AI युगासाठी स्कोअरकार्ड

सर्वत्र CFO मला विचारतात तो प्रश्न सोपा आहे: AI वरील खर्चातून अधिक मूल्य कसे मिळवायचे?

अनेक वर्षे बाजाराने सॉफ्टवेअरचे यश स्वीकाराच्या निकषांवर मोजले: खरेदी केलेल्या सीट्स, सक्रिय वापरकर्ते, नूतनीकरण झालेले परवाने. AI चे मूल्य समजून घेण्यासाठी अधिक प्रभावी मापदंड लागतो: पूर्ण झालेले काम.

CFO आणि इतर व्यवसाय नेत्यांसमोरील मूलभूत आर्थिक प्रश्न असा आहे की AI पूर्ण करत असलेल्या कामाचे मूल्य ते तयार करण्याच्या खर्चापेक्षा जलद वाढते का.

या प्रश्नाचे उत्तर देण्यासाठी प्रति टोकन खर्चासारख्या मेट्रिकपेक्षा अधिक खोलात पाहावे लागते. कमी खर्चाच्या मॉडेलचे टोकन स्वस्त असू शकतात, पण उत्तम निकाल मिळवण्यासाठी अधिक प्रयत्न, अधिक वेळ किंवा अधिक मानवी समीक्षा लागू शकते. अधिक सक्षम मॉडेलचे टोकन महाग असू शकतात, पण तेच काम ते एका प्रयत्नात पूर्ण करू शकते. महत्त्वाचा मुद्दा म्हणजे यशस्वी परिणाम तयार करण्याचा एकूण खर्च आणि त्या परिणामाने निर्माण केलेले मूल्य यांची तुलना.

AI युगासाठीचे अंतिम स्कोअरकार्ड “प्रति डॉलर उपयुक्त बुद्धिमत्ता” असे मानता येईल. हे मेट्रिक चार मुख्य प्रश्नांची उत्तरे देते:

1. AI महत्त्वाचे काम पूर्ण करत आहे का?
2. प्रत्येक यशस्वी कामाचा खर्च किती येतो?
3. लोक परिणामावर अवलंबून राहू शकतात का?
4. वापर वाढत असताना प्रत्येक AI डॉलर अधिक मूल्य निर्माण करतो का?

सुरुवात कामापासूनच करा.

AI ने ग्राहकांच्या किती समस्या सोडवायला मदत केली? त्याने कोडमधील किती बदल रिलीज करायला मदत केली? त्याने किती करारांचे परीक्षण केले? त्याने लोकांचा किती वेळ वाचवला? योग्य संदर्भ योग्य क्षणी उपलब्ध झाल्यामुळे किती निर्णय सुधारले?

टोकन जेव्हा लोक वापरू शकतील अशा कामात रूपांतरित होतात तेव्हा ते मूल्य निर्माण करतात. मॉडेल अधिक सक्षम होत गेली की ती अधिक लांब आणि गुंतागुंतीची कामे हाताळू शकतात: संदर्भ टिकवणे, अनेक टप्प्यांत रीझनिंग करणे, साधनांमध्ये काम करणे आणि वाटचालीत जुळवून घेणे.

सुरुवात करण्यासाठी सर्वोत्तम ठिकाण म्हणजे एक वर्कफ्लो. “पूर्ण” म्हणजे काय ते ठरवा आणि ज्या प्रणालीत काम घडते तिथे तो परिणाम मोजा.

सपोर्ट टीमसाठी “पूर्ण” म्हणजे ग्राहकाची समस्या सुटणे असू शकते. अभियांत्रिकी टीमसाठी ते चाचण्या उत्तीर्ण करणारा कोड बदल असू शकते. कायदेशीर टीमसाठी ते अचूकपणे आणि वेळेत तपासलेला करार असू शकते.

अंदाजाच्या आढाव्यासाठी तयारी करणाऱ्या वित्त टीमचा विचार करा. अंतिम निर्णय होण्यापूर्वीच बरेच काम होते: नवीनतम अंदाज शोधणे, डेटा Excel किंवा Sheets मध्ये हलवणे, बदल ओळखणे, टॅब जुळवणे, स्लाइड्स पुन्हा तयार करणे आणि सर्व बेरीज अगदी बरोबर आहे का ते तपासणे.

