रति टोकन लागत जैसे मेट्रिक से अधिक गहराई में देखना ज़रूरी है. कम लागत वाले मॉडल के टोकन सस्ते हो सकते हैं, लेकिन बेहतरीन परिणाम पाने के लिए अधिक प्रयास, अधिक समय या अधिक मानवीय समीक्षा की जरूरत पड़ सकती है. अधिक सक्षम मॉडल के टोकन महंगे हो सकते हैं, लेकिन वह वही काम एक ही प्रयास में पूरा कर सकता है. मायने रखती है सफल परिणाम हासिल करने की पूरी लागत, जिसकी तुलना उस परिणाम से बने मूल्य से की जाती है.

AI युग के अंतिम स्कोरकार्ड को “प्रति डॉलर उपयोगी इंटेलिजेंस” के रूप में देखा जा सकता है. यह मेट्रिक चार अहम सवालों का जवाब देता है:

1. क्या AI वह काम पूरा कर रहा है जो मायने रखता है?
2. हर सफल कार्य की लागत कितनी है?
3. क्या लोग परिणाम पर भरोसा कर सकते हैं?
4. क्या उपयोग बढ़ने पर AI पर खर्च किया गया हर डॉलर अधिक मूल्य देता है?

शुरुआत काम से ही करें.

AI ने ग्राहकों की कितनी समस्याएँ हल करने में मदद की? उसने कितने कोड बदलाव रिलीज़ कराने में मदद की? उसने कितने अनुबंधों की समीक्षा की? उसने लोगों को कितना समय वापस दिया? सही समय पर सही संदर्भ उपलब्ध होने से कितने निर्णय बेहतर हुए?

टोकन तब मूल्य बनाते हैं, जब वे ऐसे काम में बदलते हैं जिसका लोग उपयोग कर सकें. मॉडल जितने अधिक सक्षम होते हैं, वे उतने लंबे और जटिल काम संभाल सकते हैं: संदर्भ बनाए रखना, कई चरणों में रीज़निंग करना, टूल्स में काम करना और आगे बढ़ते हुए खुद को अनुकूलित करना.

शुरू करने की सबसे अच्छी जगह एक वर्कफ़्लो है. तय करें कि “पूरा” होने का क्या अर्थ है और उस परिणाम को उसी सिस्टम में मापें जहाँ काम होता है.

सपोर्ट टीम के लिए “पूरा” का मतलब ग्राहक की समस्या हल होना हो सकता है. इंजीनियरिंग टीम के लिए इसका मतलब ऐसा कोड बदलाव हो सकता है जो अपने परीक्षण पास कर ले. कानूनी टीम के लिए इसका मतलब अनुबंध की सही और समय पर समीक्षा हो सकता है.

पूर्वानुमान समीक्षा की तैयारी कर रही किसी फाइनेंस टीम पर विचार करें. अधिकांश काम अंतिम निर्णय से पहले होता है: नवीनतम पूर्वानुमान ढूँढना, डेटा को Excel या Sheets में ले जाना, बदलाव पहचानना, टैब मिलाना, स्लाइड फिर से बनाना और यह जाँचना कि सब कुछ पूरी तरह मेल खाता है.

ChatGPT काम इस प्रक्रिया का बड़ा हिस्सा संभाल सकता है, जिससे टीम को उन सवालों पर ध्यान देने के लिए अधिक समय मिलता है जो मायने रखते हैं: क्या बदला? क्यों? अब हमें क्या करना चाहिए?

यही व्यवहार में प्रति डॉलर उपयोगी इंटेलिजेंस है. काम अधिक और तेज़ी से पूरा होता है, जबकि लोग अपने समय का बड़ा हिस्सा निर्णय क्षमता, रचनात्मकता और विशेषज्ञता लगाने में बिताते हैं.

अगला सवाल है कि उस काम को अच्छी तरह पूरा करने में क्या लागत आती है.

AI कार्य बहुत अलग-अलग होते हैं. एक त्वरित उत्तर के लिए कम कंप्यूट की जरूरत हो सकती है. कोडिंग, रिसर्च या वित्तीय वर्कफ़्लो में गहरी रीज़निंग, टूल उपयोग और कई कार्रवाइयाँ शामिल हो सकती हैं. इन अधिक जटिल कार्यों में अधिक कंप्यूट लग सकता है, लेकिन वे कहीं अधिक मूल्य बना सकते हैं.

मॉडल स्तर पर, प्रति सफल कार्य लागत कीमत, उपयोग हुए कंप्यूट की मात्रा और सही परिणाम तक पहुँचने की संभावना पर निर्भर करती है. किसी व्यवसाय के लिए पूरी लागत में कर्मचारी समय, मानवीय समीक्षा, फिर से किए गए प्रयास और दोबारा काम भी शामिल होते हैं.

इसका कैलकुलेशन सीधा है:

• काम पूरा करने की पूरी लागत जोड़ें.
• उन कार्यों की गिनती करें जो जरूरी गुणवत्ता मानक पर खरे उतरे.
• पूरी लागत को सफल कार्यों की संख्या से भाग दें.

