AI 時代的評分卡

我從各地財務總監聽到的問題很簡單：我們如何從 AI 支出中獲得更多價值？

多年來，市場一直以採用情況衡量軟件成功：購買了多少席位、有多少活躍用戶、續訂了多少授權。要理解 AI 的價值，需要更有力的衡量標準：完成了多少工作。

財務總監和其他企業領袖面對的基本經濟問題，是 AI 完成工作的價值增長，是否快過完成這些工作的成本。

要回答這個問題，必須比每 Token 成本等指標看得更深入。成本較低的模型或許有較便宜的 Token，但要取得出色結果，可能需要更多嘗試、更多時間或更多人工審核。能力更強的模型或許 Token 較昂貴，卻能一次完成同一項任務。關鍵在於計算產生成功成果的總成本，並把這項成本與成果所創造的價值比較。

AI 時代的終極評分卡，可以視為「每美元實用智能」。這項指標回答四個關鍵問題：

1. AI 是否正在完成重要的工作？
2. 每項成功任務的成本是多少？
3. 人們能否信賴結果？
4. 隨着使用量增長，每一美元 AI 支出是否帶來更多價值？

先從工作本身開始。

AI 協助解決了多少客戶問題？它協助發佈了多少項程式碼變更？它審閱了多少份合約？它為人們節省了多少時間？有多少決策因在適當時刻取得適當背景資料而得到改善？

當 Token 轉化為人們可用的工作時，便會創造價值。隨着模型能力提升，它們可以承擔更長、更複雜的任務：保持背景資料、進行多步推理、跨工具工作，並在過程中調整。

最佳起點是一個工作流程。界定「完成」的意思，並在實際進行工作的系統中衡量該成果。

對支援團隊而言，「完成」可能是解決一宗客戶問題。對工程團隊而言，可能是通過測試的程式碼變更。對法律團隊而言，可能是準確並準時審閱一份合約。

以財務團隊準備預測檢討會議為例。許多工作都在作出最終決策之前發生：尋找最新預測、把數據匯入 Excel 或 Google 試算表、找出變化、核對各工作表、重製簡報，以及檢查所有數字是否完全吻合。

ChatGPT Work 可以承擔這個流程的大部分，讓團隊有更多時間專注於真正重要的問題：發生了甚麼變化？為甚麼？接下來我們應該怎樣做？

這就是每美元實用智能的實際體現。更多工作能更快完成，而人們可以把更多時間用於運用判斷力、創意和專業知識。

下一個問題是，要把這項工作做好需要多少成本。

AI 任務差異很大。快速回答可能只需少量運算資源。程式編寫、研究或財務工作流程，可能涉及更深入的推理、工具使用和多項操作。這些較複雜的任務可能需要更多運算資源，但也可以創造更多價值。

在模型層面，每項成功任務的成本取決於價格、使用的運算量，以及達到正確結果的可能性。對企業而言，總成本還包括員工時間、人工審核、重試和重做。

計算方法很直接：

• 把完成工作的全部成本加起來。
• 計算達到所需質素門檻的任務數量。
• 用全部成本除以成功任務數量。

這正是最低每 Token 價格不一定帶來每項成果最低成本的原因。即使是例行要求，前沿模型若能一次產生正確答案，減少重試、延遲、審核和總運算量，也可能帶來最佳價值。

分層模型系列讓客戶有更多方式優化這條方程式。我們上星期發佈的 GPT‑5.6 分為三個層級：Sol 是我們的旗艦；Terra 平衡效能與成本；Luna 則是我們最快且最實惠的模型。

這些層級提供了有用的起點。最終應由整項任務的經濟效益決定合適的模型。客戶可以把 Luna 用於快速、高用量工作流程；把 Terra 用於需要更深入處理的工作；或在更強推理能以更少嘗試交付最佳結果時使用 Sol。

我們訓練 GPT‑5.6，目標是從每個 Token 取得更多實用工作成果。在 Artificial Analysis Coding Agent Index 上，以 max 推理強度運行的 GPT‑5.6 Sol 達到新的最先進水平，同時比另一個領先模型少用 54% 輸出 Token。下圖展示了相關比較。

