OpenAI связала расходы на AI с бизнес-результатом: Usage, Insights и Outcomes в ChatGPT Admin Console

OpenAI 16 сентября 2026 года выпустила материал о том, как администраторам и руководителям связать использование AI с бизнес-ценностью. Исходная посылка простая: расходы и потребление показывают только часть картины, а решение о том, куда вкладываться дальше, требует понимания, для чего люди используют AI и что это им помогает сделать.

Инструмент — аналитика в ChatGPT Admin Console, собравшая вместе данные об использовании и стоимости, инсайты по задачам и метрики результата по ChatGPT Work и Codex.

Использование и расходы

Представление Usage собирает активных пользователей, credits и потребление токенов по ChatGPT Work и Codex. Аналитика использования показывает, где растёт адопшн и где концентрируются расходы, чтобы администраторы могли сосредоточить поддержку, пересмотреть затраты и оценить запросы на расширение ёмкости.

Фильтр по группе или пользователю вскрывает места с низким адопшном — и это повод вместе с владельцем команды пересмотреть стартовые рабочие процессы и потребность в обучении.

Что команды делают с AI

Классификатор задач в Insights группирует выборку сообщений в варианты использования и задачи, чтобы администратор видел, какую работу поддерживает AI. Software engineering, например, раскладывается на разработку функциональности и поддержку кода, а sales & revenue — на исследование клиентов и планирование.

Вкладка Overview показывает смесь работ целиком, вкладка Use cases даёт детальную таблицу с разбивкой по задачам, credits, сообщениям и активным пользователям. Фильтр по группе показывает, как работают команды, после чего решение о том, какие процессы и результаты оценивать, принимается вместе с владельцем бизнес-направления.

В примере OpenAI для отдела продаж самой крупной статьёй расходов credits оказались account research и planning — стартовая точка для разговора о том, как AI меняет подготовку к работе с клиентом.

Где нужны обучение и поддержка

В детализации задачи разбивки Models, Reasoning и Speed показывают долю credits по каждой настройке. Это позволяет оценить, подходит ли конфигурация для конкретной работы, и направить обучение именно в выбор модели: рутинный бриф, например, стоит проверить на более быстрой или дешёвой связке, сравнив качество и время на проверку и исправления.

Plugin leaderboard и представление Skills показывают, какие инструменты поддерживают задачу. Низкое использование релевантного плагина указывает скорее на проблему доступа или обучения, а часто используемый навык требует понятного владельца и регулярных обновлений.

Вклад Codex в инженерный результат

Представление Outcomes показывает вклад Codex в merged commits и строки кода рядом с активностью по code review. Тренды и фильтры по группе, пользователю или репозиторию помогают администраторам и инженерным руководителям понять адопшн и решить, где расширять доступ, а где поддерживать команды.

Если Codex участвует в растущей доле смердженного кода, инженерные руководители могут сопоставить этот тренд со временем ревью, дефектами и переделками и оценить, помогает ли это выпускать софт эффективнее.

Дальше в игру вступает плагин Admin в ChatGPT Work: он позволяет сравнить адопшн, расход и задачи и превратить находки в отчёты для решений о бюджете и раскатке. Плагин умеет собрать и готовую работу — например, презентацию для руководства с графиками, ключевыми выводами и рекомендуемыми следующими шагами.

Через Admin API команды автоматизируют отчёты в своих дашбордах и совмещают аналитику с данными бизнес-систем: например, дашборд поддержки может показывать расход credits рядом со временем закрытия тикетов.

Пять вопросов и иллюстративный ROI

Данные об использовании и задачах — только начало совместной работы с владельцами бизнес-процессов: именно они добавляют контекст о том, что изменилось в процессе, улучшился ли результат и сколько это улучшение стоит. Вместе они связывают активность продукта с метриками вроде времени поставки, качества или прибыльности.

OpenAI предлагает пять вопросов: что вы хотите улучшить; как процесс выглядит сегодня; что меняется с AI; что это делает возможным для команды; стоит ли выгода инвестиций. В третьем вопросе отдельно оговорено, что при сравнении за период нужно учитывать время на проверку и исправление результата, иначе «быстрее» не значит «качественнее».

Дальше идёт арифметика на примере отдела продаж: 20 продавцов готовят по два брифа в неделю, ручная подготовка занимает четыре часа, с AI — час с учётом проверки и правок, экономия три часа на бриф. За 46 недель это 5 520 часов: 20 × 2 × 3 × 46 = 5 520. Если половина высвобожденного времени уходит в продуктивную работу при полностью нагруженной стоимости часа $75, оценка годовой ёмкости — 5 520 × 50% × $75 = $207 000. При затратах $60 000 на AI, внедрение, обучение и поддержку формула ($207 000 − $60 000) ÷ $60 000 даёт 245% иллюстративного ROI.

OpenAI прямо оговаривает границы примера: все цифры гипотетические, ROI отражает оценённую стоимость ёмкости и не включает возможные эффекты от роста win rate, увеличения среднего размера сделки или других коммерческих результатов. Скриншоты в материале построены на демонстрационных данных.

Что показывают клиенты

1Password оценивает 553% ROI от выросшей инженерной ёмкости и около $0,8 млн годовой стоимости этой ёмкости, используя Codex для production-ready функций и внутренних инструментов при сохранении строгих требований безопасности.

По данным той же публикации, 1Password сократила время разбора сложной проблемы в мультисервисном проде примерно на 90% и медианное время цикла pull request — на 11%, а доступ к Codex расширяет на финансы и маркетинг, чтобы те собирали собственные инструменты. Встраивание идёт по всему жизненному циклу поставки софта — от планирования до продакшена.

ATV Big Air Tour перевела рутинную работу в фон: проверка листингов мероприятий сократилась с восьми часов до одного часа в неделю, а инвентаризация мерча — с двух-трёх дней до двух-трёх часов. Отдельно OpenAI отмечает рост показов в поиске OpenAI и обращений user-bot на 1 223%.

Playco использует GPT-6 Astra через OpenAI API в Playbot — IDE для профессиональных игровых разработчиков, подключённой к движкам вроде Unity и Godot. Из одного неразмеченного grey box прототипа команда сделала три тематических игровых прототипа, причём большая часть заработала с первого захода, а ручных правок стало на 50% меньше, чем с предыдущей моделью.

С чего начать на практике

Рекомендация OpenAI короткая: открыть Insights в Admin Console, выбрать частую задачу, которая поддерживает бизнес-приоритет, разобрать её вместе с владельцем процесса, договориться о базовой линии и метрике результата и назначить дату пересмотра. По результатам решения ровно три: расширять процесс, улучшать то, как команда им пользуется, или пробовать другой подход.

Главный сдвиг, который фиксирует материал, — переход от наблюдения за расходом токенов к разговору о ёмкости и деньгах: и Usage, и Insights, и Outcomes нужны не сами по себе, а как вход в разговор с владельцем бизнес-процесса о том, что именно улучшилось и сколько это стоит.