事件概述

2026年7月14日，OpenAI 在其官方博客发布文章《How to manage AI investments in the agentic era》，面向企业管理者提出了五步系统性框架，帮助团队在从 chat 模式走向更长时间运行的 agent 工作流时，有效衡量 AI 的“每美元有用工作量”、控制成本，并投资于创造最大价值的场景。文章特别指出，从 GPT‑4 到 GPT‑5.4，每百万 token 价格已下降 97%，而最新的 GPT‑5.6 在编码工作流中实现 54% 的 output token 节省和 57% 的时间减少，但 token 价格本身并不能说明 AI 是否真正创造了价值。

关键技术点

  1. 提升使用与支出的可见性
    管理者需要清晰了解谁在使用 AI、使用哪种产品/模型、消耗多少容量、支撑何种工作。OpenAI 在 Admin Console 中更新了使用分析和支出控制功能，支持按工作空间、团队/用户、产品/模型分层洞察，帮助区分浪费、实验和有潜力的业务关键流程。

  2. 按结果 ROI 评估模型效率
    最低 token 价格不等于最低总成本。一个更廉价的模型可能因失败、重试或需要人工修正而产生额外成本。企业应基于真实任务构建评估（evals），定义“足够好”的标准，并追踪“每验收成果的成本”（cost per accepted outcome），例如客服场景中一个已解决的 case 或工程中一次通过 review 的变更。

  3. 在高级工作流规模化前进行治理
    治理应成为决定哪些 AI 工作可以规模化的“操作层”。管理者需要定义 ChatGPT 可以使用的上下文、访问的工具、允许的操作、高风险的审批路径以及能力扩容机制。ChatGPT Work 提供了集中化的访问、上下文、工具、操作和使用控制，支持工作空间默认限额、分组限制、个人覆盖、包含项目上下文的复核请求等功能。OpenAI 的 AI 部署工程师团队可直接帮助客户进行评估、架构、延迟、可靠性和工作流设计。

  4. 资助可产生复利的工作流
    企业应将 AI 投资视为组合：日常生产力（广泛访问）、职能特定工作流（可重复的重复性任务）、以及基于专有公司上下文的战略性布局。资助应随成熟度推进：探索期测试模型是否胜任任务；验证期在清晰质量标准下测试代表性案例；生产期投入集成、控制、可靠性和变更管理。共享能力（身份认证、可信连接器、知识库、评估、可观测性、模型路由、可复用 agent 模式）应集中资金支持。

  5. 将产能与已证明的需求相匹配
    一旦工作流证明价值，管理者应匹配合适的产品、容量和支持模式。ChatGPT Work 提供 chat、编码、agent 工作流、连接器、插件、计算机使用（Computer Use）和管理能力。企业可用专有数据、权限、评估和工作流逻辑进行扩展。对于生产负载，商业结构应与使用模式匹配：保障容量（Guaranteed Capacity）用于需要接入确定性的系统，阶梯定价（Scale Tier）用于可预测的高吞吐量 API 负载，Batch API、Flex Processing 或 Prompt Caching 用于异步或重复上下文的工作。

对数据科学或 AI Agent 落地的意义

  • 指标转型：数据团队需要超越 token 成本和响应延迟，设计“每美元有用工作量”的指标体系，将业务价值（如时间节省、决策质量、流程自动化率）与 AI 成本关联。这为数据科学提供了可操作的投资回报框架。
  • 评估与实践：文章强调真实任务评估和“good enough”标准，这正是数据科学家在模型部署落地中的核心挑战。它推动企业建立标准化的评估流水线，将模型替换、微调、prompt 优化等操作纳入成本-收益分析。
  • 治理与规模化：对于 AI Agent 的落地，治理不再是事后检查，而是“规模化前的操作层”。这要求数据科学和工程团队尽早与安全、法务和业务方协作，定义上下文、工具访问、审批路径等，否则 agent 工作流无法在合规环境中扩展。
  • 资源分配策略：将投资视为组合，并集中建设共享能力（如身份、知识、评估、可观测性），直接降低后续 agent 工作流的启动成本，对组织级 AI 平台的建设具有指导意义。

我的技术点评

OpenAI 这篇文章是企业 AI 部署从“尝鲜”走向“工程化”的里程碑式建议。它一针见血地指出：仅靠 token 价格和简单使用统计无法驱动决策。实际落地中，我见过太多团队用 GPT‑4 做所有事，或在最应该使用更强模型的复杂任务上贪图成本使用弱模型导致返工。文章提出的“成本 per 验收成果”指标是数据科学团队应该立即在 dashboard 中实现的度量。

治理部分尤其值得称赞——它没有空谈伦理，而是具体到“谁可以访问哪些工具、什么操作需要审批、如何按项目上下文申请额外预算”。这种可操作性的治理框架是当前大多数企业最缺乏的。结合 OpenAI 提供的 Admin Console 和部署工程师服务，可以看到 OpenAI 正在从模型提供商转型为企业级 AI 基础设施供应商。

另一个亮点是将投资组合理论引入 AI 投资：日常、职能、战略三层匹配不同的资助方式和成熟度门槛。这能有效避免“All-in 一个 agent”或“完全放任所有团队各自尝试”的两个极端。数据科学负责人可以参考此框架，与 CFO 和业务 VP 建立共同的 AI 投资语言。

需要注意的是，文章主要围绕 OpenAI 自身平台能力展开（ChatGPT Work、Admin Console、Deployment Engineers 等），其他云平台或模型提供商也可能有类似方案，企业应根据自身技术栈选择。另外，文中未详细说明如何具体定义和衡量“有用工作”，数据团队需要结合业务实际设计相应的 KPI。

原文链接

https://openai.com/index/managing-ai-investments-in-agentic-era