Ahogy egyre több csapat használ AI-t, az adminisztrátoroknak és üzleti vezetőknek szükségük van arra, hogy ne csak a költést és a felhasználást lássák, hanem azt is, mire használják az AI-t és mit érnek el vele. Az OpenAI ChatGPT Admin Console analitikája összehozza a használati és költségadatokat, a feladatinsikteket és az eredménymutatókat a ChatGPT Work és a Codex szolgáltatásokra vonatkozóan.
Mire használhatók az analitikák?
-
Használati adatok: a Usage nézet megmutatja az aktív felhasználókat, krediteket és tokenhasználatot a ChatGPT Work és a Codex szolgáltatásokon. Szűrők (például csoport vagy felhasználó szerint) segítenek feltárni, hol alacsony az adaptáció, így az adminok célzottan át tudják nézni a kezdő munkafolyamatokat vagy a képzési igényeket a csapatgazdával.
-
Feladatok és use case-ek: az Insights részben található task classifier minták alapján csoportosítja az üzeneteket use case-ekbe és feladatokba (például szoftvermérnökség: feature fejlesztés, karbantartás; sales & revenue: account research, tervezés). Az Overview fül gyors rálátást ad a munkamixre, a Use cases tábla pedig részletes bontást nyújt, amellyel az adminok a csoportokra szűrve együtt tudnak dolgozni az üzleti tulajdonosokkal a kiértékelendő munkafolyamatok és eredmények meghatározásán.
-
Feladaton belüli beállítások elemzése: a task details részen a Models, Reasoning és Speed bontások megmutatják, hogy az egyes beállítások milyen arányban használják a krediteket adott feladatra. Ez segít eldönteni, ha például egy rutinszerű összefoglalót érdemes gyorsabb vagy olcsóbb modellbe tesztelni, majd összehasonlítani a minőséget és a javítással töltött időt.
-
Pluginok és Skills: a Plugin leaderboard és Skills nézet megmutatja, mely eszközök és készségek támogatnak egy feladatot. Alacsony használat hozzáférési vagy képzési szükségletre utalhat; gyakori használat esetén érdemes egyértelmű tulajdonost és rendszeres frissítést kijelölni.
-
Eredmények (Outcomes) Codex esetén: az Outcomes nézet követi a Codex hozzájárulásokat a merge-elt commitok és a sorok számában, mellé helyezve a code-review aktivitást. Csoport-, felhasználó- vagy repository-szűrők segítenek az adminoknak és mérnöki vezetőknek felmérni az adaptációt és dönteni a hozzáférés bővítéséről vagy a támogatásról. Ha a Codex egyre nagyobb arányban járul hozzá a merge-elt kódhoz, azt érdemes összevetni a review időkkel, hibaaránnyal és újramunkával annak megítélésére, hogy valóban hatékonyabbá teszi-e a szoftverszállítást.
Jelentéskészítés és automatizálás
Az Admin plugin a ChatGPT Workben lehetővé teszi az adminok számára, hogy összehasonlítsák az adaptációt, a költést és a feladatokat, majd a megállapításokat riportokká alakítsák költségvetési és rollout-döntésekhez. A plugin képes kész anyagokat is előállítani (például vezetői prezentációk diagramokkal, fő megállapításokkal és javasolt lépésekkel). Az Admin API segítségével ezek az analitikák automatizált riportként beemelhetők vállalati dashboardokba, és összekapcsolhatók üzleti rendszerek adataival (például kredithasználat és jegyzetszűrési idő egy támogató dashboardon).
Hogyan lehet értéket mérni a gyakorlatban?
A használati és feladatadatok kiindulópontot adnak az adminoknak, de az érték megítéléséhez üzleti tulajdonosok kontextusára van szükség: mi változott a munkafolyamatban, javultak-e az eredmények és mit érnek ezek anyagilag. Egy tipikus példa sales-csapatnál: ha a task classifier azt mutatja, hogy account research gyakori, az admin ellenőrzi a modellválasztást, képzést ad, ha egy CRM plugin alulhasznált, és megoszt egy skillt az egységes account tervhez. A sales-tulajdonos összehasonlítja a felkészülési időt és a terv minőségét a korábbi alapvonalhoz képest; ha idő szabadul fel, nyomon követik, mennyi megy ügyfélbeszélgetésekbe, ezek közül melyek lesznek kvalifikált lehetőségek, és mennyi zárul tényleges üzletté.
Példaszámítás egy feltételezett forgatókönyvre:
- 20 értékesítő × heti 2 account brief × 3 óra megtakarítás × 46 hét = 5 520 óra
- Ha a csapat 50%-át produktív munkára fordítja, és a teljes költségérték óránként 75 USD, ez kapacitásértékként számolható.
- Tegyük fel, hogy az AI-hoz, beállításhoz, képzéshez és folyamatos támogatáshoz 60 000 USD költség társul.
- Példaszerű ROI: (207 000 USD − 60 000 USD) ÷ 60 000 USD = 245%.
A példában szereplő számok feltételezettek; az ROI a kapacitásértéket tükrözi, és nem veszi figyelembe a jobb win rate-ből, nagyobb üzletekből vagy más sales eredményekből származó további előnyöket.
Ügyfélpéldák röviden
- 1Password használja a Codexet szoftverfejlesztési munkákhoz; az ő becslésük szerint 553% ROI és 0,8M USD éves mérnöki kapacitásérték származik a Codex használatából.
- ATV Big Air Tour a ChatGPT Worköt alkalmazza eseménylisták ellenőrzésére és készlettervezésre; a listaellenőrzés heti 8 óráról 1 órára csökkent, a készletmunka 2–3 nap helyett 2–3 órát vett igénybe.
- Playco a GPT‑6 Astra modellt használja játékprototípusok építésére és tesztelésére; három tematikus prototípust hoztak létre egy alapról, és a manuális javítások 50%-kal csökkentek a korábbi modellhez képest.
Melyik legyen a kezdő lépés?
Nyissuk meg az Open Insights-t az Admin Console-ban, válasszunk egy gyakori feladatot, amely támogat egy üzleti prioritást, vizsgáljuk meg egy üzleti tulajdonossal, egyeztessünk baseline-t és mérendő eredményt, állítsunk fel egy visszatekintési dátumot, majd a kapott eredmények alapján döntsünk a workflow kiterjesztéséről, használat javításáról vagy más megközelítés teszteléséről.
Adatvédelem
Alapbeállítás szerint az OpenAI nem tréningezi modelljeit az önök szervezetének üzleti adataival.
Az Admin Console analitikái tehát eszközt adnak az adminok és üzleti tulajdonosok kezébe, hogy a költést, a használatot, a munkafolyamatokat és a tényleges üzleti eredményeket összekössék, és ez alapján célzottabb képzési, hozzáférési és beruházási döntéseket hozzanak.