इसीलिए प्रति टोकन सबसे कम कीमत हमेशा प्रति परिणाम सबसे कम लागत नहीं देती. एक अत्याधुनिक मॉडल साधारण अनुरोध में भी सबसे अच्छा मूल्य दे सकता है, अगर वह सही जवाब एक ही प्रयास में दे और फिर से प्रयास, देरी, समीक्षा और कुल कंप्यूट घटा दे.

स्तरीकृत मॉडल परिवार ग्राहकों को इस समीकरण को अनुकूलित करने के अधिक तरीके देता है. GPT‑5.6, जिसे हमने पिछले सप्ताह रिलीज़ किया, के तीन स्तर हैं: Sol हमारा फ्लैगशिप है; Terra प्रदर्शन और लागत में संतुलन बनाता है; Luna हमारा सबसे तेज़ और सबसे किफायती मॉडल है.

ये स्तर उपयोगी शुरुआती बिंदु देते हैं. पूरे कार्य का अर्थशास्त्र अंततः सही मॉडल तय करना चाहिए. ग्राहक तेज़, बड़े पैमाने वाले वर्कफ़्लो के लिए Luna, अधिक गहराई वाले काम के लिए Terra, या तब Sol इस्तेमाल कर सकता है जब मजबूत रीज़निंग कम प्रयासों में सबसे अच्छा परिणाम दे.

हमने GPT‑5.6 को हर टोकन से अधिक उपयोगी काम कराने के लिए प्रशिक्षित किया. Artificial Analysis Coding Agent Index पर, अधिकतम रीज़निंग के साथ GPT‑5.6 Sol ने एक अन्य अग्रणी मॉडल की तुलना में 54% कम आउटपुट टोकन का उपयोग करते हुए नया सर्वश्रेष्ठ मानक स्थापित किया. नीचे दिया गया चार्ट तुलना दिखाता है.

पूरे GPT‑5.6 परिवार में लक्ष्य एक ही है: प्रति डॉलर अधिक सफल काम. अधिक दक्षता मौजूदा कार्यों को अधिक किफायती बनाती है. अधिक क्षमता बिल्कुल नए तरह के काम संभव बनाती है.

हर नई मॉडल पीढ़ी को इस समीकरण के दोनों पक्ष बेहतर करने चाहिए. ग्राहकों को अधिक मूल्यवान काम पूरा करने में सक्षम होना चाहिए, और साथ ही हर कार्य को पूरा करने की लागत घटती रहनी चाहिए.

तीसरा माप भरोसेमंदी है.

AI को अपनाना आम तौर पर चरणों में गहराता है. पहले, AI ड्राफ्ट बनाने में मदद करता है. फिर यह संदर्भ ढूँढता है और टूल्स व डेटा में रीज़निंग करता है. समय के साथ, यह कार्रवाई करना, अपवाद संभालना और वर्कफ़्लो पूरे करना शुरू करता है, जबकि जरूरत पड़ने पर लोग निर्णय और नियंत्रण देते हैं.

हर कदम अधिक मूल्य बनाता है और सिस्टम से अधिक अपेक्षा करता है.

भरोसेमंदी का सीधा आर्थिक मूल्य है. जब परिणाम सटीक, अच्छे स्रोतों पर आधारित, सुसंगत और उचित रूप से आगे बढ़ाए जाते हैं, तो लोग समीक्षा, सुधार और काम दोहराने में कम समय लगाते हैं. सफल कार्यों की लागत घटती है, और संगठनों को अधिक महत्वपूर्ण वर्कफ़्लो में AI इस्तेमाल करने का भरोसा मिलता है.

टीमें तीन परिणामों को ट्रैक करके इसे ठोस बना सकती हैं:

• उपयोग के लिए तैयार: परिणाम जैसा दिया गया, वैसा ही गुणवत्ता मानक पर खरा उतरा.
• सुधार चाहिए: परिणाम के लिए एक और प्रयास या मानवीय संपादन जरूरी था.
• एस्केलेशन चाहिए: किसी व्यक्ति को आगे आकर काम पूरा करना पड़ा.

ये माप केवल मॉडल सटीकता से अधिक समृद्ध कहानी बताते हैं. वे दिखाते हैं कि AI परियोजना पूरी करने में लगने वाला काम सचमुच कम कर रहा है या नहीं.

भरोसेमंदी के लिए स्पष्ट सीमाएँ भी जरूरी हैं. AI के ड्राफ्ट बनाने से कार्रवाई करने तक जाने से पहले, संगठनों को परिभाषित करना चाहिए:

• सिस्टम कौन-सा डेटा एक्सेस कर सकता है.
• वह किन सिस्टमों का उपयोग कर सकता है या बदल सकता है.
• कब किसी व्यक्ति को किसी कार्रवाई की समीक्षा या स्वीकृति देनी चाहिए.

सुरक्षा, सिक्योरिटी, निजता और नियंत्रण गहरे उपयोग की नींव बनाते हैं. लोगों को समझना चाहिए कि सिस्टम कैसे व्यवहार करता है, उनका डेटा कैसे संभाला जाता है और उसकी कार्रवाइयाँ कैसे नियंत्रित होती हैं.

