衡量AI时代真实价值：OpenAI “每美元有效智能“ 评分框架深度解读

衡量AI时代真实价值：OpenAI "每美元有效智能" 评分框架深度解读

原文：A scorecard for the AI age | OpenAI，作者 Sarah Friar，2026年7月17日
笔记整理日期：2026年7月

核心观点

OpenAI CFO Sarah Friar 提出了一个企业级AI投资评估框架——"Useful Intelligence per Dollar（每美元有效智能，UIpD）"，用四个维度替代行业长期沿用的"token成本"或"用户数"指标：

1. 完成了多少有用的工作？ —— 关注任务产出，而非系统调用次数
2. 每次成功任务的真实成本是多少？ —— 把重试、人工审核、延迟全部算进去
3. AI有多可信赖？ —— 量化"直接可用 / 需修改 / 需人工接管"三类结果的占比
4. 规模效应是否存在？ —— 随使用增长，每美元是否买到更多工作？

这四个问题合在一起，构成了一张"AI时代记分卡"。

这件事处于什么阶段？用什么参照系理解？

这不是一次技术突破，而是一次企业AI采购逻辑的范式迁移。

过去软件行业的核心指标是"席位数/DAU/续费率"，本质上是衡量占有；AI时代Friar提出要衡量的是产出。这个转变并不新鲜——制造业早就用"每件成本""良品率"这套语言——但把它系统地搬进AI采购语境，在主流大模型厂商中，这算是头一次被如此明确地写成白纸黑字的对外承诺。

参照系是：这相当于云计算时代从"买多少服务器"切换到"按请求数计费"之后，行业花了五年才真正建立起有效ROI评估体系。AI版本的这场迁移，2026年才刚开始。

关键信息与核心机制

最关键的那个点：成本计算单位的切换

原文最巧妙的地方只有一句话，但它改变了整个定价博弈：

"The lowest price per token does not always produce the lowest cost per outcome."

这句话的隐含逻辑是：token价格是"要素成本"，任务成功率是"良品率"，两者相乘才是真实单位成本。一个便宜但需要三次重试的模型，实际比贵但一次搞定的模型更贵。

$$\text{每次成功任务成本} = \frac{\text{完整执行成本（含人工审核、重试、延迟）}}{\text{达标任务数量}}$$

这个公式是整篇文章的核心，其余内容都是它的注脚。

GPT-5.6 的三档定价结构

原文声称 GPT-5.6 Sol 在 DeepSWE v1.1 长程工程任务上达到 72.7%，超过 Claude Fable 5 的 69.9%，同时 API 成本低约 36.2%；在 Artificial Analysis Coding Agent Index 上，Sol 以 54% 更少的输出 token 刷新了 SOTA（原文语境下 80 分）。

注：原文两处数据有出入（54% 更少 token 和 80 分 SOTA 对应不同榜单），实际上 DeepSWE 和 Coding Agent Index 是两张不同的榜。读者引用时需区分。

依赖度分阶段深化的逻辑

原文描述了一个清晰的 AI 落地路径：

起草辅助（Draft）
  → 跨数据推理（Reason）
    → 工具调用与流程执行（Act）
      → 异常处理与自主决策（Autonomous）

每往后走一步，价值更大，同时对"可信赖度"的要求也更高。这个分级模型对企业制定 AI 推进路线图有直接参考价值。

历史对比：比之前的方案好在哪，牺牲了什么？

好在哪：把"AI好不好用"的模糊感受翻译成了可追踪的财务语言。以前 CFO 能看到的只是"我们买了多少 API 调用"，现在可以要求业务团队回答"你们这个工作流的良品率是多少、重试率是多少"。

比同类分析框架的优势：独立咨询机构（如 valueaddvc.com）提出的 CFO 框架通常分三类（流程自动化/平台投资/Copilot工具），计算更精细，但也更繁琐。Friar 的四问框架更简洁，传播性更强，但相应地牺牲了精度——它没有区分不同投资类型应用不同折现逻辑。

牺牲了什么：框架天然以 OpenAI 自有产品为基准环境设计，它能让你优化 OpenAI 内部的模型选择，却没有教你比较 OpenAI vs. Anthropic vs. 开源模型时该怎么算。这不是疏忽，是有意为之的框架边界。

交叉验证

我查阅了两个独立信息源：

信源一：valueaddvc.com《Enterprise AI ROI 2026: CFO Frameworks》（2026年5月，非 OpenAI 背景咨询分析）

认同点：该文章独立地认同"从活动指标转向财务成果"是企业 AI 衡量的核心挑战，并明确指出"处理的查询数、接受的建议数是活动，不是价值"——与原文观点高度一致。该文章还给出了实际数据：61% 的企业无法证明可测量的 AI ROI，73% 的 AI 试点无法扩展到 PoC 之外，这从反面验证了"UIpD"这类框架存在现实需求。

补充：该框架更细致地区分了三类投资（流程自动化、基础设施平台、Copilot 工具），对应不同的回收周期（分别是 9-15 个月、18-30 个月、6-12 个月）。这是原文框架没有触及的维度。

