Ocenjevalna kartica za dobo umetne inteligence

Vprašanje, ki ga povsod slišim od finančnih direktorjev, je preprosto: kako lahko iz svojih naložb v umetno inteligenco dobimo več vrednosti?

Trg je uspeh programske opreme leta meril po stopnji sprejetja: kupljenih uporabniških mestih, aktivnih uporabnikih in obnovljenih licencah. Razumevanje vrednosti umetne inteligence zahteva močnejše merilo: opravljeno delo.

Osnovno ekonomsko vprašanje za finančne direktorje in druge poslovne voditelje je, ali vrednost dela, ki ga opravi umetna inteligenca, raste hitreje kot strošek njegove izvedbe.

Za odgovor na to vprašanje moramo pogledati globlje od metrike, kot je strošek na žeton. Cenejši model ima lahko cenejše žetone, a za odlične rezultate je morda potrebnih več poskusov, več časa ali več človeškega pregledovanja. Zmogljivejši model ima lahko dražje žetone, vendar isto nalogo opravi v enem poskusu. Pomemben je celoten strošek uspešnega izida v primerjavi z vrednostjo, ki jo ta izid ustvari.

Najustreznejšo ocenjevalno kartico za dobo umetne inteligence lahko razumemo kot »uporabno inteligenco na dolar«. Ta metrika odgovarja na štiri ključna vprašanja:

1. Ali umetna inteligenca opravlja delo, ki je pomembno?
2. Koliko stane vsaka uspešna naloga?
3. Ali se ljudje lahko zanesejo na rezultat?
4. Ali vsak dolar za umetno inteligenco z rastjo uporabe ustvari več vrednosti?

Začnite pri samem delu.

Koliko težav strank je umetna inteligenca pomagala rešiti? Koliko sprememb kode je pomagala izdati? Koliko pogodb je pregledala? Koliko časa je vrnila ljudem? Koliko odločitev se je izboljšalo, ker je bil pravi kontekst na voljo v pravem trenutku?

Žetoni ustvarijo vrednost, ko se spremenijo v delo, ki ga ljudje lahko uporabijo. Ko modeli postajajo zmogljivejši, lahko prevzamejo daljše in bolj zapletene naloge: ohranjajo kontekst, sklepajo skozi več korakov, delajo z različnimi orodji in se sproti prilagajajo.

Najbolje je začeti z enim delovnim tokom. Opredelite, kaj pomeni »opravljeno«, in ta izid merite v sistemu, kjer se delo izvaja.

Za ekipo za podporo lahko »opravljeno« pomeni rešeno težavo stranke. Za inženirsko ekipo lahko pomeni spremembo kode, ki uspešno prestane teste. Za pravno ekipo lahko pomeni pogodbo, pregledano natančno in pravočasno.

Vzemimo finančno ekipo, ki se pripravlja na pregled napovedi. Veliko dela se zgodi pred končno odločitvijo: iskanje najnovejše napovedi, prenos podatkov v Excel ali Preglednice, prepoznavanje sprememb, usklajevanje zavihkov, ponovna priprava predstavitev in preverjanje, da se vse popolnoma ujema.

ChatGPT Work lahko prevzame velik del tega procesa in ekipi omogoči več časa za vprašanja, ki so pomembna: Kaj se je spremenilo? Zakaj? Kaj naj storimo zdaj?

To je uporabna inteligenca na dolar v praksi. Več dela je opravljenega hitreje, ljudje pa več časa namenijo presoji, ustvarjalnosti in strokovnemu znanju.

Naslednje vprašanje je, koliko stane dobro opraviti to delo.

Naloge umetne inteligence se zelo razlikujejo. Hiter odgovor lahko zahteva malo računskih virov. Potek dela pri kodiranju, raziskavah ali financah lahko vključuje globlje sklepanje, uporabo orodij in številna dejanja. Te zahtevnejše naloge lahko zahtevajo več računskih virov, vendar lahko ustvarijo veliko več vrednosti.

