OpenAI 详解 ChatGPT 管理控制台分析功能，把 AI 使用量与业务成果连接起来

OpenAI 于 9 月 16 日发布文章，介绍 ChatGPT Admin Console（管理控制台）内置分析功能的使用方法^[1]。除了使用量和支出之外，这些工具还能对员工用 AI 完成的工作进行分类，并追踪 Codex 对已合并代码的贡献程度。文章还给出了 ROI 测算示例，说明如何为投资决策准备依据。

在一个视图中掌握使用情况与费用

Usage 视图把 ChatGPT Work 与 Codex 的活跃用户数、信用额度和 token 用量汇总在一起^[1]。按群组或用户筛选，就能看出哪些部门的落地进展缓慢。OpenAI 建议，发现使用率偏低的群组时，管理员应以此为契机，与该团队负责人一起检查入门工作流和培训需求^[1]。

看清支出集中在哪里本身并不稀奇，但当扩容申请提上来时，能用数据核实是否真的不够用，这一点很实用。

用 Insights 分类实际在做什么工作

Insights 中的任务分类器会把消息样本归入用例和任务^[1]。软件工程可细分为功能开发和代码维护，销售与收入则包括客户调研和方案规划。Overview 标签页用于总览工作构成，Use cases 标签页提供更详细的拆解表格。

在任务详情中，可以看到 Models、Reasoning、Speed 各项设置在信用额度中的占比^[1]。对于常规性的材料撰写，这有助于判断是否值得换用更快或成本更低的配置，并比较质量与后续修改所花的时间。由于直接关系到费用，这是一个不起眼但有效的着力点。

Plugin leaderboard 和 Skills 视图则显示哪些工具在支撑某项工作^[1]。相关插件使用率低，往往指向权限或培训问题；而被频繁使用的技能，则需要指定负责人并定期更新。

用已合并的代码衡量 Codex 的贡献

Outcomes 视图把 Codex 对已合并提交和代码行数的贡献，与代码评审活动并列展示^[1]，并支持按群组、用户、代码仓库筛选。

OpenAI 认为，如果 Codex 在已合并代码中的占比持续上升，就应把这一趋势与评审时间、缺陷和返工情况对照，确认团队是否真的交付得更快^[1]。生成量增加却让评审积压就失去意义，这个道理本身并不新鲜，但能否在同一界面上并排查看，会带来运维层面的差别。

报告生成与 ROI 测算

借助 ChatGPT Work 中的 Admin 插件，管理员可以比较落地程度、支出和任务，并把结论转化为用于预算和推广决策的报告^[1]。它还能生成包含图表、要点和后续建议的管理层汇报材料。Admin 插件本身是 OpenAI 此前单独发布的功能^[2]。通过 Admin API，还可以把数据接入自有仪表盘，与客服类指标并列展示^[1]。

文章中的 ROI 测算明确标注为假设性示例^[1]。假设 20 名销售每周各撰写 2 份客户资料，每份节省 3 小时，按一年 46 周计算即 5,520 小时。若其中一半转入生产性工作，按每小时 75 美元（约 1.2 万日元）的综合人力成本计，相当于每年 20.7 万美元（约 3,200 万日元）的产能价值。假设首年成本为 6 万美元（约 930 万日元），则 ROI 为 245%^[1]。

※1 美元 = 155 日元（截至 2026 年 9 月 16 日）

比数字本身更值得参考的，是把全部前提条件一并公开的做法。OpenAI 自己也写明，所有数值均为假设，且不包含成交率提升或订单规模扩大带来的收益^[1]。

客户案例与起步方式

文章还列举了客户案例。1Password 用 Codex 构建功能和内部工具，估算 ROI 为 553%，每年约 80 万美元（约 1.24 亿日元）的工程产能价值^[1][3]。ATV Big Air Tour 把活动信息核对从每周 8 小时压缩到 1 小时，库存相关工作从 2 至 3 天缩短到 2 至 3 小时^[1]。Playco 通过 API 使用 GPT-6 Astra 制作可试玩的游戏原型，据称手工修改量比上一代模型减少 50%^[1]。

关于起步方式，OpenAI 给出的建议是：从 Insights 中挑选一项与业务优先级相关的任务，与业务负责人一起确定基准值和要衡量的成果，并提前定好复盘日期^[1]。想改进什么、现在的流程是怎样的、用 AI 之后有何变化、省下的时间能做什么、收益是否值得投入，按顺序回答这 5 个问题，投资决策的依据就基本齐备了^[1]。