एजेंटिक युग में AI निवेश कैसे प्रबंधित करें

OpenAI का लक्ष्य समय के साथ AI को अधिक सुलभ, सक्षम और किफ़ायती बनाना है. GPT‑4 से GPT‑5.4 तक, प्रति दस लाख टोकन कीमत 97% घटी. GPT‑5.6⁠ इस प्रगति को आगे बढ़ाता है और Artificial Analysis कोडिंग एजेंट इंडेक्स में 54% कम आउटपुट टोकन और प्रति टास्क 57% कम समय के साथ बेहतर प्रदर्शन देता है.

लेकिन केवल टोकन कीमत यह नहीं दिखाती कि AI मूल्य बना रहा है या नहीं. लीडर्स को प्रति डॉलर उपयोगी काम देखना चाहिए: पूरे हुए टास्क, बचा समय, बेहतर हुए निर्णय, और स्केल के लिए तैयार वर्कफ़्लो.

जैसे-जैसे टीमें चैट से लंबे समय तक चलने वाले वर्कफ़्लो की ओर बढ़ती हैं, एडमिन को मांग, खर्च और जोखिम पर अधिक स्पष्ट दृश्यता चाहिए. 

विश्वास के साथ निवेश करने के पांच तरीके यहां दिए गए हैं.

एंटरप्राइज़ लीडर्स को AI उपयोग की साफ़ तस्वीर चाहिए: कौन इसका उपयोग कर रहा है, वे कौन-से प्रोडक्ट या मॉडल इस्तेमाल कर रहे हैं, कितनी क्षमता खर्च कर रहे हैं, और वह उपयोग किस तरह के काम को सहारा देता है. उस दृश्यता के बिना, बढ़ते बिल को समझना मुश्किल होता है. यह अपव्यय, उपयोगी प्रयोग, या ऐसे वर्कफ़्लो को दर्शा सकता है जो व्यापार के लिए महत्वपूर्ण होने लगा है.

ChatGPT Work⁠ लंबे, कई चरणों वाले टास्क को सपोर्ट करता है, इसलिए उपयोग वर्कफ़्लो के अनुसार काफ़ी बदल सकता है. एडमिन को सिर्फ़ खर्च हुए क्रेडिट्स नहीं, बल्कि उस उपयोग के पीछे का काम भी देखना होगा. यह ChatGPT में मांग के साझा दृश्य की वजह से संभव है. उपयोग एनालिटिक्स और खर्च नियंत्रण⁠ के अपडेट, एडमिन कंसोल⁠(एक नई विंडो में खुलेगा) में एडमिन को उपयोगकर्ता, प्रोडक्ट और मॉडल के आधार पर अपनाने, क्रेडिट्स उपयोग और खर्च देखने; समय के साथ रुझान ट्रैक करने; उभरते पैटर्न पहचानने; और यह समझने में मदद करते हैं कि उपयोग व्यापक अपनाने, किसी पावर-यूज़र वर्कफ़्लो, या ऐसे दोहराए जाने वाले बिज़नेस प्रोसेस को दर्शाता है या नहीं जिसे अधिक निवेश मिलना चाहिए.

अलग-अलग स्तरों पर इनसाइट्स निवेश और सक्षम बनाने से जुड़े फैसलों को दिशा देती हैं:

• वर्कस्पेस: क्या अपनाने और खर्च साथ-साथ बढ़ रहे हैं?
• टीम और उपयोगकर्ता: मांग कहां बढ़ रही है, और किसे अधिक सपोर्ट की ज़रूरत हो सकती है?
• प्रोडक्ट और मॉडल: अधिक महंगी इंटेलिजेंस कहां इस्तेमाल हो रही है, और क्या वह मांग बनी हुई है?

ये दृश्य मिलकर एडमिन को तय करने में मदद करते हैं कि कहां निवेश करना, कोचिंग देनी या सीमाएं तय करनी हैं.

सबसे कम टोकन कीमत हमेशा सबसे कम कुल लागत नहीं देती. सस्ता मॉडल विफल हो सकता है, दोबारा प्रयास करा सकता है, या ऐसा काम बना सकता है जिसे सुधारना पड़े. अधिक सक्षम मॉडल प्रति टोकन महंगा हो सकता है, लेकिन कम प्रयासों और कम समीक्षा के साथ तेज़ी से स्वीकार्य परिणाम तक पहुंच सकता है.

