Cara mengelola investasi AI di era agentik

Tujuan OpenAI adalah membuat AI makin mudah diakses, makin cakap, dan makin terjangkau dari waktu ke waktu. Dari GPT‑4 hingga GPT‑5.4, harga per satu juta token turun 97%. GPT‑5.6⁠ melanjutkan kemajuan itu, menghadirkan kinerja yang lebih baik di Artificial Analysis Coding Agent Index dengan token output 54% lebih sedikit dan waktu per tugas 57% lebih singkat.

Namun harga token saja tidak menunjukkan apakah AI menciptakan nilai. Para pemimpin perlu melihat pekerjaan bermanfaat per dolar: tugas yang selesai, waktu yang dihemat, keputusan yang membaik, dan alur kerja yang siap diskalakan.

Saat tim beralih dari obrolan ke alur kerja yang berjalan lebih lama, admin memerlukan visibilitas yang lebih jelas atas permintaan, pengeluaran, dan risiko. 

Berikut lima cara untuk berinvestasi dengan percaya diri.

Para pemimpin perusahaan membutuhkan gambaran yang jelas tentang penggunaan AI: siapa yang menggunakannya, produk atau model apa yang mereka gunakan, berapa banyak kapasitas yang mereka konsumsi, dan jenis pekerjaan apa yang didukung oleh penggunaan tersebut. Tanpa visibilitas itu, tagihan yang terus bertambah sulit ditafsirkan. Itu bisa mencerminkan pemborosan, eksperimen yang produktif, atau alur kerja yang mulai menjadi penting bagi bisnis.

ChatGPT Work⁠ mendukung tugas yang lebih panjang dan bertahap, sehingga penggunaan dapat sangat berbeda menurut alur kerja. Admin perlu melihat pekerjaan di balik penggunaan itu, bukan hanya kredit yang dikonsumsi. Hal ini dimungkinkan berkat tampilan bersama atas permintaan di seluruh ChatGPT. Analitik penggunaan dan kontrol pengeluaran⁠ yang diperbarui di Konsol Admin⁠(terbuka di jendela baru) membantu admin melihat adopsi, penggunaan kredit, dan pengeluaran menurut pengguna, produk, dan model; melacak tren dari waktu ke waktu; mengidentifikasi pola yang muncul; serta memahami kapan penggunaan mencerminkan adopsi luas, alur kerja pengguna intensif, atau proses bisnis berulang yang mungkin layak mendapat investasi lebih besar.

Wawasan pada berbagai tingkat membantu memandu keputusan investasi dan pemberdayaan:

• Workspace: Apakah adopsi dan pengeluaran bergerak bersama?
• Tim dan pengguna: Di mana permintaan tumbuh, dan siapa yang mungkin membutuhkan dukungan lebih besar?
• Produk dan model: Di mana kecerdasan yang lebih mahal digunakan, dan apakah permintaan itu berkelanjutan?

Bersama-sama, tampilan ini membantu admin memutuskan di mana harus berinvestasi, memberikan pembinaan, atau menetapkan batas.

Harga token terendah tidak selalu menghasilkan biaya total terendah. Model yang lebih murah bisa gagal, perlu mencoba ulang, atau menghasilkan pekerjaan yang harus diperbaiki. Model yang lebih cakap mungkin berbiaya lebih tinggi per token, tetapi dapat mencapai hasil yang dapat diterima lebih cepat, dengan lebih sedikit percobaan dan lebih sedikit peninjauan.

Evaluasi model berdasarkan pekerjaan yang harus dilakukannya. Gunakan evaluasi yang mencerminkan tugas nyata⁠, termasuk kasus tepi, dan tetapkan standar “cukup baik” sebelum pengujian. Lalu ukur biaya penuh untuk mencapai standar itu: penggunaan model dan alat, jumlah percobaan, tingkat penyelesaian, latensi, dan peninjauan manusia.

Untuk alur kerja prioritas, lacak biaya per hasil yang diterima. Dalam dukungan pelanggan, itu bisa berupa kasus yang terselesaikan. Dalam rekayasa, itu bisa berupa perubahan yang telah diuji dan lulus peninjauan. Pasangkan biaya itu dengan nilai bisnis seperti waktu yang dihemat, waktu siklus yang dipersingkat, pendapatan yang dilindungi, risiko yang dihindari, atau kapasitas yang tercipta.

Pilihan model hanyalah salah satu bagian dari persamaan. Instruksi yang jelas, alat yang terfokus, konteks yang dapat digunakan kembali, dan kondisi berhenti yang eksplisit dapat mengurangi perulangan dan pengeluaran yang sia-sia. Tujuannya adalah mencocokkan model dan alur kerja dengan tugas: gunakan model yang lebih kecil atau lebih cepat saat memenuhi standar kualitas, dan cadangkan kecerdasan terdepan untuk pekerjaan yang kompleks, ambigu, atau berisiko tinggi.

