Az OpenAI szerint az AI-beruházásoknál a hasznos munka ára számít

A tokenár önmagában nem elég

Az OpenAI 2026. július 14-én közzétett útmutatója szerint a mesterséges intelligencia célja, hogy idővel hozzáférhetőbbé, képességesebbé és megfizethetőbbé váljon. A vállalat állítása szerint a GPT-4 és a GPT-5.4 között 97 százalékkal csökkent az egymillió tokenre jutó ár.

Az OpenAI szerint a GPT-5.6 ezt a folyamatot folytatja: az Artificial Analysis Coding Agent Indexben jobb teljesítményt nyújt, miközben 54 százalékkal kevesebb kimeneti tokent használ, és egy feladatot 57 százalékkal kevesebb idő alatt végez el. A vállalat szerint azonban az ár önmagában nem mutatja meg, hogy az AI teremt-e értéket.

A vezetőknek ezért a hasznos munka dolláronkénti mennyiségét kell vizsgálniuk. Ide tartozhat a teljesített feladatok száma, a megtakarított idő, a jobb döntések és a skálázásra kész munkafolyamatok aránya.

Láthatóvá kell tenni a használatot és a kiadásokat

Az OpenAI első javaslata, hogy a vállalati vezetők kapjanak egyszerűen értelmezhető képet arról, ki használja az AI-t, milyen termékeket és modelleket vesz igénybe, mekkora kapacitást fogyaszt, és milyen munkát támogat vele. Egy növekvő számla önmagában nem árulja el, hogy pazarlásról, hasznos kísérletezésről vagy üzletileg fontossá váló folyamatról van-e szó.

A ChatGPT Work hosszabb, több lépésből álló feladatokat is támogat, ezért a használat munkafolyamatonként jelentősen eltérhet. Az OpenAI szerint az Admin Console frissített használati elemzései és költési szabályozói felhasználó, termék és modell szerint mutatják az elterjedtséget, a kreditfelhasználást és a kiadásokat. Az adminisztrátorok időbeli trendeket követhetnek, felismerhetik a kialakuló mintákat, és elkülöníthetik az általános használatot, az erős felhasználók munkáját és az ismétlődő üzleti folyamatokat.

Az OpenAI három nézőpontot emel ki: munkaterületi szinten az elfogadottság és a költés alakulását, csapat- és felhasználói szinten a növekvő igényt, termék- és modellszinten pedig azt, hogy tartósan szükség van-e drágább modellekre.

A modelleket a teljes eredményköltség alapján kell mérni

Az OpenAI szerint a legalacsonyabb tokenár nem feltétlenül jelenti a legalacsonyabb teljes költséget. Egy olcsóbb modell hibázhat, újrapróbálkozást igényelhet, vagy olyan eredményt adhat, amelyet később javítani kell. Egy drágább, képességesebb modell viszont gyorsabban elérheti az elfogadható eredményt, kevesebb próbálkozással és ellenőrzéssel.

A vállalat azt javasolja, hogy a modelleket valós feladatokat és szélsőséges eseteket tartalmazó értékelésekkel teszteljék. Előre meg kell határozni, mi számít megfelelő eredménynek, majd mérni kell a modell- és eszközhasználatot, a próbálkozások számát, a teljesítési arányt, a késleltetést és az emberi felülvizsgálat költségét.

A kiemelt munkafolyamatoknál az elfogadott eredményre jutó költség lehet a fő mutató. Ügyfélszolgálaton ez egy lezárt eset, mérnöki munkában pedig egy tesztelt, felülvizsgálaton átment módosítás lehet. Ehhez társítható a megtakarított idő, a rövidebb ciklusidő, a védett bevétel, az elkerült kockázat vagy a felszabadított kapacitás.

A világos utasítások, a célzott eszközök, az újrahasznosítható kontextus és a pontos leállási feltételek az OpenAI szerint csökkenthetik a fölösleges köröket és kiadásokat. A kisebb vagy gyorsabb modelleket azokon a feladatokon érdemes használni, ahol elérik a minőségi küszöböt, míg a legfejlettebb modellek az összetett, bizonytalan vagy nagy kockázatú munkákhoz illenek.

A bevált munkafolyamatokat fokozatosan kell felskálázni

Az OpenAI szerint a fejlett AI-munkafolyamatok irányítását már a skálázás előtt ki kell alakítani. Meg kell határozni, milyen kontextust használhat a ChatGPT, milyen eszközökhöz férhet hozzá, milyen műveleteket végezhet, ki hagyja jóvá a nagyobb kockázatú lépéseket, és mikor kaphat további kapacitást egy értékesnek bizonyuló folyamat.

Ez különösen fontos a bővítmények, csatlakozók, a Computer Use és más, vállalati rendszereken átívelő képességek alkalmazásakor. A ChatGPT Work központi hozzáférési, kontextus-, eszköz-, művelet-, használati és költési szabályozást kínál. A kiadási korlátok között munkaterületi alapértékek, csoportos limitek, egyéni felülbírálások és projektkörnyezettel kiegészített felülvizsgálati kérelmek szerepelnek.

A vállalat portfólióként javasolja kezelni az AI-beruházásokat: széles hozzáférést biztosítani a mindennapi munkához, külön munkafolyamatokat kialakítani az ismétlődő feladatokra, és kisebb számú stratégiai kezdeményezést építeni a vállalat saját kontextusára. A finanszírozást a felfedezéstől a reprezentatív teszteken át a termelési használatig fokozatosan kell növelni.

A már bizonyított munkafolyamatokhoz a terméket, a kapacitást és a támogatást a kereslethez kell igazítani. Az OpenAI a termelési rendszerekhez és ügynökökhöz Guaranteed Capacityt, kiszámítható nagy volumenű API-használathoz Scale Tiert, aszinkron vagy ismétlődő munkákhoz pedig a Batch API-t, a Flex processinget és a Prompt Cachinget említi. Nagyobb stratégiai bevezetésekhez az OpenAI Frontier és a Deployment Company nyújthat segítséget a vállalati rendszereken dolgozó AI-munkatársak létrehozásában, bevezetésében és kezelésében.