2026年7月17日，OpenAI发布了一套面向AI时代的价值评估思路，核心概念可以翻译成“每一美元能够换来多少真正有用的智能”。这项观点值得关注，并不是因为它又创造了一个新名词，而是因为很多企业购买AI工具后，只统计账号数、调用次数和Token单价，却回答不了一个更直接的问题：AI到底完成了多少原本需要人来做的工作？
为什么只看Token价格容易做错决定
低价模型不一定带来低成本。如果一个任务需要反复提问三次、人工修改半小时，最终成本可能高于一次就交付合格结果的高能力模型。反过来，昂贵模型也不应该被用于所有环节。批量分类、格式转换、关键词提取等任务，可以交给更快更便宜的模型；合同复核、复杂分析和多步骤执行，则应根据成功率选择更可靠的模型。
因此，AI成本至少包括五部分：模型调用费用、员工准备材料的时间、结果审核时间、失败重试成本以及错误造成的返工。只有把这些费用放到同一张表里，才能比较不同模型和不同工作流。
四个指标就能做出第一版评估表
第一是有效完成量。不要记录“AI回答了多少次”，而要记录“有多少任务达到可交付标准”。客服场景可以统计成功解决的问题，内容团队可以统计通过审核的文章，开发团队可以统计通过测试的代码改动。
第二是单个成功任务总成本。把模型费用、人工时间和重试次数相加，再除以成功任务数量。第三是一次可用率，也就是结果无需修改便可使用的比例。第四是规模效率：使用量增加后，成功任务增长是否快于总成本增长。如果调用量翻倍，但返工和审核人员也翻倍，说明系统只是扩大了消耗，并没有真正形成效率。
普通团队如何用一周完成验证
先选一个边界清楚、风险较低的流程，例如会议纪要整理或商品描述生成。准备30到50个真实样本，并写清楚什么叫“完成”：格式正确、事实无误、重点完整，还是必须附带来源。然后让两种模型在相同输入下运行，记录耗时、费用、重试和人工修改分钟数。
测试时不要让参与者知道结果来自哪个模型，减少品牌偏见。把结果分为“直接可用”“需要修改”“必须人工重做”三档。最后按成功任务而不是调用次数计算成本。很多团队会发现，真正影响预算的不是每百万Token价格，而是低质量输出带来的隐形人工。
模型路由比统一使用一个模型更合理
成熟方案通常采用分层路由。简单任务先走经济型模型，结果不确定或校验失败时再升级；需要强推理的任务直接使用高能力模型；涉及隐私的数据优先进入本地或合规环境。每条路线都要保留版本号、提示词、输入摘要、输出评分和人工处理结果，才能持续比较。
模型升级也不能只看官方榜单。新版本可能改变格式、拒答边界和工具调用行为。正确做法是在历史样本上做回归测试，再用少量真实流量进行灰度验证，确认成功率和总成本都改善后再替换。
哪些事情不能交给ROI指标决定
医疗、法律、支付、权限修改等高风险场景，即使自动化看起来更便宜，也必须保留人工确认、最小权限和审计记录。准确率达到99%并不意味着所有错误都能接受，因为剩余1%可能集中在最重要的任务上。安全、隐私和合规不是额外装饰，而是AI能够长期进入业务流程的前提。
对中小团队来说，最实用的结论是：先衡量一个具体流程，不要从“全公司AI化”开始。只要持续记录成功任务、总成本、一次可用率和人工介入比例，就能判断AI投入是否真的产生价值，也能避免被模型价格和营销数字牵着走。
参考来源：OpenAI《A scorecard for the AI age》。本文为599IT结合企业落地场景进行的中文原创分析。