信源二：beri.net，作者 Rajesh Beri《56% of CEOs Can't Prove AI Works》（2026年7月，独立第三方评论）

认同点：承认"Friar 的框架是 AI 公司 CFO 首次公开告诉市场：停止衡量采用率，开始衡量完成的工作"，认为仅此一点就值得推广。

批评与反驳（重要）：该文章指出了四个原文未提及的盲点：

1. 供应商锁定风险：框架假设单一供应商，但多数企业同时跑多个模型，跨供应商比较时成本计算复杂度大幅上升。
2. 模型切换成本被低估：提示工程、评估套件维护、集成测试的工程成本，在原文"分层模型"建议里完全缺席。
3. 机会成本缺失：UIpD 只告诉你 AI 是否产生净正价值，不告诉你同等预算用于流程再造是否回报更高。
4. 治理合规成本：随监管收紧（文章举例中国代理召回框架和伊利诺伊州 SB 315），AI 审计、合规报告成本快速上升，原文"全成本"计算中未纳入这部分。

该信源还点出了一个战略背景：OpenAI 从 GPT-4 到 GPT-5.4 token 价格累计下降约 97%，同时估值逼近 8520 亿美元、IPO 在即。发布一套"让 CFO 敢于加大 AI 预算"的量化框架，对 OpenAI 本身有直接商业动机。这不代表框架无价值，但读者应理解它是有立场的文档。

个人启发

对开发者/AI工程团队：UIpD 框架提供了一个与业务方沟通的通用语言——你的系统不应该只汇报"调用次数"和"P99延迟"，而应该能回答"这个工作流在我们这里的良品率是多少"。建议在每个生产工作流里埋三个标签：ready_to_use / needs_correction / needs_escalation，这是把模型评估和业务价值打通的最小化实施路径。

对决策者/CPO/CTO：GPT-5.6 的三档分层定价在"每次成功任务成本"框架下重新有了意义。不要只看价格表，要先测出你的核心工作流在各档模型下的成功率，再算实际单位成本。一次基准测试的成本极低，但它能防止你在错误的模型层级上浪费大量预算。

对采购方/CFO：Beri 的补充批评值得认真对待——在要求供应商用 UIpD 证明价值之前，先明确"全成本"的定义是否包含了你的模型切换成本、治理成本和机会成本。如果不包含，这张记分卡容易成为供应商自我美化的工具。

推演：接下来会怎样

基于上述分析，我自己的判断是：

其一，"每次成功任务成本"会成为下一代 AI 合同谈判的标准条款。 就像 SLA（服务等级协议）在云时代从无到有一样，AIpD 类指标会在未来 12-18 个月内进入大客户合同，届时 OpenAI 等供应商需要对"良品率"承担合同义务，而不只是承诺"模型能力"。

其二，多供应商对比工具会迎来市场机会。 原文框架的最大盲点是单一供应商视角，这为第三方评估工具（类似企业采购里的 G2/Gartner Peer Insights）留下了空间——能够跨供应商统一口径地计算 UIpD 的工具，会有真实需求。

其三，治理成本会成为"隐藏的第五维度"。 随着各国 AI 监管细化，beri.net 指出的合规/审计成本将逐步从可选项变成必选项。原文框架若不更新，在监管严格的行业（金融、医疗）里会严重低估全成本。

边界与局限

• 框架对高频简单任务的适用性有限：当任务极度标准化（如 OCR、分类标注）时，"良品率"方差很小，最优解大概率仍是最便宜的 token 价格，分层复杂度反而是负担。
• Benchmark 数据需独立验证：原文引用的 DeepSWE 和 Coding Agent Index 数据由 OpenAI 自选并呈现，未经第三方独立复现。结合 2024-2026 年间 LLM Benchmark 饱和失效的普遍现象，这些数字应作为参考而非决策依据。
• "UIpD 随规模改善"的假设存在反例：规模增长有时带来的是更多的边缘用例暴露，导致良品率下降、人工审核成本上升。这个乐观假设不是定律。

延伸思考

1. "任务成功"的定义权归谁？ 原文让各团队自定义"done"，但这意味着供应商无法统一声称模型"成功率多少"。谁来裁定"合同审查准确且按时"？定义模糊性本身就是企业落地 AI 评估的最大阻力，这个问题比选哪个模型更难解决。

2. 人工监督成本如何计入，以及它会往哪个方向演变？ 依赖度深化的路径（Draft → Reason → Act → Autonomous）每往后一步，人工介入成本应该下降，但监管要求的人工审核成本可能反向上升。这两条曲线的交叉点在哪里，决定了 AI Agent 自主化的经济可行性边界。

3. "每美元有效智能"框架，谁的利益是对齐的？ 供应商希望企业用"成功任务"衡量价值，从而为更贵的旗舰模型定价；企业希望控制总成本；监管方希望可审计。三方对"成功"的定义天然不同。一套跨利益方真正中立的 AI 评估标准，可能需要像 ISO 认证那样通过行业标准组织而非单一供应商来推动——这会是未来几年值得关注的组织动向。

本笔记综合原文及 valueaddvc.com（2026-05）、beri.net（2026-07）两份独立信源整理，加入了作者独立判断，不构成投资或采购建议。

📚 参考来源

1. A scorecard for the AI age | OpenAI