Para pemimpin perusahaan harus memperlakukan tata kelola sebagai lapisan operasional yang menentukan pekerjaan AI mana yang dapat diskalakan. Pekerjaan praktisnya adalah menentukan konteks apa yang dapat digunakan ChatGPT, alat mana yang dapat diaksesnya, tindakan apa yang dapat dilakukannya, siapa yang menyetujui langkah berisiko lebih tinggi, dan bagaimana kapasitas tambahan diberikan saat tim menemukan alur kerja yang bernilai.

Hal ini makin penting saat tim mengadopsi plugin, konektor, Penggunaan Komputer, dan kemampuan terdepan lain yang dapat beroperasi di berbagai sistem perusahaan. ChatGPT Work⁠ memberi admin kontrol terpusat untuk akses, konteks yang disetujui, alat terhubung, tindakan yang diizinkan, penggunaan, dan pengeluaran. Kontrol pengeluaran seperti default workspace, batas grup, penggantian individual, dan permintaan peninjauan dengan konteks proyek membantu pemimpin mendukung pekerjaan bernilai tinggi tanpa menaikkan batas secara luas.

Untuk deployment prioritas, Deployment Engineers⁠(terbuka di jendela baru) AI OpenAI dapat bekerja langsung dengan pelanggan pada evaluasi, arsitektur, latensi, keandalan, dan desain alur kerja untuk meningkatkan kinerja sekaligus efisiensi biaya. Privasi dan tata kelola harus menjadi bagian dari pekerjaan itu sejak awal: alur kerja sensitif memerlukan kontrol akses yang tepat, sikap retensi yang sesuai, visibilitas kepatuhan, dan jalur persetujuan sebelum diskalakan. Jika berlaku, kontrol privasi enterprise OpenAI, termasuk opsi Retensi Data Nol⁠(terbuka di jendela baru), dapat membantu pelanggan menerapkan AI di lingkungan dengan kepercayaan tinggi.

Para pemimpin perusahaan harus mengelola investasi AI sebagai portofolio: akses luas untuk produktivitas sehari-hari, alur kerja khusus fungsi yang meningkatkan pekerjaan berulang, dan sejumlah kecil taruhan strategis yang dibangun di atas konteks perusahaan yang khas. Kandidat terkuat adalah alur kerja yang berulang pada skala berarti, memiliki kepemilikan yang jelas, dan dapat diukur dari sisi kualitas, risiko, serta nilai bisnis.

Pendanaan harus mengikuti tingkat kematangan. Eksplorasi harus menguji apakah model dapat menangani tugas; validasi harus menguji kasus yang representatif terhadap standar kualitas yang jelas; pendanaan produksi harus mendukung integrasi, kontrol, keandalan, dan manajemen perubahan yang diperlukan untuk penskalaan. Kemampuan bersama seperti identitas, konektor tepercaya, pengetahuan terkurasi, evaluasi, observabilitas, perutean model, dan pola agen yang dapat digunakan kembali harus didanai secara terpusat agar setiap alur kerja baru lebih mudah dan lebih aman diluncurkan.

Setelah sebuah alur kerja membuktikan nilainya, pemimpin harus menyesuaikan produk, kapasitas, dan model dukungan dengan permintaannya. ChatGPT Work⁠ menyediakan kemampuan siap pakai untuk obrolan, coding, alur kerja agentik, konektor, plugin, Penggunaan Komputer, dan administrasi. Perusahaan dapat memperluas fondasi itu dengan data proprietari, izin, evaluasi, dan logika alur kerja ketika elemen-elemen tersebut menciptakan nilai yang terdiferensiasi.

Untuk beban kerja produksi, struktur komersial harus sesuai dengan pola penggunaan: Kapasitas Terjamin⁠ untuk sistem produksi dan agen yang membutuhkan kepastian akses, Tingkat Skala⁠ untuk beban kerja API bervolume tinggi yang dapat diprediksi, serta Batch API⁠(terbuka di jendela baru), pemrosesan Flex⁠(terbuka di jendela baru), atau Prompt Caching⁠ untuk pekerjaan asinkron atau konteks berulang.

Untuk deployment strategis yang lebih besar, OpenAI Frontier⁠ dan Deployment Company⁠(terbuka di jendela baru) dapat membantu perusahaan membangun, menerapkan, dan mengelola rekan kerja AI di seluruh sistem perusahaan. Pendekatan ini memungkinkan pemimpin menskalakan pekerjaan yang terbukti berhasil dengan produk, kapasitas, dan model dukungan yang tepat, alih-alih membuat setiap alur kerja membangun ulang infrastrukturnya sendiri.