如何把 AI 用量与业务价值关联起来
ChatGPT Admin Console 的 Analytics 将 Work 和 Codex 的使用量、成本与任务洞察汇总，帮管理员看清 AI 究竟用在哪。
中文
复制
了解团队如何使用 ChatGPT Work 和 Codex，看清支出背后的工作，并将其与可衡量的成果关联起来。
随着越来越多的团队使用 AI，管理员和业务负责人需要弄清楚 AI 在哪里创造价值、下一步该往哪里投入。使用量和支出只能说明一部分问题，管理员还需要看到人们用 AI 做什么，以及它帮助团队完成了什么。
ChatGPT Admin Console 中的 Analytics 将 ChatGPT Work 和 Codex 的使用量与成本数据、任务洞察和成果指标汇总在一起。
以下是管理员如何借助这些工具了解采用情况、支持团队并评估业务价值。
了解 AI 的使用量与支出
使用量分析能显示采用率在哪里增长、支出集中在何处，帮助管理员聚焦支持重点、审查成本、评估容量申请。Usage 视图汇总了 ChatGPT Work 和 Codex 的活跃用户、credits 和 token 使用量。例如，按群组或用户筛选可以看出哪些地方采用率偏低，管理员据此与团队负责人一起检查入门工作流和培训需求。
Usage 概览展示 ChatGPT Work 和 Codex 的活跃用户与 credit 趋势。所有截图均使用演示数据。
看清团队用 AI 做了哪些工作
Insights 中的任务分类器会对一部分消息进行抽样，按用例和任务归类，帮助管理员了解 AI 支撑了哪些工作。比如软件工程包含功能开发和代码维护，销售与营收则包含客户研究和规划。Overview 标签页一眼展示工作的构成；Use cases 标签页提供带任务明细的详细表格。管理员可以按群组筛选，查看各团队如何使用 AI，再与业务负责人一起决定评估哪些工作流和成果。
Insights 概览展示 credits 如何分布在不同任务上，从实现功能到客户研究。
下面这个销售团队的 Use cases 表显示，账户研究与规划消耗的 credits 最多——要讨论 AI 如何改变客户准备工作，可以从这里切入。
Use cases 表按任务拆解团队的工作，并列出 credits、消息数和活跃用户。
找出团队需要培训和支持的地方
在任务详情里，Models、Reasoning 和 Speed 三项明细展示了每种设置在某个任务中占用的 credits 比例。管理员可以据此判断当前配置是否匹配实际工作，并把培训重点放在模型选择上。比如一份例行简报，或许值得用更快或成本更低的配置试一下，再比较输出质量和审阅、修正所花的时间。
Plugin leaderboard 和 Skills 视图展示哪些工具在支撑某个任务，帮助管理员聚焦培训，并决定哪些工作流该保留或分享。相关插件使用率低，可能意味着权限或培训不到位；某个 skill 用得多，则需要明确负责人并定期更新。
“OpenAI 的分析让我们了解团队如何使用 AI，为后续的指导和政策打下基础。我们已经在 Agent Console（我们用于监控 AI agent 的产品）中使用 OpenAI 的任务分类，向客户展示他们的 agent 在做哪些工作。直接从 OpenAI 获取这些数据，让我们在客户 AI 使用量增长时，能更可靠地提供这些洞察。”
Bharadwaj Tanikella，Datadog AI 产品经理
追踪 Codex 对工程成果的贡献
Outcomes 视图展示 Codex 对已合并 commit 和代码行数的贡献，以及代码审查活动。趋势线加上可用的分组、用户或仓库筛选，能帮助管理员和工程负责人了解采用情况，并决定在哪里扩大权限或为团队提供支持。
如果 Codex 在已合并代码中的占比持续上升，工程负责人可以将这一趋势与评审时间、缺陷和返工情况对照，判断它是否真的帮助团队更高效地交付软件。
_Outcomes 视图跟踪一段时间内 Codex 参与贡献的已合并提交和代码行占比。
用 Admin 插件和 API 分析趋势、分享结论
ChatGPT Work 中的 Admin 插件让管理员对比采用情况、支出和任务，再把结论整理成报告，用于预算和推广决策。它还能直接产出成品，比如一份带图表、关键发现和后续建议的领导层演示文稿，随时可以分享给跨职能相关方。