ChatGPT काम त्या प्रक्रियेचा मोठा भाग हाताळू शकते, त्यामुळे टीमला खरोखर महत्त्वाच्या प्रश्नांवर लक्ष देण्यासाठी अधिक वेळ मिळतो: काय बदलले? का? पुढे आपण काय करावे?

हेच प्रत्यक्षात प्रति डॉलर उपयुक्त बुद्धिमत्ता आहे. अधिक काम जलद पूर्ण होते, आणि लोक आपला अधिक वेळ निर्णयक्षमता, सर्जनशीलता आणि कौशल्य वापरण्यात घालवतात.

पुढचा प्रश्न म्हणजे ते काम नीट पूर्ण करण्याचा खर्च किती येतो.

AI ची कामे खूप वेगवेगळी असतात. झटपट उत्तरासाठी कमी संगणन लागू शकते. कोडिंग, संशोधन किंवा वित्तीय वर्कफ्लोमध्ये अधिक सखोल रीझनिंग, साधनांचा वापर आणि अनेक कृती असू शकतात. अशी अधिक गुंतागुंतीची कामे अधिक संगणन मागू शकतात, पण ती खूप अधिक मूल्य निर्माण करू शकतात.

मॉडेल पातळीवर, प्रत्येक यशस्वी कामाचा खर्च किंमत, वापरलेले संगणन आणि योग्य परिणाम मिळण्याची शक्यता यांवर अवलंबून असतो. व्यवसायासाठी एकूण खर्चात कर्मचाऱ्यांचा वेळ, मानवी समीक्षा, पुन्हा प्रयत्न आणि पुन्हा केलेले काम यांचाही समावेश होतो.

हिशेब सोपा आहे:

• काम पूर्ण करण्याचा पूर्ण खर्च जोडा.
• आवश्यक गुणवत्तेची पातळी गाठलेली कामे मोजा.
• पूर्ण खर्चाला यशस्वी कामांच्या संख्येने भागा.

म्हणूनच प्रति टोकन सर्वात कमी किंमत नेहमीच प्रति परिणाम सर्वात कमी खर्च देत नाही. अत्याधुनिक मॉडेल एका प्रयत्नात योग्य उत्तर देत असेल, पुन्हा प्रयत्न, विलंब, समीक्षा आणि एकूण संगणन कमी करत असेल, तर नियमित विनंतीसाठीही ते सर्वोत्तम मूल्य देऊ शकते.

स्तरीय मॉडेल कुटुंब ग्राहकांना हे समीकरण ऑप्टिमाइझ करण्याचे अधिक मार्ग देते. आम्ही गेल्या आठवड्यात रिलीज केलेल्या GPT‑5.6 मध्ये तीन स्तर आहेत: Sol आमचे फ्लॅगशिप आहे; Terra कामगिरी आणि खर्च यांचा समतोल राखते; Luna आमचे सर्वात जलद आणि सर्वात किफायतशीर मॉडेल आहे.

हे स्तर उपयुक्त प्रारंभबिंदू देतात. पूर्ण कामाच्या अर्थकारणाने शेवटी योग्य मॉडेल ठरवायला हवे. ग्राहक जलद, मोठ्या प्रमाणातील वर्कफ्लोसाठी Luna, अधिक खोली लागणाऱ्या कामासाठी Terra किंवा कमी प्रयत्नांत अधिक मजबूत रीझनिंग सर्वोत्तम परिणाम देते तेव्हा Sol वापरू शकतो.

प्रत्येक टोकनमधून अधिक उपयुक्त काम मिळावे म्हणून आम्ही GPT‑5.6 प्रशिक्षित केले. Artificial Analysis Coding Agent Index वर, कमाल रीझनिंगसह GPT‑5.6 Sol ने दुसऱ्या आघाडीच्या मॉडेलपेक्षा 54% कमी आउटपुट टोकन वापरून नवा सर्वोच्च मानक प्रस्थापित केला. खालील चार्ट ही तुलना दाखवतो.

GPT‑5.6 कुटुंबात सर्वत्र उद्दिष्ट तेच आहे: प्रति डॉलर अधिक यशस्वी काम. अधिक कार्यक्षमतेमुळे सध्याची कामे अधिक परवडणारी होतात. अधिक क्षमतेमुळे पूर्णपणे नव्या प्रकारचे काम शक्य होते.

