Hvordan styre KI-investeringer i den agentdrevne tidsalderen

OpenAIs mål er å gjøre KI mer tilgjengelig, kraftfull og rimelig over tid. Fra GPT‑4 til GPT‑5.4 falt prisen per million tokener med 97 %. Med GPT‑5.6⁠ fortsetter denne fremgangen med bedre ytelse i Artificial Analysis Coding Agent Index med 54 % færre genererte tokener og 57 % kortere tid per oppgave.

Men prisen per token alene viser ikke om KI skaper verdi. Ledere bør se på arbeidsutbytte per krone: fullførte oppgaver, spart tid, bedre beslutninger og arbeidsflyter som er klare for skalering.

Etter hvert som team går fra enkel chat til lengre arbeidsflyter, trenger administratorer bedre innsikt i behov, kostnader og risiko. 

Her er fem måter å investere trygt på.

Bedriftsledere trenger en tydelig oversikt over KI-bruk: hvem som bruker KI, hvilke produkter eller modeller de bruker, hvor mye kapasitet bruken krever, og hvilke arbeidsoppgaver den bidrar til. Uten denne oversikten er det vanskelig å vite hva en økende regning faktisk betyr. Den kan være et tegn på sløsing, men den kan også skyldes produktiv eksperimentering eller at KI har blitt en stadig viktigere del av bedriftens arbeidsprosesser.

ChatGPT Arbeid⁠ støtter lengre oppgaver med flere trinn, så bruken kan variere mye fra en arbeidsflyt til en annen. Administratorer må se arbeidsoppgavene som ligger bak bruken, ikke bare kredittene som brukes. Dette er mulig takket være en felles oversikt over bruken av ChatGPT i hele organisasjonen.. Med den oppdaterte bruksanalysen og kostnadskontrollen⁠ i administratorkonsollen⁠(åpnes i et nytt vindu) kan administratorer se utbredelsen av KI, kredittbruk og kostnad fordelt på bruker, produkt og modell; spore trender over tid; identifisere nye mønstre; samt forstå om bruken gjenspeiler omfattende utbredelse, arbeidsflyter hos avanserte brukere eller en gjentakende bedriftsprosess som det kan være lurt å investere mer i.

Innsikt på ulike nivåer bidrar til å styre beslutninger om investeringer og tilrettelegging:

• Arbeidsområde: Er utbredelsen av KI-bruk og kostnader i takt?
• Team og bruker: Hvor øker behovet, og hvem kan trenge mer støtte?
• Produkt og modell: Hvor brukes dyrere intelligens, og er dette behovet vedvarende?

Samlet sett hjelper disse innsiktene administratorer med å avgjøre hvor de bør investere, gi veiledning eller sette grenser.

Den laveste tokenprisen gir ikke alltid den laveste totalkostnaden. En billigere modell kan feile, prøve på nytt eller produsere resultater som må korrigeres. En mer kapabel modell kan koste mer per token, men oppnå et akseptabelt resultat raskere, med færre forsøk og mindre gjennomgang.

Evaluer modeller ut fra arbeidet de skal utføre. Bruk evalueringer basert på faktiske oppgaver⁠, inkludert grensetilfeller, og definer «godt nok» før testing. Mål deretter den totale kostnaden ved å nå denne standarden: modell- og verktøybruk, antall forsøk, fullføringsgrad, responstid og menneskelig gjennomgang.

For prioriterte arbeidsflyter bør du spore kostnad per godkjent resultat. Innen kundestøtte kan det være en sak som er løst. Innen utvikling kan det være en testet endring som består gjennomgang. Sett denne kostnaden i sammenheng med forretningsverdi, for eksempel spart tid, kortere syklustid, sikrede inntekter, unngått risiko eller frigjort kapasitet.

Valg av modell er bare én del av regnestykket. Tydelige instruksjoner, målrettede verktøy, bevart kontekst og klare kriterier for når arbeidet skal avsluttes kan redusere unødvendige runder og sløsing med ressurser. Målet er å tilpasse modell og arbeidsflyt til oppgaven: Bruk mindre eller raskere modeller når de oppfyller kvalitetskravet, og reserver banebrytende intelligens for komplekst, diffust arbeid eller arbeid der mye står på spill.

