OpenAI 提出用“每美元有效智能”衡量 AI 价值

OpenAI 于 2026 年 7 月 17 日发布一套商业衡量框架，建议企业用“每美元有效智能”来判断 AI 投入。其核心观点是，采用率和 token 单价都无法完整反映真正重要的结果：有多少有价值的工作达到了可接受的质量标准。

这套计分框架包含四部分：完成的有效工作、每项成功任务的完整成本、可靠性，以及随着使用规模扩大每一美元能否带来更多价值。它是企业提出的框架，并非中立的行业标准，但为团队提供了一个把 AI 讨论从活动量转向成果的实用方法。

衡量工作流，而不是提示词

该框架建议先选择一个工作流，并在实际发生工作的系统中定义“完成”意味着什么。对客服团队而言，可能是一个客户问题得到解决；对工程团队而言，可能是一项通过测试的代码变更；对法务工作而言，可能是准确且及时地完成审阅。

这也会改变成本计算方式。token 价格只是其中一项输入。任务的真实成本还包括计算资源、员工时间、重试、审核与返工。如果便宜的模型需要多次尝试，它在实际中可能更贵；若能力更强的模型能以更少干预完成任务，它反而可能更有价值。

可靠性也是经济问题

OpenAI 建议追踪结果是可以直接使用、需要修改，还是需要交由人工升级处理。这些分类很简单，却能区分流畅的回答和真正值得依赖的工作流结果。

在 AI 从起草走向执行之前，团队还需要明确边界：它可以访问哪些数据、可以更改哪些系统，以及何时必须由人审阅或批准。安全、隐私与控制并非投资回报之外的话题；它们会影响一个工作流需要多少审核、补救和信心成本。

团队下一步可以做什么

• 选择一个高频且定义清晰的工作流，而不是试图一次衡量所有 AI 使用。
• 在比较模型或供应商前先定义成功标准。
• 记录有意义的人工与系统成本，而不只看模型单价。
• 区分可直接使用的结果与需要编辑或人工升级的结果。
• 随时间重复衡量，确认质量保持的同时每项成功任务的成本是否下降。

Goodiebase 观点

“每美元有效智能”更适合被理解为决策框架，而不是通用 KPI。它最有价值的想法很直接：团队应在具体情境中衡量已完成且合格的工作。如果一个 AI 工具让活动数据看起来亮眼，却增加了审核循环、不确定性或隐藏运营成本，那么它的价值仍未得到证明。