मॉडेलच्या प्रत्येक नव्या पिढीने या समीकरणाच्या दोन्ही बाजू सुधारायला हव्यात. ग्राहकांना अधिक मौल्यवान काम साध्य करता यायला हवे आणि त्याच वेळी प्रत्येक काम पूर्ण करण्याचा खर्च सतत कमी होत राहायला हवा.

तिसरा मापदंड म्हणजे विश्वासार्हता.

AIचा स्वीकार टप्प्याटप्प्याने अधिक सखोल होत जातो. सुरुवातीला AI मसुदे तयार करण्यात मदत करते. नंतर ते संदर्भ शोधते आणि साधने व डेटामधून रीझनिंग करते. कालांतराने ते कृती करणे, अपवाद हाताळणे आणि वर्कफ्लो पूर्ण करणे सुरू करते, तर जिथे गरज असते तिथे लोक निर्णयक्षमता आणि नियंत्रण पुरवतात.

प्रत्येक पाऊल अधिक मूल्य निर्माण करते आणि प्रणालीकडून अधिक अपेक्षा ठेवते.

विश्वासार्हतेला थेट आर्थिक मूल्य असते. निकाल अचूक, योग्य स्रोतांसह, सातत्यपूर्ण आणि योग्य वेळी पुढे पाठवलेले असतील, तर लोकांना समीक्षा, दुरुस्ती आणि कामाची पुनरावृत्ती यावर कमी वेळ घालवावा लागतो. यशस्वी कामांचा खर्च कमी होतो आणि संस्थांना अधिक महत्त्वाच्या वर्कफ्लोमध्ये AI वापरण्याचा आत्मविश्वास मिळतो.

टीम्स तीन परिणामांचा मागोवा घेऊन हे ठोस करू शकतात:

• वापरण्यास तयार: दिलेला परिणाम गुणवत्तेच्या निकषांवर योग्य ठरला.
• दुरुस्ती आवश्यक: परिणामासाठी आणखी एक प्रयत्न किंवा मानवी संपादने लागली.
• पुढे पाठवणे आवश्यक: एखाद्या व्यक्तीला मध्ये पडून काम पूर्ण करावे लागले.

हे मापदंड फक्त मॉडेलच्या अचूकतेपेक्षा अधिक समृद्ध चित्र देतात. ते दाखवतात की प्रकल्प पूर्ण करण्यासाठी लागणारे काम AI खरोखर कमी करत आहे का.

विश्वासार्हतेसाठी स्पष्ट मर्यादाही आवश्यक असतात. AI मसुदा तयार करण्यापासून कृती करण्याकडे जाण्यापूर्वी संस्थांनी हे निश्चित करावे:

• प्रणाली कोणत्या डेटामध्ये प्रवेश करू शकते.
• ती कोणत्या प्रणाली वापरू किंवा बदलू शकते.
• कधी एखाद्या व्यक्तीने कृतीची समीक्षा करावी किंवा मंजुरी द्यावी.

सुरक्षा, गोपनीयता आणि नियंत्रण अधिक सखोल वापराचा पाया घालतात. प्रणाली कशी वागते, त्यांचा डेटा कसा हाताळला जातो आणि तिच्या कृतींवर कसे शासन केले जाते हे लोकांना समजणे आवश्यक आहे.

ChatGPT Work हे ChatGPT Enterprise च्या सुरक्षा, गोपनीयता, अनुपालन आणि वर्कस्पेस-व्यवस्थापनाच्या पायावर उभे आहे. यामुळे योग्य देखरेख राखून संस्थांना AI ला अधिक संदर्भ आणि अधिक मौल्यवान वर्कफ्लोमध्ये प्रवेश देता येतो.

क्षमता पहिला वापर मिळवून देते. विश्वासार्हता AI ला काम होण्याच्या पद्धतीचा भाग बनवते.

अंतिम प्रश्न असा आहे की प्रमाण वाढल्यावर अर्थकारण सुधारते का.

कंपन्या कालांतराने त्याच वर्कफ्लोचा मागोवा घेऊन हे मोजू शकतात. किती कामे गुणवत्तेच्या निकषांवर योग्य ठरली, ती पूर्ण करण्याचा एकूण खर्च आणि प्रत्येक यशस्वी कामाचा खर्च यांचा मागोवा घ्या. गुणवत्ता टिकून राहिली किंवा सुधारली आणि पूर्ण झालेले काम एकूण खर्चापेक्षा जलद वाढले, तर प्रत्येक AI डॉलर अधिक मूल्य निर्माण करत आहे.