मॉडल का आकलन उस काम के आधार पर करें जो उन्हें करना है. ऐसे इवैल्युएशन इस्तेमाल करें जो वास्तविक टास्क को दर्शाते हों⁠, जिनमें एज केस शामिल हों, और परीक्षण से पहले “काफ़ी अच्छा” का मानक तय करें. फिर उस मानक तक पहुंचने की पूरी लागत मापें: मॉडल और टूल उपयोग, प्रयास, पूर्णता दर, लेटेंसी, और मानव समीक्षा.

प्राथमिकता वाले वर्कफ़्लो के लिए, प्रति स्वीकृत परिणाम लागत ट्रैक करें. कस्टमर सपोर्ट में, यह हल हुआ केस हो सकता है. इंजीनियरिंग में, यह ऐसा परीक्षण किया गया बदलाव हो सकता है जो समीक्षा में पास हो. उस लागत को व्यापारिक मूल्य से जोड़ें, जैसे बचा हुआ समय, कम हुआ साइकल टाइम, सुरक्षित राजस्व, टाला गया जोखिम, या बनाई गई क्षमता.

मॉडल का चुनाव समीकरण का केवल एक हिस्सा है. स्पष्ट निर्देश, केंद्रित टूल, दोबारा इस्तेमाल योग्य संदर्भ, और स्पष्ट रोक शर्तें लूप और व्यर्थ खर्च कम कर सकती हैं. लक्ष्य मॉडल और वर्कफ़्लो को टास्क से मिलाना है: जब छोटे या तेज़ मॉडल गुणवत्ता मानक पूरा करें तो उनका उपयोग करें, और अत्याधुनिक इंटेलिजेंस को जटिल, अस्पष्ट या उच्च-दांव वाले काम के लिए रखें.

एंटरप्राइज़ लीडर्स को गवर्नेंस को उस ऑपरेटिंग लेयर की तरह देखना चाहिए जो तय करती है कि कौन-सा AI काम स्केल हो सकता है. व्यावहारिक काम यह तय करना है कि ChatGPT कौन-सा संदर्भ इस्तेमाल कर सकता है, किन टूल तक पहुंच सकता है, कौन-सी कार्रवाइयां कर सकता है, अधिक जोखिम वाले चरणों को कौन मंज़ूरी देता है, और जब टीमों को मूल्यवान वर्कफ़्लो मिलें तो अतिरिक्त क्षमता कैसे दी जाती है.

यह तब और महत्वपूर्ण हो जाता है जब टीमें प्लगइन्स, कनेक्टर्स, कंप्यूटर उपयोग, और अन्य अत्याधुनिक क्षमताएं अपनाती हैं जो एंटरप्राइज़ सिस्टमों में काम कर सकती हैं. ChatGPT Work⁠ एडमिन को एक्सेस, स्वीकृत संदर्भ, कनेक्टेड टूल, अनुमत कार्रवाइयों, उपयोग और खर्च के लिए केंद्रीकृत नियंत्रण देता है. वर्कस्पेस डिफ़ॉल्ट, ग्रुप सीमाएं, व्यक्तिगत ओवरराइड, और प्रोजेक्ट संदर्भ वाली समीक्षा अनुरोध जैसी खर्च नियंत्रण सुविधाएं लीडर्स को सीमाएं व्यापक रूप से बढ़ाए बिना उच्च-मूल्य काम को सपोर्ट करने में मदद करती हैं.

प्राथमिकता वाले डिप्लॉयमेंट के लिए, OpenAI के AI डिप्लॉयमेंट इंजीनियर्स⁠(एक नई विंडो में खुलेगा) ग्राहकों के साथ सीधे इवैल्युएशन, आर्किटेक्चर, लेटेंसी, विश्वसनीयता और वर्कफ़्लो डिज़ाइन पर काम कर सकते हैं, ताकि प्रदर्शन और लागत दक्षता दोनों बेहतर हों. प्राइवेसी और गवर्नेंस शुरू से ही इस काम का हिस्सा होने चाहिए: संवेदनशील वर्कफ़्लो को स्केल होने से पहले सही एक्सेस नियंत्रण, रिटेंशन स्थिति, अनुपालन दृश्यता, और मंज़ूरी पथ चाहिए. जहां लागू हो, OpenAI के एंटरप्राइज़ प्राइवेसी नियंत्रण, जिनमें ज़ीरो डेटा रिटेंशन⁠(एक नई विंडो में खुलेगा) विकल्प शामिल हैं, ग्राहकों को उच्च-भरोसे वाले वातावरण में AI डिप्लॉय करने में मदद कर सकते हैं.

