OpenAI CFO Sarah Friar提出了一套面向AI时代的实用记分卡，试图把ROI讨论从笼统的能力提升，转向可观察的业务结果。材料列出的四个维度是有效工作、每个成功任务的成本、可靠性和算力回报，分别对应产出、单位经济性、稳定性与基础设施效率。

四项指标分别回答什么

  • 有效工作关注AI究竟完成了多少有用工作，而不只是模型被调用了多少次。这里的关键是先定义什么结果对具体业务有用。
  • 每个成功任务的成本把成本与成功结果绑定。单次调用便宜不等于整体划算；如果任务经常失败，成功结果对应的实际成本仍可能偏高。
  • 可靠性关注系统能否持续交付预期结果。它补足了平均表现的盲区，因为偶尔成功与稳定可用并不是同一件事。
  • 算力回报考察计算资源投入最终产生了多少价值。它与成功任务成本相关，但观察重点更偏向算力使用本身的效率。

从能力评测转向任务账本

这套记分卡的实际意义，在于要求团队把模型表现映射到真实任务。落地时，至少需要明确任务边界、成功条件、成本口径和观察周期，否则四项指标仍可能停留在概念层面。不同业务对有效工作和可靠性的定义也不会相同：内部辅助工具、面向客户的产品与高风险流程，显然需要采用不同标准。

材料没有提供具体计算公式、权重、阈值或案例，因此目前更适合把它理解为评估框架，而不是可以直接套用的统一基准。四项指标之间如何取舍，也仍需结合业务目标决定。

我的判断

这套框架的价值，是把AI ROI拆成几个可讨论、可追踪的方向，避免只用模型分数、调用量或演示效果证明投入合理。它尤其适合已经进入部署阶段、需要持续核算成本与产出的团队。边界也很清楚：如果任务成功无法稳定定义，或者价值要经过很长时间才能显现，记分卡很难快速给出结论。缺少公式和实证材料，则意味着其有效性仍取决于企业自身的指标设计与数据质量。