Na ravni modela je strošek na uspešno nalogo odvisen od cene, količine porabljenih računskih virov in verjetnosti, da dosežemo pravi rezultat. Za podjetje celoten strošek vključuje tudi čas zaposlenih, človeški pregled, ponovne poskuse in popravke.

Izračun je preprost:

• Seštejte celoten strošek izvedbe dela.
• Preštejte naloge, ki so dosegle zahtevani prag kakovosti.
• Celoten strošek delite s številom uspešnih nalog.

Zato najnižja cena na žeton ne prinese vedno najnižjega stroška na izid. Prelomni model lahko tudi pri rutinski zahtevi zagotovi najboljšo vrednost, če v enem poskusu poda pravi odgovor ter zmanjša ponovne poskuse, zakasnitev, pregled in skupno porabo računskih virov.

Večstopenjska družina modelov strankam ponuja več možnosti za optimizacijo te enačbe. GPT‑5.6, ki smo ga izdali prejšnji teden, ima tri ravni: Sol je naš vodilni model; Terra uravnoteži zmogljivost in strošek; Luna je naš najhitrejši in cenovno najdostopnejši model.

Te ravni so uporabna izhodišča. O pravem modelu bi morala na koncu odločati ekonomika celotne naloge. Stranka lahko uporabi Luno za hiter delovni tok z velikim obsegom, Terro za delo, ki zahteva večjo globino, ali Sol, ko močnejše sklepanje z manj poskusi prinese najboljši rezultat.

GPT‑5.6 smo učili tako, da iz vsakega žetona pridobi več uporabnega dela. Na indeksu Artificial Analysis Coding Agent Index je GPT‑5.6 Sol z največjim sklepanjem postavil novo najvišjo raven dosežkov, pri tem pa porabil 54 % manj izhodnih žetonov kot drug vodilni model. Spodnji grafikon prikazuje primerjavo.

V družini GPT‑5.6 je cilj povsod enak: več uspešnega dela na dolar. Večja učinkovitost obstoječe naloge poceni. Večja zmogljivost omogoča povsem nove vrste dela.

Vsaka nova generacija modelov bi morala izboljšati obe strani te enačbe. Stranke bi morale imeti možnost opraviti več dragocenega dela, hkrati pa bi moral strošek izvedbe vsake naloge še naprej padati.

Tretje merilo je zanesljivost.

Sprejemanje umetne inteligence se običajno poglablja postopoma. Najprej umetna inteligenca pomaga pri pripravi osnutkov. Nato poišče kontekst ter sklepa čez orodja in podatke. Sčasoma začne ukrepati, obravnavati izjeme in dokončevati delovne tokove, ljudje pa po potrebi zagotavljajo presojo in nadzor.

Vsak korak ustvarja več vrednosti in od sistema zahteva več.

Zanesljivost ima neposredno ekonomsko vrednost. Ko so rezultati točni, dobro podprti z viri, dosledni in ustrezno eskalirani, ljudje porabijo manj časa za pregledovanje, popravljanje in ponavljanje dela. Uspešne naloge stanejo manj, organizacije pa pridobijo zaupanje, da umetno inteligenco uporabijo v pomembnejših delovnih tokovih.

Ekipe lahko to konkretizirajo s spremljanjem treh izidov:

• Pripravljeno za uporabo: rezultat je že ob dostavi dosegel prag kakovosti.
• Potrebuje popravek: rezultat je zahteval še en poskus ali človeške popravke.
• Potrebuje eskalacijo: oseba je morala poseči v delo in ga dokončati.

Ta merila povedo bogatejšo zgodbo kot sama natančnost modela. Pokažejo, ali umetna inteligenca res zmanjšuje delo, potrebno za dokončanje projekta.

Zanesljivost zahteva tudi jasne meje. Preden umetna inteligenca preide od priprave osnutkov k ukrepanju, bi morale organizacije opredeliti:

• Do katerih podatkov lahko sistem dostopa.
• Katere sisteme lahko uporablja ali spreminja.
• Kdaj mora oseba pregledati ali odobriti dejanje.