Bedriftsledere bør se på styring av KI som det operative rammeverket som avgjør hvilke KI-arbeidsprosesser som kan skaleres. Det praktiske arbeidet består i å definere hvilken informasjon ChatGPT kan bruke, hvilke verktøy den skal få tilgang til, hvilke handlinger den kan utføre, hvem som skal godkjenne trinn med høyere risiko, og hvordan ekstra kapasitet skal tildeles når team finner verdifulle arbeidsflyter.

Dette blir stadig viktigere etter hvert som team tar i bruk programtillegg, koblinger, Computer Use-funksjoner og andre banebrytende KI-funksjoner som kan operere på tvers av bedriftens systemer. ChatGPT Arbeid⁠ gir administratorer sentralisert kontroll over tilgang, godkjent kontekst, tilkoblede verktøy, tillatte handlinger, bruk og kostnader. Med kostnadskontroller som standardgrenser, gruppebaserte grenser, individuelle unntak og forespørsler om økt kapasitet med informasjon om prosjektet, kan ledere støtte verdifull KI-bruk uten å åpne opp for høyere grenser overalt.

For prioriterte utrullinger kan OpenAIs ingeniører for KI-implementering⁠(åpnes i et nytt vindu) samarbeide direkte med kunder om evaluering, systemdesign, responstid, stabilitet og arbeidsflyter for å forbedre både ytelse og kostnadseffektivitet. Personvern og styring bør være en del av arbeidet fra starten: Arbeidsflyter med sensitive opplysninger trenger riktige tilgangskontroller, gode regler for datalagring, oversikt over etterlevelse og tydelige godkjenningsløp før de skaleres. Der det er aktuelt, kan OpenAIs personvernkontroller for bedrifter, inkludert alternativer med ingen oppbevaring av data⁠(åpnes i et nytt vindu), hjelpe kunder med å ta i bruk KI i miljøer med strenge krav til tillit og sikkerhet.

Bedriftsledere bør forvalte KI-investeringer som en portefølje: bred tilgang for daglig produktivitet, funksjonsspesifikke arbeidsflyter som forbedrer repeterbart arbeid, og et mindre antall strategiske satsinger bygget rundt bedriftens unike kunnskap og data. De beste kandidatene er arbeidsflyter som gjentas i betydelig omfang, har tydelig eierskap og kan måles med hensyn til kvalitet, risiko og forretningsverdi.

Finansiering bør følge modenhet. Utforsking bør teste om modellen kan håndtere oppgaven; validering bør teste representative tilfeller opp mot en tydelig kvalitetsgrense; produksjonsfinansiering bør støtte integrasjonene, kontrollene, påliteligheten og endringsledelsen som kreves for å skalere. Fellesfunksjoner som identitetsstyring, sikre koblinger, kvalitetssikret kunnskap, evalueringer, innsyn i systembruk, modellruting og gjenbrukbare agentløsninger bør finansieres sentralt, slik at hver ny arbeidsflyt blir enklere og tryggere å ta i bruk.

Når en arbeidsflyt har vist at den skaper verdi, bør ledere tilpasse produkt, kapasitet og støtteopplegg etter behovet for denne bruken. ChatGPT Arbeid⁠ har ferdige funksjoner for chat, koding, agentbaserte arbeidsflyter, koblinger, programtillegg, Computer Use-funksjonalitet og administrasjon. Bedrifter kan utvide dette fundamentet med egne data, tilgangsregler, evalueringer og arbeidsflytlogikk der disse elementene skaper en særpreget verdi.

For KI-systemer i produksjon bør den kommersielle modellen tilpasses bruksmønsteret: garantert kapasitet⁠ for produksjonssystemer og agenter som trenger sikker tilgang, skaleringsnivå⁠ for forutsigbar API-bruk med høyt volum, og Batch API⁠(åpnes i et nytt vindu), Flex-behandling⁠(åpnes i et nytt vindu) eller promptbufring⁠ for asynkront arbeid eller gjentatt kontekst.

For større strategiske KI-satsinger kan OpenAI Frontier⁠ og Deployment Company⁠(åpnes i et nytt vindu) hjelpe bedrifter med å bygge, ta i bruk og administrere KI-medarbeidere som kan arbeide mellom ulike bedriftssystemer. Denne tilnærmingen gjør det mulig for ledere å skalere KI-løsninger som har vist sin verdi, med riktig produkt, kapasitet og støtteopplegg, i stedet for at hver arbeidsflyt må bygge sin egen infrastruktur på nytt.