事件/产品概述

OpenAI 于 2026 年 9 月 16 日发布文章《How to connect AI usage to business value》，介绍 ChatGPT Admin Console 中的 Analytics 能力。该能力的核心目标，是帮助管理员和业务负责人回答三个问题：团队在哪些地方使用 AI、这些使用带来了什么工作成果、以及下一步应该把投入放在哪里。

根据原文，ChatGPT Admin Console 中的 Analytics 把 使用量与成本数据、任务洞察、成果指标 整合在一起，覆盖 ChatGPT Work 和 Codex 两条产品线。原文强调，单纯看使用量和支出只能讲一部分故事，管理员还需要看到“人们用 AI 做什么”以及“AI 帮他们完成了什么”。

文章的结构基本围绕管理员的工作流展开：先看使用量与支出，再看团队用 AI 做什么工作，然后识别培训和支撑需求，接着追踪 Codex 对工程成果的贡献，最后用 Admin 插件和 API 把分析接入业务决策。

关键技术点

1. Usage 视图：使用量与支出的统一视图

Usage 视图汇总了 ChatGPT Work 和 Codex 的 活跃用户、credits、token 使用量。管理员可以按组或按用户过滤，从而发现采用率偏低的地方。原文给出的典型动作是：当某个组的采用率较低时，管理员可以与团队负责人一起检查起始工作流和培训需求。

2. Insights 中的任务分类器

Insights 中的 task classifier（任务分类器） 会把一部分消息样本归类为用例和任务。原文举了两个例子：

  • 软件工程：包括功能开发和代码维护；
  • 销售与收入：包括客户研究和规划。

Overview 标签展示工作构成的整体比例，Use cases 标签提供带任务拆解明细的表格。管理员可以按组过滤，看到各团队如何使用 AI，再与业务负责人一起决定要评估哪些工作流和成果。

原文还给出了一个销售团队的示例：账户研究和规划是该团队最大的 credits 消耗项，这可以作为讨论“AI 如何改变客户准备方式”的起点。

3. 任务详情：模型、推理与速度的配置分解

在任务详情中，Models、Reasoning、Speed 三个维度的分解会显示每种设置在该任务 credits 中的占比。这个信息的用途是帮助管理员判断配置是否匹配工作性质，并把培训聚焦在模型选择上。

原文的例子是：一份例行简报，可能值得尝试更快或更低成本的配置，然后比较输出质量以及审查和修正所花的时间。

4. Plugin 排行榜与 Skills 视图

Plugin leaderboard 和 Skills 视图展示哪些工具在支撑某个任务。管理员可以据此聚焦培训，并决定哪些工作流需要维护或分享：

  • 相关插件使用率低，可能意味着存在访问权限或培训需求；
  • 高频使用的 skill，可能需要明确负责人并定期更新。

5. Outcomes 视图：Codex 对工程成果的贡献

Outcomes 视图展示 Codex 对 merged commits 和代码行数的贡献，以及代码审查活动。管理员和工程负责人可以使用趋势以及可用的组、用户或仓库过滤器，理解采用情况，并决定在哪些地方扩大访问权限或支持团队。

原文指出，如果 Codex 对合并代码的贡献比例持续增长，工程负责人可以把这一趋势与 审查时间、缺陷和返工 对照，评估它是否帮助团队更有效地交付软件。

6. Admin 插件与 Admin API

ChatGPT Work 中的 Admin 插件 允许管理员比较采用率、支出和任务，并把发现转化为预算和推广决策所需的报告。它还可以创建成品，例如带图表、关键发现和建议下一步的领导汇报 deck，直接分享给跨职能利益相关方。

Admin API 则允许团队在自己的仪表盘中自动化报告，并把分析数据与业务系统数据结合。原文给出的例子是：支持仪表盘可以同时显示 credit 使用量和工单解决时间。

7. 从分析到业务成果的方法论

原文把“连接分析到业务成果”描述为一个需要管理员和业务负责人共同完成的过程。使用和任务数据只是起点，业务负责人补充必要的上下文：工作流中发生了什么变化、结果是否改善、改善值多少钱。双方可以一起把产品活动连接到 交付时间、质量或盈利能力 等指标。

原文给出的销售示例是：管理员在 Admin Console 中看到账户研究在销售组很常见，于是检查模型选择是否匹配任务，在 CRM 插件使用不足的地方提供培训，并分享一个用于统一账户计划的 skill；销售负责人则把准备时间和计划质量与团队基线比较，并追踪节省下来的时间有多少进入客户对话、哪些对话成为合格机会、哪些机会最终成单，再用收入和贡献毛利判断额外产能是否带来财务收益。

原文还列出了探索工作流价值时的几个问题：

  1. 你想改进什么？
  2. 今天的流程是什么样？
  3. AI 改变了什么？
  4. 这为团队带来了哪些可能？
  5. 收益是否值得投入？

8. 示例 ROI 计算

原文给出了一个假设性的年度 ROI 示例，以销售账户研究为场景：

  • 20 名销售，每人每周准备 2 份账户简报，每份节省 3 小时，46 周：
    **20 × 2 × 3 × 46 =