借助 Admin API，团队可以在自己的仪表盘里自动生成报告，并把分析数据与业务系统数据结合起来。例如，支持团队的仪表盘可以同时展示额度使用情况和工单解决时长。
Admin 插件对比各团队的额度趋势，并为月度推广复盘总结变化。
把分析与业务结果挂钩
用量和任务数据只是起点，管理员需要和业务负责人一起挖掘价值。业务负责人补上评估所需的背景：工作流程发生了什么变化、结果是否改善、改善值多少钱。双方合作，才能把产品使用情况与交付时间、质量或盈利能力等指标联系起来。
假设 Admin Console 中的任务分类器显示，某个销售团队经常做客户调研。管理员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，并分享一个技能来统一客户计划的做法。销售负责人随后把准备时间和计划质量与团队基线对比。如果节省了时间，就继续追踪有多少时间投入到客户沟通、哪些沟通转化为合格商机、哪些商机最终成交。该业务的收入和边际贡献能说明，多出来的产能是否带来了财务收益。
要判断一个工作流有没有价值，先问几个问题：
- 你想改善什么？ 选一个对团队真正重要的结果，比如准备得更快、工作质量更高、成本更低，或者销量更多。
- 现在的流程是什么样？ 先确定一个基准：团队多久做一次这件事、每次花多长时间、什么样的结果算好。
- 有了 AI 之后有什么变化？ 在固定的一段时间里对比结果。把检查和修正所花的时间也算进去，确保做得快的同时仍然达到团队的质量标准。
- 这给团队腾出了什么？ 省下来的时间可能意味着和客户有更多交流。质量更高可能意味着更少的返工。和团队聊聊，看看这些改善在哪里最有用。
- 收益值不值得投入？ 把团队的收获和你在 AI、部署以及后续支持上的花费放在一起比。这能帮你决定扩大哪些用法，以及团队在哪些地方还需要更多支持。
示例：销售客户调研的年度 ROI
设想一个销售团队，每人每周准备两份客户简报。每份简报都要汇总客户历史、行业研究，以及下一次沟通的观点。
有了 AI 之后有什么变化？
加起来是多少？
每年省下的时间
20 名销售 × 每周 2 份简报 × 每份省 3 小时 × 46 周 = 5,520 小时
估算的年度产能价值
假设团队把其中 50% 的时间用于有产出的工作，按员工全成本每小时 75 美元计算。销售可以用这些时间接触新客户、跟进商机，以及花更多时间陪客户。
5,520 小时 × 50% × $75 = $207,000
第一年总成本
假设 AI、部署、培训和持续支持的费用为 $60,000。
（$207,000 − $60,000）÷ $60,000 = 245% 的示例性 ROI。
工作流的价值不止于生产力。在销售场景中，更充分的客户调研和团队对客户的统一认知，能带来更深入的沟通、更牢固的客户关系以及新的机会。团队随后可以衡量这些改善是否转化为额外的业务成果，比如缩短成交周期或提高赢单率。
所有数字均为假设。ROI 反映的是估算的产能价值，不包含赢单率提升、单笔成交金额增大或其他销售成果可能带来的收益。
客户用 AI 看到的业务影响
从交付软件到举办线下活动，客户正在把 AI 用在对其业务真正重要的任务上：
1Password** ** 用 Codex 构建、审查和测试软件，让工程师更快交付功能。该公司估算 ROI 达 553%，每年工程产能价值 $0.8M——借助 Codex 更快地构建生产级功能和内部工具，同时维持严格的安全策略。
ATV Big Air Tour** ** 用 ChatGPT Work 核查活动列表、规划库存并提升网站曝光度。列表核查从每周八小时降到一小时，库存相关工作从两到三天缩短到两到三小时，团队因此有更多时间专注于巡演和客户。
Playco 通过 OpenAI 的 API 使用 GPT‑6 Astra 构建并测试可玩的游戏原型。团队基于同一套基础做出三个主题原型，手动修复量比上一代模型减少 50%，开发者得以测试和比较更多想法。
如何开始
打开 Admin Console 中的 Insights，选择一个支撑业务优先事项的常见任务。与业务负责人一起审阅，商定基线和要衡量的结果，并定下复盘进度的日期。根据结果决定是扩大该工作流的范围、改进团队的使用方式，还是尝试另一种做法。更多内容见我们的文档：了解详情（在新窗口打开）。