या समीकरणाच्या केंद्रस्थानी संगणन आहे.

संगणन संशोधनाला आणि AI पूर्ण करत असलेल्या प्रत्येक कामाला शक्ती देते. ते उत्पादनाची गुणवत्ता, वेग, विश्वासार्हता, उपलब्धता आणि खर्च घडवते. प्रशिक्षणासाठीचे संगणन भविष्यातील क्षमता उभारते. इन्फरन्ससाठीचे संगणन आज उपयुक्त काम देते. दोन्ही ग्राहकांसाठी चांगल्या परिणामांत रूपांतरित व्हायला हवेत.

चांगली मॉडेल, अधिक कार्यक्षम इन्फरन्स, खास तयार केलेले हार्डवेअर, अधिक वापर, अधिक स्मार्ट रूटिंग आणि अधिक मजबूत उत्पादन रचना हे सर्व संगणनावरील परतावा सुधारतात. पायाभूत सुविधांची प्रत्येक पिढी अधिक सक्षम मॉडेल प्रशिक्षित करण्यात मदत करते. त्यानंतर चांगले अल्गोरिदम, हार्डवेअर आणि सॉफ्टवेअर त्या मॉडेलला अधिक कार्यक्षमतेने सेवा देण्यासाठी मदत करतात.

ग्राहकांना हे सुधार मानवी भाषेत अनुभवायला मिळतात: चांगली उत्तरे, जलद निकाल, कमी दुरुस्त्या, अधिक विश्वासार्ह उत्पादने आणि त्यांना हवे असलेले काम करून घेण्याचा कमी खर्च.

लाभ चक्रवाढीने वाढतात. चांगल्या पायाभूत सुविधा संशोधनाला गती देतात. संशोधन अधिक सक्षम आणि कार्यक्षम मॉडेल निर्माण करते. चांगली मॉडेल उत्पादने सुधारतात. चांगली उत्पादने स्वीकार, शिकणे आणि महसूल वाढवतात. ती वाढ संशोधन, संगणन, उपयोजन आणि सुरक्षा यांच्या पुढील पिढीत सातत्याने गुंतवणूक करण्याला आधार देते.

OpenAI हे सर्व घटक एका सामायिक बुद्धिमत्ता प्लॅटफॉर्मद्वारे एकत्र आणते. लोक ते ChatGPT आणि ChatGPT Work मधून वापरतात. डेव्हलपर Codex आणि API मधून त्यावर बांधणी करतात. एंटरप्रायझेस ते ज्या प्रणालींमध्ये काम होते तिथे उपयोजित करतात.

एक स्तर सुधारला की प्रत्येक उत्पादन आणि ग्राहकाला त्याचा लाभ मिळू शकतो.

एकत्रितपणे हे चार मापदंड सांगतात की प्रति डॉलर उपयुक्त बुद्धिमत्ता सुधारत आहे का.

उपयुक्त काम AI काय निर्माण करते ते सांगते. यशस्वी कामामागील खर्च परिणामापर्यंत पोहोचण्यासाठी काय लागते ते सांगतो. विश्वासार्हता लोक किती काम आत्मविश्वासाने वापरू शकतात ते सांगते. प्रमाणावरील मूल्य प्रत्येक डॉलर आणि संगणनाचे प्रत्येक एकक कालांतराने अधिक साध्य करते का ते सांगते.

उद्दिष्ट असे AI आहे जे लोकांना अधिक अर्थपूर्ण काम करायला, चांगले निर्णय घ्यायला आणि त्यांच्या नोकरीतील स्पष्टपणे मानवी निर्णयक्षमता व सर्जनशीलता लागणाऱ्या भागांवर अधिक वेळ द्यायला मदत करते.

प्रत्येक पिढीसोबत हे समीकरण सुधारणे हे आमचे काम आहे: अधिक सक्षम मॉडेल, जलद आणि अधिक विश्वासार्ह परिणाम, आणि ग्राहकांना हवे असलेले काम करून घेण्यासाठी कमी खर्च.

यातूनच AI कालांतराने अधिक लोक आणि संस्थांसाठी अधिक उपयुक्त बनते.