在整個 GPT‑5.6 系列中，目標一致：每美元可成功完成更多工作。效率更高，令現有任務成本更低。能力更強，令全新類型的工作成為可能。

每一代新模型都應同時改善這條方程式的兩邊。客戶應能完成更有價值的工作，同時每項任務的完成成本持續下降。

第三項衡量標準是可靠性。

企業對 AI 的應用通常會分階段逐步深入。首先，AI 協助起草。然後，它尋找背景資料，並在工具和數據之間進行推理。隨着時間推移，它開始採取行動、處理例外情況並完成工作流程，而人在需要時提供判斷和控制。

每一步都創造更多價值，也對系統提出更高要求。

可靠性具有直接經濟價值。當結果準確、資料來源可靠、一致，並能在適當情況下交由人員處理時，人們用於審核、修正和重做工作的時間就會減少。成功任務的成本降低，組織也更有信心在更重要的工作流程中使用 AI。

團隊可追蹤以下三種結果，具體衡量可靠性：

• 可直接使用：交付的結果已達到質素門檻。
• 需要修正：需要重試或由人手修改。
• 需要升級處理：需要人手介入並完成工作。

這些衡量標準比單看模型準確度更能呈現完整情況。它們顯示 AI 是否真正減少了完成項目所涉及的工作。

可靠性也需要清晰界線。在 AI 從起草轉向採取行動之前，組織應界定：

• 系統可以存取哪些數據。
• 它可以使用或更改哪些系統。
• 應在甚麼情況下由人員審核或批准某項行動。

安全、保安、私隱和控制，構成更深入使用的基礎。人們需要了解系統如何運作、他們的數據如何處理，以及其行動如何受到管治。

ChatGPT Work 建基於 ChatGPT Enterprise 的安全、私隱、合規和工作區管理基礎。這讓組織能在保持適當監督的同時，讓 AI 取得更多背景資料，並應用於更多高價值工作流程。

能力促使用戶首次採用；可靠性則令 AI 融入日常工作方式。

最後一個問題是，成本效益是否隨規模擴大而提升。

公司可以透過長期追蹤同一個工作流程來衡量這一點。追蹤有多少任務達到質素門檻、完成這些任務的總成本，以及每項成功任務的成本。如果完成的工作量增長快過總成本，而質素保持不變或有所提升，每一美元 AI 支出就正在產生更多價值。

運算資源處於這條方程式的核心。

運算資源支撐研究，以及 AI 完成的每項任務。它影響產品質素、速度、可靠性、可用性和成本。用於訓練的運算資源建立未來的模型能力；推理所用的運算資源則產出當下的實用工作成果。兩者都應轉化為客戶更佳的成果。

更佳模型、更高效推理、專用硬件、更高使用率、更智能的路由，以及更強的產品設計，都能提升運算資源回報。每一代基礎設施都有助訓練能力更強的模型。更佳算法、硬件和軟件，進而協助更有效率地提供模型服務。

客戶可從實際體驗中感受到這些改善：更好的答案、更快的結果、更少修正、更可靠的產品，並以更低成本完成所需工作。

這些效益會層層累積。更佳基礎設施加速研究。研究產生能力更強、效率更高的模型。更佳模型改善產品。更佳產品推動採用、學習和收入。這種增長支持持續投資於下一代研究、運算、部署和安全。

OpenAI 透過一個共享智能平台，把這些部分整合起來。人們透過 ChatGPT 和 ChatGPT Work 使用它。開發人員透過 Codex 和 API，運用這個平台進行開發。企業則把它部署至實際進行工作的系統。

當其中一層有所改善，每款產品和每位客戶都能受惠。

整體而言，這四項衡量標準告訴我們，每美元實用智能是否正在提升。

實用工作成果告訴我們 AI 產出了甚麼。每項成功任務的成本告訴我們達到成果需要付出甚麼。可靠性告訴我們，人們可以有信心使用多少工作成果。規模擴大時的價值則可顯示，每一美元和每一單位運算資源能否隨時間創造更多工作成果。

目標是讓 AI 幫助人們做更有意義的工作、作出更佳決策，並把更多時間用於工作中需要人類特有的判斷力和創意。

我們的任務，是在每一代都改善這條方程式：能力更強的模型、更快且更可靠的結果，並以更低成本完成客戶所需的工作。

這樣，AI 才能隨時間推移，為更多人和組織帶來更大作用。