Mérce az MI korához
A CFO-któl mindenütt ugyanazt az egyszerű kérdést hallom: hogyan hozhatunk ki több értéket az MI-re fordított kiadásainkból?
A piac éveken át az elfogadottságon keresztül mérte a szoftverek sikerét: megvásárolt felhasználói helyek, aktív felhasználók, megújított licencek alapján. Az MI értékének megértéséhez erősebb mércére van szükség: az elvégzett munkára.
A CFO-k és más üzleti vezetők előtt álló alapvető gazdasági kérdés az, hogy az MI által elvégzett munka értéke gyorsabban nő-e, mint az előállításának költsége.
A kérdés megválaszolásához mélyebbre kell nézni egy olyan mutatónál, mint a tokenenkénti költség. Egy alacsonyabb költségű modell tokenjei olcsóbbak lehetnek, de a kiváló eredményhez több próbálkozásra, több időre vagy több emberi ellenőrzésre lehet szükség. Egy nagyobb képességű modell tokenjei drágábbak lehetnek, de ugyanazt a feladatot egyetlen menetben elvégezheti. Az számít, mennyibe kerül összességében egy sikeres eredmény előállítása ahhoz az értékhez képest, amelyet az eredmény létrehoz.
Az MI korának végső mércéjét úgy is nevezhetnénk: „hasznos intelligencia dolláronként”. Ez a mutató négy kulcskérdésre ad választ:
- Az MI valóban fontos munkát végez el?
- Mennyibe kerül egy-egy sikeres feladat?
- Megbízhatnak az emberek az eredményben?
- Minden MI-re költött dollár több értéket termel a használat növekedésével?
Kezdjük magával a munkával.
Hány ügyfélprobléma megoldásában segített az MI? Hány kódmódosítás élesítésében segített? Hány szerződést vizsgált át? Mennyi időt adott vissza az embereknek? Hány döntés lett jobb azért, mert a megfelelő kontextus a megfelelő pillanatban rendelkezésre állt?
A tokenek akkor teremtenek értéket, amikor az emberek számára használható munkává alakulnak. Ahogy a modellek képességei fejlődnek, hosszabb és összetettebb feladatokat is át tudnak venni: megtartják a kontextust, több lépésen keresztül érvelnek, eszközök között dolgoznak, és közben alkalmazkodnak.
A legjobb kiindulópont egyetlen munkafolyamat. Határozzuk meg, mit jelent a „kész”, és mérjük ezt az eredményt abban a rendszerben, ahol a munka zajlik.
Egy ügyféltámogatási csapatnál a „kész” azt jelentheti, hogy egy ügyfélprobléma megoldódott. Egy mérnöki csapatnál azt jelentheti, hogy egy kódmódosítás átmegy a teszteken. Egy jogi csapatnál azt jelentheti, hogy egy szerződést pontosan és időben átvizsgáltak.
Vegyünk például egy pénzügyi csapatot, amely előrejelzés-felülvizsgálatra készül. A munka nagy része még a végső döntés előtt történik: meg kell találni a legfrissebb előrejelzést, át kell vinni az adatokat Excelbe vagy Sheetsbe, azonosítani kell a változásokat, egyeztetni kell a munkalapokat, újra kell építeni a diákat, és ellenőrizni kell, hogy minden tökéletesen összeadódik-e.
A ChatGPT Work a folyamat nagy részét át tudja venni, így a csapat több időt fordíthat a valóban fontos kérdésekre: Mi változott? Miért? Mit tegyünk ezután?
Ez a hasznos intelligencia dolláronként a gyakorlatban. Több munka készül el, gyorsabban, miközben az emberek idejük nagyobb részét ítélőképességük, kreativitásuk és szakértelmük alkalmazására fordítják.
A következő kérdés az, mennyibe kerül ezt a munkát jól elvégezni.
Az MI-feladatok nagyon különbözőek. Egy gyors válasz kevés számítási kapacitást igényelhet. Egy kódolási, kutatási vagy pénzügyi munkafolyamat mélyebb érvelést, eszközhasználatot és sok műveletet igényelhet. Ezek az összetettebb feladatok több számítási kapacitást igényelhetnek, de jóval nagyobb értéket is teremthetnek.
Modellszinten az egy sikeres feladatra jutó költség az ártól, a felhasznált számítási kapacitás mennyiségétől és attól függ, mekkora eséllyel jutunk el a megfelelő eredményhez. Egy vállalat számára a teljes költségbe beletartozik a munkatársak ideje, az emberi ellenőrzés, az újrapróbálkozások és az átdolgozás is.