ChatGPT काम, ChatGPT Enterprise की सुरक्षा, निजता, अनुपालन और वर्कस्पेस-मैनेजमेंट की नींव पर बनता है. इससे संगठन उचित निगरानी बनाए रखते हुए AI को अधिक संदर्भ और अधिक मूल्यवान वर्कफ़्लो तक पहुँच दे सकते हैं.

क्षमता पहला उपयोग दिलाती है. भरोसेमंदी AI को काम करने के तरीके का हिस्सा बनाती है.

अंतिम सवाल है कि बड़े पैमाने पर अर्थशास्त्र बेहतर होता है या नहीं.

कंपनियाँ समय के साथ उसी वर्कफ़्लो को देखकर इसे माप सकती हैं. ट्रैक करें कि कितने कार्य गुणवत्ता मानक पर खरे उतरे, उन्हें पूरा करने की कुल लागत क्या थी और प्रति सफल कार्य लागत कितनी रही. यदि पूरा हुआ काम कुल लागत से तेज़ बढ़ता है और गुणवत्ता बनी रहती है या सुधरती है, तो AI पर खर्च किया हर डॉलर अधिक मूल्य दे रहा है.

इस समीकरण के केंद्र में कंप्यूट है.

कंप्यूट रिसर्च और AI द्वारा पूरा किए जाने वाले हर कार्य को शक्ति देता है. यह उत्पाद गुणवत्ता, गति, भरोसेमंदी, उपलब्धता और लागत को आकार देता है. ट्रेनिंग कंप्यूट भविष्य की क्षमता बनाता है. इन्फ़रेंस कंप्यूट आज उपयोगी काम पूरा करता है. दोनों का परिणाम ग्राहकों के लिए बेहतर नतीजों में बदलना चाहिए.

बेहतर मॉडल, अधिक कुशल इन्फ़रेंस, खास उद्देश्य के लिए बना हार्डवेयर, अधिक उपयोग, स्मार्ट रूटिंग और मजबूत उत्पाद डिज़ाइन, सभी कंप्यूट पर रिटर्न बेहतर करते हैं. इन्फ्रास्ट्रक्चर की हर पीढ़ी अधिक सक्षम मॉडल प्रशिक्षित करने में मदद करती है. फिर बेहतर एल्गोरिदम, हार्डवेयर और सॉफ्टवेयर उन मॉडल को अधिक कुशलता से सेवा देने में मदद करते हैं.

ग्राहक इन सुधारों को मानवीय रूप में महसूस करते हैं: बेहतर जवाब, तेज़ परिणाम, कम सुधार, अधिक भरोसेमंद उत्पाद और उनके जरूरी काम की कम लागत.

लाभ एक-दूसरे पर जुड़ते जाते हैं. बेहतर इन्फ्रास्ट्रक्चर रिसर्च को गति देता है. रिसर्च अधिक सक्षम और कुशल मॉडल बनाती है. बेहतर मॉडल उत्पादों को बेहतर बनाते हैं. बेहतर उत्पाद अपनाने, सीखने और राजस्व को बढ़ाते हैं. यह वृद्धि रिसर्च, कंप्यूट, डिप्लॉयमेंट और सुरक्षा की अगली पीढ़ी में निरंतर निवेश को सहारा देती है.

OpenAI इन हिस्सों को एक साझा इंटेलिजेंस प्लेटफ़ॉर्म के जरिए साथ लाता है. लोग इसका उपयोग ChatGPT और ChatGPT काम के जरिए करते हैं. डेवलपर Codex और API के जरिए इससे बनाते हैं. एंटरप्राइज इसे उन सिस्टमों में डिप्लॉय करते हैं जहाँ काम होता है.

जब एक परत बेहतर होती है, तो हर उत्पाद और ग्राहक को लाभ मिल सकता है.

साथ मिलकर, ये चार माप बताते हैं कि प्रति डॉलर उपयोगी इंटेलिजेंस बेहतर हो रही है या नहीं.

उपयोगी काम बताता है कि AI क्या तैयार करता है. प्रति सफल कार्य लागत बताती है कि परिणाम तक पहुँचने में क्या लगता है. भरोसेमंदी बताती है कि लोग काम के कितने हिस्से का भरोसे के साथ उपयोग कर सकते हैं. बड़े पैमाने पर मूल्य बताता है कि समय के साथ हर डॉलर और कंप्यूट की हर इकाई अधिक हासिल करती है या नहीं.

लक्ष्य ऐसा AI है जो लोगों को अधिक सार्थक काम करने, बेहतर निर्णय लेने और अपने काम के उन हिस्सों पर अधिक समय देने में मदद करे जिनमें विशिष्ट रूप से मानवीय निर्णय और रचनात्मकता चाहिए.

हमारा काम हर पीढ़ी के साथ इस समीकरण को बेहतर बनाना है: अधिक सक्षम मॉडल, तेज़ और अधिक भरोसेमंद परिणाम, और ग्राहकों के जरूरी काम की कम लागत.

इसी तरह समय के साथ AI अधिक लोगों और संगठनों के लिए अधिक उपयोगी बनता है.