OpenAI 在官方博客中介绍了 ChatGPT Admin Console 新增的分析功能，帮助管理员把 AI 的用量、花费与实际业务价值连接起来。此前，团队只能看到活跃用户数和 token 消耗，却不知道这些投入换来了什么。新工具试图回答这个问题：AI 到底在帮团队做什么，以及值不值得继续投入。

Usage 视图整合了 ChatGPT Work 和 Codex 的活跃用户、积分和 token 用量。管理员可以按团队或用户过滤，找出采用率低的区域，进而与团队负责人讨论初始工作流和培训需求。Insights 里的任务分类器会对消息样本进行归类，把工作分成“软件工程”“销售与收入”等用例，再细分到具体任务，比如功能开发、代码维护、账户研究。这样管理员就能看到积分花在哪些任务上，与业务负责人一起决定优先评估哪些流程。

任务详情中还有 Models、Reasoning 和 Speed 的用量占比，帮助管理员判断当前模型配置是否适合任务，并针对模型选择提供培训。例如，一份常规简报也许可以用更快、更低成本的设置来测试，对比质量和人工修正时间。插件排行榜和技能视图则显示哪些工具支撑了具体任务，低使用的插件可能意味着访问或培训问题，高频技能则需要明确负责人并定期更新。

Codex 的 Outcomes 视图直接跟踪对合并提交和代码行的贡献，以及代码审查活动。工程负责人可以对比 Codex 在合并代码中的占比与审查时间、缺陷和返工情况，判断它是否真的在帮助团队更快交付软件。ChatGPT Work 里的 Admin 插件支持跨维度对比采用、花费和任务，并生成包含图表和下一步建议的领导层报告。Admin API 则允许团队把分析集成到自有仪表盘，与业务系统数据结合，比如在支持面板上同时展示积分使用和工单解决时间。

博客给出了一个可操作的评估框架：先明确想改进什么，比如更快的准备、更高的质量或更低的成本；再建立当前基线，记录任务频率、耗时和好结果的定义；接着在固定周期内对比引入 AI 前后的结果，包括审查和修正时间；最后把节省的时间换算成团队能做的额外工作，并与 AI 投入比较。作者强调，业务所有者需要补充上下文，比如流程是否改变、结果是否改善、改善值多少钱，才能真正把产品活动与交付时间、质量或盈利联系起来。

文章用一个假想的销售账户研究案例演示了 ROI 计算：20 名销售每周各准备 2 份简报，每份节省 3 小时，一年 46 周共节省 5,520 小时；假设其中 50% 的时间用于有价值的工作，按每小时 75 美元的全成本计算，年度产能价值约 20.7 万美元；扣除 6 万美元的 AI 相关成本后，示意性 ROI 为 245%。所有数字均为假设，未考虑赢单率提升或客单价扩大等潜在收益。

三个客户案例提供了参考：1Password 用 Codex 构建、审查和测试软件，估计 ROI 为 553%，年度工程产能价值 80 万美元；ATV Big Air Tour 用 ChatGPT Work 检查活动列表、规划库存和提升网站可见度，列表审查从每周 8 小时降到 1 小时，库存工作从 2-3 天降到 2-3 小时；Playco 通过 OpenAI API 使用 GPT-6 Astra 构建和测试游戏原型，相比此前模型手动修复减少 50%。博客最后建议管理员先在 Admin Console 中打开 Insights，选择一个支撑业务优先级的常见任务，与业务负责人共同确定基线和指标，设定复查日期，再根据结果决定扩大、改进或更换方案。