OpenAI-topp lanserer ny målestokk for AI: «nytte per krone»

«I årevis ble programvare målt gjennom bruk: lisensplasser, aktive brukere og fornyelser. AI er annerledes – den må måles etter arbeidet som blir gjort», skrev Friar i et innlegg på LinkedIn .

Poenget er at lavest mulig tokenpris ikke nødvendigvis gir lavest kostnad per resultat. En modell som ofte gjør feil, kan bli dyrere enn en mer kostbar modell som løser oppgaven riktig på første forsøk .

Fire spørsmål for å måle avkastningen på AI

Friars metode erstatter uklare brukstall med fire konkrete spørsmål som til sammen utgjør et målekort for AI-investeringer .

1. Fullfører AI arbeid som betyr noe?

Virksomheten bør telle reelle oppgaver med et tydelig resultat: kundesaker som er løst, kodeendringer som er sendt ut eller kontrakter som er gjennomgått. Antall spørsmål, forespørsler eller genererte tokens sier mindre om verdien enn hva som faktisk blir ferdig .

«Tokens skaper verdi når de blir omgjort til arbeid mennesker kan bruke», skrev Friar . Det innebærer et skifte fra aktivitetsmål – hvor mye AI brukes – til effektmål: hva AI bidrar til å få gjort.

2. Hva koster hver vellykkede oppgave?

Her skal hele kostnaden regnes inn. Det inkluderer blant annet AI-kjøring, nye forsøk, menneskelig kvalitetssikring og omarbeiding .

En billig modell som må kontrolleres og korrigeres gjentatte ganger, kan derfor koste mer per godkjente resultat enn en dyrere modell som leverer riktig med én gang .

3. Hvor ofte blir resultatet riktig?

Neste mål er pålitelighet: Hvor stor andel av svarene er klare til bruk, og hvor ofte må de rettes, sendes videre eller vurderes av en medarbeider?

Færre menneskelige inngrep kan gi både lavere totalkostnad og større tillit til systemet. Pålitelighet blir dermed like viktig som hvor avansert AI-en er på papiret.

4. Skaper hver AI-krone mer verdi når bruken øker?

Selskaper bør følge med på om AI over tid kan fullføre mer arbeid av høy kvalitet uten at kostnadene vokser tilsvarende eller eksplosivt .

Friar knytter dette også til return on compute (ROC) – avkastning på datakraft – et uttrykk hentet fra økonomien rundt halvledere og datasentre. Spørsmålet er i praksis om investeringen gir en selvforsterkende effekt, eller om gevinsten blir mindre for hver nye oppgave.

Slik kan virksomheter ta metoden i bruk

Rammeverket er laget for å kunne kontrolleres med verktøy mange virksomheter allerede har . Først må teamet definere hva «ferdig» betyr i en bestemt arbeidsflyt. Deretter teller man vellykkede oppgaver, summerer alle kostnader – også tidsbruken til ansatte – og følger utviklingen i godkjenningsgrad og kvalitet .

Tilnærmingen behandler AI som en produktiv ressurs, ikke bare som en programvarelisens. Det kan gjøre det lettere for økonomi- og teknologiledere å svare på spørsmålet Friar sier hun ofte får fra andre finansdirektører: «Hvordan får vi mer verdi ut av AI-forbruket vårt?»

Hvorfor dette blir viktigere nå

Forslaget kommer samtidig som investeringene i AI i næringslivet har økt kraftig. OpenAI har selv rapportert månedlige inntekter på 1 milliard dollar og mer enn 500 millioner solgte bedriftsplasser . Samtidig mangler mange organisasjoner fortsatt en tydelig metode for å dokumentere avkastningen.

Friar har tidligere omtalt dette som «capability overhang» – et gap mellom det AI-systemer faktisk kan gjøre, og den forretningsverdien virksomheter klarer å hente ut .

Ved å koble resultat, kvalitet og alle relevante kostnader kan «nytte per krone» gi selskaper et mer etterprøvbart grunnlag for beslutninger. Målet er å flytte AI-investeringer fra magefølelse og forventninger til dokumenterte resultater.