A számítás egyszerű:
- Adjuk össze a munka elvégzésének teljes költségét.
- Számoljuk meg azokat a feladatokat, amelyek elérték az elvárt minőségi szintet.
- Osszuk el a teljes költséget a sikeres feladatok számával.
Ezért nem mindig a legalacsonyabb tokenenkénti ár adja a legalacsonyabb eredményenkénti költséget. Egy élvonalbeli modell még egy rutinkérésnél is a legjobb értéket nyújthatja, ha egyetlen menetben adja meg a jó választ, csökkentve az újrapróbálkozásokat, a késleltetést, az ellenőrzést és a teljes számítási igényt.
A többszintű modellcsalád több lehetőséget ad az ügyfeleknek ennek az egyenletnek az optimalizálására. A múlt héten kiadott GPT‑5.6 három szinttel rendelkezik: a Sol a zászlóshajónk; a Terra a teljesítmény és a költség egyensúlyát adja; a Luna a leggyorsabb és legkedvezőbb árú modellünk.
Ezek a szintek hasznos kiindulópontot jelentenek. Végső soron a teljes feladat gazdasági logikájának kell meghatároznia a megfelelő modellt. Egy ügyfél használhatja a Lunát gyors, nagy volumenű munkafolyamathoz, a Terrát nagyobb mélységet igénylő munkához, vagy a Solt, amikor az erősebb érvelés kevesebb próbálkozással hozza a legjobb eredményt.
A GPT‑5.6‑ot úgy tanítottuk, hogy minden tokenből több hasznos munkát hozzon ki. Az Artificial Analysis Coding Agent Indexen a maximális érvelésre állított GPT‑5.6 Sol új csúcsteljesítményt ért el, miközben 54%-kal kevesebb kimeneti tokent használt, mint egy másik vezető modell. Az alábbi diagram szemlélteti az összehasonlítást.
DeepSWE v1.1: Hosszú távú mérnöki feladatok; a GPT‑5.6 Sol új csúcsot ér el 72,7%-kal, meghaladva a Claude Fable 5 69,9%-át, miközben az API becsült költsége 36,2%-kal alacsonyabb.
A GPT‑5.6 család egészében ugyanaz a cél: több sikeres munka dolláronként. A nagyobb hatékonyság megfizethetőbbé teszi a meglévő feladatokat. A nagyobb képesség egészen újfajta munkákat tesz lehetővé.
Minden új modellgenerációnak az egyenlet mindkét oldalát javítania kell. Az ügyfeleknek képesnek kell lenniük értékesebb munkát elvégezni, miközben az egyes feladatok befejezésének költsége tovább csökken.
A harmadik mérce a megbízhatóság.
Az MI használata jellemzően szakaszosan mélyül el. Először az MI a vázlatkészítésben segít. Ezután kontextust keres, és eszközökön, illetve adatokon átívelően érvel. Idővel elkezd műveleteket végrehajtani, kivételeket kezelni és munkafolyamatokat befejezni, miközben az emberek szükség esetén ítélőképességet és kontrollt biztosítanak.
Minden lépés több értéket teremt, és többet vár el a rendszertől.
A megbízhatóságnak közvetlen gazdasági értéke van. Ha az eredmények pontosak, jól forrásoltak, következetesek, és megfelelően eszkalálódnak, az emberek kevesebb időt töltenek ellenőrzéssel, javítással és a munka megismétlésével. A sikeres feladatok kevesebbe kerülnek, a szervezetek pedig magabiztosabban használhatják az MI-t fontosabb munkafolyamatokban.
A csapatok ezt három eredmény követésével tehetik kézzelfoghatóvá:
- Használatra kész: Az eredmény átadáskor megfelelt a minőségi elvárásoknak.
- Javításra szorul: Az eredmény újabb próbálkozást vagy emberi szerkesztést igényelt.
- Eszkalációt igényel: Egy embernek kellett közbelépnie és befejeznie a munkát.
Ezek a mutatók gazdagabb képet adnak, mint önmagában a modell pontossága. Megmutatják, hogy az MI valóban csökkenti-e a projekt befejezéséhez szükséges munkát.
A megbízhatósághoz világos határokra is szükség van. Mielőtt az MI a vázlatkészítéstől eljut a műveletek végrehajtásáig, a szervezeteknek meg kell határozniuk:
- Milyen adatokhoz férhet hozzá a rendszer.
- Milyen rendszereket használhat vagy módosíthat.
