OpenAI 管理控制台分析：将 AI 使用情况与业务价值关联起来
TL;DR
OpenAI 在 ChatGPT 管理控制台中引入了分析工具，将 ChatGPT Work 和 Codex 的使用情况、支出、任务分类和成果指标整合在一起，使管理员能够衡量 AI 的采用情况、识别培训需求，并将 AI 活动与具体的业务成果联系起来。
理解 AI 使用情况和支出
使用情况 视图汇总了 ChatGPT Work 和 Codex 的活跃用户、信用消耗和令牌使用情况。通过按组或单个用户进行筛选，管理员可以发现采用率低的区域，为工作流程审查提供依据，并优先安排培训或容量规划。
使用情况概览显示了 ChatGPT Work 和 Codex 中活跃用户和信用趋势。
查看工作团队如何使用 AI
洞察 选项卡包含一个任务分类器，可将消息样本归类到用例类别中（例如，软件工程、销售与收入）。概览 选项卡展示工作内容的总体构成，而 用例 选项卡则提供详细的表格，显示每个任务的信用消耗、消息数量和活跃用户数。管理员可按组筛选，以揭示各团队的主要 AI 支持工作流。
洞察概览显示了信用在各项任务中的分配情况，从功能实现到账户研究。
识别培训和支持的差距
任务级别的细分——模型、推理 和 速度——显示了每种设置所消耗的信用占比，帮助管理员评估所选模型配置是否与任务相匹配。插件排行榜 和 技能 视图揭示了哪些集成被使用不足或过度使用，提示潜在的访问问题或培训机会。
账户研究和规划分析显示了按模型、推理级别和速度划分的信用占比，以及插件和技能的使用情况。
跟踪 Codex 对工程成果的贡献
成果 视图报告了 Codex 生成的合并提交和代码行数，以及代码审查活动。通过按组、用户或仓库筛选，工程负责人可以评估采用趋势，并决定在何处扩展访问权限或提供额外支持。
成果视图跟踪了随时间推移，带有 Codex 贡献的合并提交和代码行数占比。
通过管理插件和 API 实现报告自动化
管理插件可直接在 ChatGPT Work 中生成可共享的报告——图表、关键发现和下一步建议。管理 API 使团队能够将分析数据导入自定义仪表板，并与外部业务系统数据（例如工单解决时间）结合使用。
管理插件比较团队信用趋势，并为月度推广审查总结变化情况。
将分析与业务成果关联起来
使用情况和任务数据提供基准；业务负责人补充关于流程变化、质量提升和货币影响的背景信息。结构化评估遵循五个问题：
- 您希望改进什么？（例如，更快的准备、更高的质量、更低的成本）
- 当前流程是什么样的？（基准频率、持续时间、质量标准）
- 引入 AI 后有何变化？（衡量 AI 增强的结果，包括审查工作量）
- 这带来了什么可能性？（额外的客户互动、减少返工等）
- 收益是否值得投入？（将收益与 AI 支出和支持成本进行比较）
示例投资回报率——销售账户研究
假设为虚构示例，仅用于说明。
- 节省时间： 每年 5,520 小时（20 名销售 × 每周 2 份简报 × 每份节省 3 小时 × 46 周）。
- 产能价值： 5,520 小时 × 50% 利用率 × 75 美元/小时 = 207,000 美元。
- 第一年 AI 成本： 60,000 美元。
- 示例投资回报率： (207,000 - 60,000) ÷ 60,000 ≈ 245%。
所有数据均为假设。投资回报率反映估算的产能价值，不包括更高胜率、更大交易规模或其他销售成果带来的潜在收益。
真实客户影响
- 1Password 使用 Codex 进行代码生成、审查和测试，报告实现了 553% 的投资回报率和每年 80 万美元的工程产能价值。
- ATV Big Air Tour 利用 ChatGPT Work 进行活动列表检查和库存规划，将列表审查时间从每周八小时减少到一小时，将库存工作时间从数天缩短到数小时。
- Playco 通过 OpenAI API 使用 GPT-6 Astra 原型开发游戏，与之前模型相比，手动修复次数减少了 50%。
开始使用
- 打开管理控制台中的 洞察。
- 选择一个高影响力的任务，并与相关业务负责人一起审查其分类。
- 就基准指标和要衡量的成果达成一致。
- 设定审查日期，收集数据，并决定是否扩展、优化或替换该工作流程。