Az OpenAI CFO-ja új mutatószámot vezet be a vállalati AI-költségvetések értékelésére

Az OpenAI pénzügyi igazgatója, Sarah Friar egy alapvetően új szemléletmódot javasol a vállalati AI-költségvetések értékelésére, amely szakít az eddig elterjedt, kizárólag a tokenalapú árazásra fókuszáló gyakorlattal. A szakember szerint a jövőben a cégeknek a hasznos intelligencia dolláronkénti mutatót kellene mérceként használniuk, amikor a különböző mesterséges intelligencia modellek hatékonyságát vizsgálják. Ez a váltás azért különösen időszerű, mert a vállalati szektorban egyre erősebb az igény a kontrollálatlan AI-kiadások kordában tartására, a vállalatok pedig már nem csupán a technológiai képességeket, hanem az operatív költséghatékonyságot is szigorúan figyelembe veszik. Az OpenAI által bemutatott új értékelési keretrendszer elsődleges célja az, hogy a döntéshozók ne a felhasznált tokenek mennyiségét, hanem a rendszer által elvégzett tényleges munka minőségét és értékét vegyék alapul.

Az értékelési rendszer működése során a megbízhatóságot, a hasznos kimenetet, a skálázhatóságot és a teljes kiadást vizsgálja, így a csapatok képesek közvetlenül összehasonlítani a különböző megoldásokat anélkül, hogy a tokeneket tekintenék a végső terméknek. Az OpenAI ezt a szemléletet a DeepSWE kódolási benchmark segítségével szemléltette: a Sol modelljük magasabb pontszámot ért el a Fable 5-nél, miközben az előállítási költsége 36,2 százalékkal alacsonyabb volt. Friar szerint a sikert úgy kell meghatározni, hogy az AI által elvégzett munka értéke egyértelműen meghaladja az adott modell előállítási költségeit. Ezzel a megközelítéssel a vállalatok sokkal precízebben láthatják, melyik modell nyújt valódi megtérülést a befektetett tőkéért cserébe, túllépve a korábbi, gyakran félrevezető tokenmaximalizáló mánián.

Ez a koncepció azért bír jelentős iparági súllyal, mert közvetlenül reagál a vállalati szféra növekvő aggodalmaira az elszabadult AI-költségek miatt. Ugyanakkor érdemes megjegyezni, hogy az értékelési keretrendszer egyben stratégiai előnyt is biztosíthat a vezető technológiai laboratóriumoknak. Mivel a hangsúlyt a kész munka minőségére helyezi, a drágább, de hatékonyabb modellek könnyebben bizonyulhatnak kedvezőbb ár-érték arányú választásnak az egyszerűbb, olcsóbb, de kevésbé precíz megoldásokkal szemben. A „hasznos intelligencia” szemlélete tehát alapjaiban írhatja át azt, ahogyan a nagyvállalatok a jövőben a mesterséges intelligenciába fektetett büdzséiket tervezik, előtérbe helyezve a minőségi kimenetet a nyers számítási kapacitás helyett.