- Mikor kell egy embernek ellenőriznie vagy jóváhagynia egy műveletet.
A biztonság, az adatbiztonság, az adatvédelem és a kontroll teremti meg a mélyebb használat alapját. Az embereknek érteniük kell, hogyan viselkedik a rendszer, hogyan kezeli az adataikat, és milyen szabályok irányítják a műveleteit.
A ChatGPT Work a ChatGPT Enterprise biztonsági, adatvédelmi, megfelelőségi és munkaterület-kezelési alapjaira épül. Ez lehetővé teszi a szervezeteknek, hogy több kontextust és értékesebb munkafolyamatokhoz való hozzáférést adjanak az MI-nek, miközben fenntartják a megfelelő felügyeletet.
A képesség hozza az első használatot. A megbízhatóság teszi az MI-t a munkavégzés részévé.
Az utolsó kérdés az, hogy a gazdasági mutatók javulnak-e nagy léptékben.
A vállalatok ezt úgy mérhetik, hogy időben végigkövetik ugyanazt a munkafolyamatot. Kövessük nyomon, hány feladat felelt meg a minőségi elvárásoknak, mennyi volt az elvégzésük teljes költsége, és mennyi volt az egy sikeres feladatra jutó költség. Ha az elvégzett munka gyorsabban nő, mint a teljes költség, miközben a minőség megmarad vagy javul, akkor minden MI-re költött dollár több értéket termel.
A számítási kapacitás ennek az egyenletnek a középpontjában áll.
A számítási kapacitás hajtja a kutatást és minden feladatot, amelyet az MI elvégez. Meghatározza a termékminőséget, a sebességet, a megbízhatóságot, a rendelkezésre állást és a költséget. A tanítási számítási kapacitás jövőbeli képességeket épít. Az inferenciához használt számítási kapacitás ma szállít hasznos munkát. Mindkettőnek jobb eredményekké kell válnia az ügyfelek számára.
A jobb modellek, a hatékonyabb inferencia, a célhardver, a magasabb kihasználtság, az okosabb irányítás és az erősebb terméktervezés mind javítják a számítási kapacitás megtérülését. Az infrastruktúra minden generációja segít nagyobb képességű modelleket tanítani. A jobb algoritmusok, hardverek és szoftverek ezután segítenek hatékonyabban kiszolgálni ezeket a modelleket.
Az ügyfelek emberi szinten érzik ezeket a javulásokat: jobb válaszok, gyorsabb eredmények, kevesebb javítás, megbízhatóbb termékek és alacsonyabb költség a szükséges munka elvégzéséért.
A nyereségek összeadódnak. A jobb infrastruktúra felgyorsítja a kutatást. A kutatás nagyobb képességű és hatékonyabb modelleket eredményez. A jobb modellek jobb termékeket eredményeznek. A jobb termékek ösztönzik az elfogadást, a tanulást és a bevételt. Ez a növekedés támogatja a további beruházást a kutatás, a számítási kapacitás, a bevezetés és a biztonság következő generációjába.
Az OpenAI ezeket az elemeket egyetlen közös intelligenciaplatformon egyesíti. Az emberek a ChatGPT‑n és a ChatGPT Workön keresztül használják. A fejlesztők a Codexen és az API-n keresztül építenek rá. A vállalatok azokba a rendszerekbe vezetik be, ahol a munka zajlik.
Ha az egyik réteg javul, abból minden termék és ügyfél profitálhat.
E négy mérce együtt megmutatja, javul-e a hasznos intelligencia dolláronként.
A hasznos munka megmutatja, mit állít elő az MI. Az egy sikeres feladatra jutó költség megmutatja, mi kell az eredmény eléréséhez. A megbízhatóság megmutatja, a munka mekkora részét használhatják az emberek magabiztosan. A léptékbeli érték megmutatja, hogy idővel minden dollár és minden egységnyi számítási kapacitás többet végez-e el.
A cél olyan MI, amely segít az embereknek értelmesebb munkát végezni, jobb döntéseket hozni, és több időt tölteni munkájuk azon részeivel, amelyek kifejezetten emberi ítélőképességet és kreativitást igényelnek.
A mi feladatunk, hogy ezt az egyenletet minden generációval jobbá tegyük: nagyobb képességű modellekkel, gyorsabb és megbízhatóbb eredményekkel, valamint alacsonyabb költségekkel az ügyfelek számára szükséges munka elvégzéséhez.
Így válik az MI idővel egyre hasznosabbá egyre több ember és szervezet számára.