Varnost, zaščita, zasebnost in nadzor ustvarjajo temelje za globljo uporabo. Ljudje morajo razumeti, kako se sistem vede, kako se ravna z njihovimi podatki in kako so njegova dejanja upravljana.

ChatGPT Work gradi na temeljih varnosti, zasebnosti, skladnosti in upravljanja delovnega prostora v ChatGPT Enterprise. To organizacijam omogoča, da umetni inteligenci zagotovijo več konteksta in dostop do dragocenejših delovnih tokov, pri tem pa ohranijo ustrezen nadzor.

Zmogljivost omogoči prvo uporabo. Zanesljivost umetno inteligenco vključi v način opravljanja dela.

Zadnje vprašanje je, ali se ekonomika izboljšuje z obsegom.

Podjetja lahko to merijo tako, da skozi čas spremljajo isti delovni tok. Spremljajte, koliko nalog je doseglo prag kakovosti, skupni strošek njihove izvedbe in strošek na uspešno nalogo. Če opravljeno delo raste hitreje kot skupni strošek, kakovost pa ostaja enaka ali se izboljšuje, vsak dolar za umetno inteligenco ustvarja več vrednosti.

Računski viri so v središču te enačbe.

Računski viri poganjajo raziskave in vsako nalogo, ki jo opravi umetna inteligenca. Vplivajo na kakovost izdelkov, hitrost, zanesljivost, razpoložljivost in stroške. Računski viri za učenje gradijo prihodnje zmogljivosti. Računski viri za sklepanje danes zagotavljajo uporabno delo. Oboji bi se morali prevesti v boljše izide za stranke.

Boljši modeli, učinkovitejše sklepanje, namensko zasnovana strojna oprema, večja izkoriščenost, pametnejše usmerjanje in močnejša zasnova izdelkov izboljšujejo donos na računske vire. Vsaka generacija infrastrukture pomaga učiti zmogljivejše modele. Boljši algoritmi, strojna oprema in programska oprema nato pomagajo te modele izvajati učinkoviteje.

Stranke te izboljšave občutijo po človeško: boljši odgovori, hitrejši rezultati, manj popravkov, zanesljivejši izdelki in nižji strošek dela, ki ga potrebujejo.

Koristi se seštevajo. Boljša infrastruktura pospešuje raziskave. Raziskave ustvarjajo zmogljivejše in učinkovitejše modele. Boljši modeli izboljšujejo izdelke. Boljši izdelki spodbujajo sprejemanje, učenje in prihodke. Ta rast podpira nadaljnje naložbe v naslednjo generacijo raziskav, računskih virov, uvajanja in varnosti.

OpenAI te dele povezuje v eni skupni platformi inteligence. Ljudje jo uporabljajo prek ChatGPT‑ja in ChatGPT Work. Razvijalci z njo gradijo prek Codexa in API-ja. Podjetja jo uvajajo v sisteme, kjer poteka delo.

Ko se izboljša ena plast, lahko koristi vsak izdelek in vsaka stranka.

Skupaj nam ta štiri merila povedo, ali se uporabna inteligenca na dolar izboljšuje.

Uporabno delo nam pove, kaj umetna inteligenca ustvari. Strošek na uspešno nalogo nam pove, kaj je potrebno za dosego izida. Zanesljivost nam pove, koliko dela lahko ljudje samozavestno uporabijo. Vrednost v obsegu nam pove, ali vsak dolar in vsaka enota računskih virov sčasoma dosežeta več.

Cilj je umetna inteligenca, ki ljudem pomaga opravljati bolj smiselno delo, sprejemati boljše odločitve in več časa nameniti delom svojega dela, ki zahtevajo izrazito človeško presojo in ustvarjalnost.

Naša naloga je, da to enačbo izboljšamo z vsako generacijo: zmogljivejši modeli, hitrejši in zanesljivejši rezultati ter nižji stroški za delo, ki ga stranke potrebujejo.

Tako umetna inteligenca sčasoma postane uporabnejša za več ljudi in organizacij.