एंटरप्राइज़ लीडर्स को AI निवेश को पोर्टफ़ोलियो की तरह प्रबंधित करना चाहिए: रोज़मर्रा की उत्पादकता के लिए व्यापक एक्सेस, दोहराए जा सकने वाले काम को बेहतर बनाने वाले फ़ंक्शन-विशिष्ट वर्कफ़्लो, और कंपनी के स्वामित्व वाले संदर्भ पर आधारित कुछ रणनीतिक दांव. सबसे मज़बूत उम्मीदवार वे वर्कफ़्लो हैं जो सार्थक पैमाने पर दोहराए जाते हैं, जिनका स्पष्ट मालिकाना होता है, और जिन्हें गुणवत्ता, जोखिम और व्यापारिक मूल्य पर मापा जा सकता है.

फ़ंडिंग परिपक्वता के अनुसार होनी चाहिए. खोज यह परखे कि मॉडल टास्क संभाल सकता है या नहीं; सत्यापन स्पष्ट गुणवत्ता मानक के विरुद्ध प्रतिनिधि केस परखे; और प्रोडक्शन फ़ंडिंग स्केल के लिए ज़रूरी इंटीग्रेशन, नियंत्रण, विश्वसनीयता और बदलाव प्रबंधन को सपोर्ट करे. पहचान, भरोसेमंद कनेक्टर्स, क्यूरेटेड नॉलेज, इवैल्युएशन, ऑब्ज़र्वेबिलिटी, मॉडल रूटिंग, और दोबारा इस्तेमाल योग्य एजेंट पैटर्न जैसी साझा क्षमताओं को केंद्रीय रूप से फ़ंड किया जाना चाहिए, ताकि हर नया वर्कफ़्लो लॉन्च करना आसान और सुरक्षित हो.

जब कोई वर्कफ़्लो अपना मूल्य साबित कर दे, तो लीडर्स को प्रोडक्ट, क्षमता और सपोर्ट मॉडल को उसकी मांग से मिलाना चाहिए. ChatGPT Work⁠ चैट, कोडिंग, एजेंटिक वर्कफ़्लो, कनेक्टर्स, प्लगइन्स, कंप्यूटर उपयोग, और एडमिनिस्ट्रेशन के लिए तैयार क्षमताएं देता है. जहां ये तत्व अलग पहचान वाला मूल्य बनाते हैं, कंपनियां उस आधार को स्वामित्व वाले डेटा, अनुमतियों, इवैल्युएशन, और वर्कफ़्लो लॉजिक से आगे बढ़ा सकती हैं.

प्रोडक्शन वर्कलोड के लिए, व्यावसायिक ढांचा उपयोग पैटर्न से मेल खाना चाहिए: उन प्रोडक्शन सिस्टम और एजेंट के लिए गारंटीड कैपेसिटी⁠ जिन्हें एक्सेस की निश्चितता चाहिए, पूर्वानुमेय उच्च-वॉल्यूम एपीआई वर्कलोड के लिए स्केल टियर⁠, और असिंक्रोनस काम या दोहराए जाने वाले संदर्भ के लिए बैच एपीआई⁠(एक नई विंडो में खुलेगा), फ़्लेक्स प्रोसेसिंग⁠(एक नई विंडो में खुलेगा), या प्रॉम्प्ट कैशिंग⁠.

बड़े रणनीतिक डिप्लॉयमेंट के लिए, OpenAI Frontier⁠ और डिप्लॉयमेंट कंपनी⁠(एक नई विंडो में खुलेगा) एंटरप्राइज़ को एंटरप्राइज़ सिस्टमों में AI सहकर्मी बनाने, डिप्लॉय करने और प्रबंधित करने में मदद कर सकते हैं. यह तरीका लीडर्स को हर वर्कफ़्लो से अपना इन्फ़्रास्ट्रक्चर फिर से बनवाने के बजाय सही प्रोडक्ट, क्षमता और सपोर्ट मॉडल के साथ साबित काम को स्केल करने देता है.