許多企業在導入 AI 工具後，常陷入一個困境：雖然能看到帳單上的支出與使用人數，卻難以證明這些投入究竟為公司帶來了多少實質價值。單純觀察 Token 使用量（Token Usage，指 AI 處理文字的最小單位，決定了成本與計算量）或活躍用戶數，只能反映 AI 的普及程度，無法揭示 AI 實際上在解決什麼問題，以及是否提升了業務成效。
為了填補這個資訊落差，OpenAI 在其管理控制台（Admin Console）中推出了分析工具，旨在將 AI 的使用數據與可衡量的商業結果連結起來。這套體系的核心在於將「使用數據」轉化為「任務洞察」，再進一步對接至「商業指標」，讓管理者能清楚看到 AI 支出背後的運作邏輯。
分析 AI 運作的核心：從使用量到任務分類
要衡量價值，首先必須理解員工將 AI 用在哪些具體工作上。管理控制台提供的使用分析（Usage Analytics）能讓管理員追蹤 ChatGPT Work 與 Codex（OpenAI 專為程式碼開發設計的 AI 模型）的信用額度消耗與使用者趨勢。如果某個團隊的採用率低，管理員可以據此評估是否需要調整工作流程或提供更多培訓。
更關鍵的技術在於任務分類器（Task Classifier）。這項功能會將大量的對話訊息樣本自動分組為具體的用例與任務。例如，在軟體工程領域，系統會將其細分為「功能開發」與「程式碼維護」；在銷售領域，則分為「客戶研究」與「規劃」。透過這種分類，管理員可以發現信用額度最集中的地方。例如，若銷售團隊大部分的資源都花在「客戶研究」，這就成了一個絕佳的切入點，可用來討論 AI 如何改變準備客戶會議的方式。
優化資源配置與工程成效
除了知道 AI 在做什麼，管理者還需要評估 AI 的「使用品質」。透過分析模型選擇（Models）、推理過程（Reasoning）與回應速度（Speed）的信用額度分布，管理員可以判斷目前的設定是否符合任務需求。例如，撰寫一份簡單的簡報摘要不需要最強大且昂貴的模型，改用速度較快或成本較低的設定，可能在維持品質的同時大幅降低成本。
針對開發團隊，Codex 的貢獻度可以直接透過 Outcomes 視圖量化。管理員可以追蹤 AI 對於已合併提交（Merged Commits）以及程式碼行數的貢獻比例。將這些數據與程式碼審核時間、缺陷率（Defects）及重工率（Rework）進行對比，就能判斷 AI 是否真的讓軟體交付變得更有效率，而非僅僅是增加了程式碼的數量。
將數據轉化為商業價值的實務路徑
分析工具提供的數據僅是起點，真正的商業價值需要與業務負責人（Business Owner）合作定義。一個完整的價值評估流程通常包含以下四個步驟：
首先，定義目標。選擇一個對團隊至關重要的結果，例如縮短準備時間、提升工作品質或增加銷售額。接著，建立基準線（Baseline），記錄在沒有 AI 之前，該任務執行的頻率、耗時以及合格標準。第三步是量化 AI 帶來的改變，這包括計算節省的時間，但必須扣除員工審核與修正 AI 產出所需的時間，以確保品質未下降。最後，評估投資報酬率（ROI），將節省的人力成本與 AI 的訂閱費用、培訓成本進行對比。
以銷售團隊的客戶研究為例，若 20 名銷售人員每週各準備兩份簡報，每份簡報節省 3 小時，一年可省下 5,520 小時。假設其中 50% 的時間能轉化為高效能工作，按每小時 75 美元計算，年度產能價值約 20.7 萬美元。扣除 6 萬美元的 AI 成本與培訓費，其投資報酬率可達 245%。此外，更深層的價值可能體現在成交週期縮短或勝率提升，這些則需透過業務數據進一步驗證。
實務應用與限制
目前已有企業將此邏輯落實。例如 1Password 利用 Codex 提升開發速度，估計實現了 553% 的投資報酬率；ATV Big Air Tour 則將活動清單審核時間從每週 8 小時縮減至 1 小時。
然而，這種量化方法仍有其限制。AI 帶來的價值不僅是生產力（Productivity）的提升，還包括創造力與品質的突破，而這些往往難以用單純的時薪來計算。因此，管理員應利用 Admin 插件將分析結果轉化為報告，或透過 Admin API 將 AI 數據整合進公司內部的儀表板（如將信用額度使用量與客服工單解決時間對比），從而獲得更全面的視角。
總結來說，連接 AI 使用量與商業價值的關鍵，在於從「關注成本」轉向「關注產出」，並透過任務分類與業務指標的對接，將 AI 從一個實驗性工具轉變為可量化的企業資產。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。