„Użyteczna inteligencja za dolara”. OpenAI proponuje nową miarę zwrotu z inwestycji w AI

„Przez lata oprogramowanie mierzono adopcją: liczbą stanowisk, aktywnych użytkowników i odnowień. AI jest inne — trzeba je mierzyć wykonaną pracą” — napisała Friar na LinkedIn .

Jej propozycja podważa założenie, że najniższy koszt tokena automatycznie oznacza najniższy koszt osiągniętego rezultatu. Model, który często się myli i wymaga poprawek, może okazać się droższy niż rozwiązanie premium, które poprawnie wykonuje zadanie za pierwszym razem .

Cztery pytania, które mają mierzyć zwrot z AI

1. Czy AI wykonuje pracę, która ma znaczenie?

Firmy powinny liczyć rzeczywiste zadania zakończone z użyciem AI — na przykład rozwiązane problemy klientów, wdrożone zmiany w kodzie czy przeanalizowane umowy — a nie tylko liczbę zapytań i wykorzystanych tokenów .

„Tokeny tworzą wartość dopiero wtedy, gdy zamieniają się w pracę, którą ludzie mogą wykorzystać” — napisała Friar . Oznacza to przejście od mierzenia aktywności do mierzenia efektów: nie tego, ile razy użyto systemu, lecz tego, co dzięki niemu udało się zrobić.

2. Ile kosztuje każde skutecznie wykonane zadanie?

Do kalkulacji należy włączyć pełny koszt zadania spełniającego ustalone kryteria jakości. Obejmuje on nie tylko wnioskowanie AI, lecz także ponowne próby, kontrolę człowieka, poprawki i konieczność ponownego wykonania pracy .

Takie podejście pozwala dostrzec koszty ukryte za niską ceną tokenów. Tani model, który często generuje błędne wyniki, może kosztować więcej w przeliczeniu na poprawnie zakończone zadanie niż droższy model działający skutecznie za pierwszym podejściem .

3. Jak często AI wykonuje pracę poprawnie?

Kolejnym elementem jest niezawodność, czyli odsetek wyników „gotowych do użycia” w porównaniu z tymi, które wymagają korekty, dodatkowej weryfikacji lub przekazania sprawy człowiekowi .

Im mniej interwencji człowieka, tym niższy całkowity koszt i większe zaufanie do systemu. To w praktyce miara jakości i powtarzalności wyników — nie mniej ważna niż sama zdolność modelu do wykonywania zadań.

4. Czy każdy kolejny dolar wydany na AI przynosi więcej wartości?

Firmy powinny sprawdzać, czy wraz ze wzrostem wykorzystania AI system wykonuje więcej wysokiej jakości pracy, bez nieproporcjonalnego wzrostu kosztów. Ten element bywa określany jako zwrot z mocy obliczeniowej (return on compute, ROC) i nawiązuje do sposobu analizowania inwestycji w półprzewodniki oraz centra danych .

Pytanie dotyczy więc tego, czy inwestycja w AI daje efekt narastający, czy raczej z czasem przynosi coraz mniejsze korzyści. To istotna informacja przy decyzji, czy i jak szeroko wdrażać system w organizacji.

Jak wdrożyć tę metodę w firmie?

Według opisanych założeń metodologia może być kontrolowana i audytowana przy użyciu istniejących narzędzi . Zespół powinien najpierw zdefiniować, co oznacza „zakończone zadanie” w konkretnym procesie. Następnie należy:

• policzyć prawidłowo ukończone zadania;
• zsumować pełny koszt ich realizacji, w tym nakład pracy ludzi;
• zmierzyć odsetek wyników zaakceptowanych bez poprawek;
• śledzić zmiany jakości i kosztów w czasie .

Takie podejście traktuje AI bardziej jak aktywo produkcyjne niż zwykłą licencję na oprogramowanie. Daje też dyrektorom finansowym i technologicznym konkretny sposób na odpowiedź na pytanie, które — jak twierdzi Friar — często słyszy od swoich odpowiedników: „Jak uzyskać większą wartość z wydatków na AI?”

Dlaczego ta zmiana jest ważna?

Propozycja pojawia się w czasie gwałtownego wzrostu wydatków przedsiębiorstw na AI. OpenAI informowało o przychodach na poziomie 1 mld dolarów miesięcznie oraz sprzedaży ponad 500 mln miejsc enterprise . Jednocześnie wiele organizacji nadal nie ma jasnego sposobu liczenia zwrotu z takich inwestycji. Powstaje więc rozdźwięk między możliwościami AI a wartością, którą firmy faktycznie potrafią z nich uzyskać .

Friar wcześniej określała tę sytuację mianem „nadwyżki możliwości” (capability overhang) — luki między tym, co AI już potrafi, a tym, co organizacje są w stanie przełożyć na wartość biznesową .

„Użyteczna inteligencja za dolara” ma tę lukę zmniejszyć, opierając decyzje inwestycyjne na mierzalnych danych o kosztach, jakości i efektach pracy. W praktyce przesuwa rozmowę o AI z poziomu deklaracji i liczby użytkowników na pytanie znacznie trudniejsze, ale ważniejsze: ile użytecznej pracy organizacja naprawdę otrzymuje za każdą wydaną złotówkę lub dolara?