Η οικονομική διευθύντρια του OpenAI Sarah Friar προτρέπει τις εταιρείες να εγκαταλείψουν τις μετρήσεις που χρησιμοποιούσαν εδώ και δεκαετίες για την αξιολόγηση του λογισμικού και να υιοθετήσουν ένα νέο κριτήριο για την τεχνητή νοημοσύνη - ένα κριτήριο που βασίζεται στην ολοκληρωμένη εργασία και όχι στον αριθμό των ανθρώπων που χρησιμοποιούν ένα εργαλείο.

Σε μια ανάρτηση ιστολογίου που δημοσιεύτηκε την Παρασκευή 17 Ιουλίου 2026 και αναπτύχθηκε σε μια ανάρτηση στο LinkedIn που αναφέρθηκε από τους Axios, Fortune και CFO Dive, η Friar εισήγαγε αυτό που αποκαλεί μια προσέγγιση "χρήσιμης ευφυΐας ανά δολάριο". Το βασικό επιχείρημα: οι μετρήσεις που καθόρισαν την εποχή SaaS - θέσεις, ενεργοί χρήστες, ανανεώσεις - αποτυγχάνουν να καταγράψουν την αξία που δημιουργεί η τεχνητή νοημοσύνη. Για συνεχή ανάλυση του τρόπου με τον οποίο οι επιχειρήσεις αντιμετωπίζουν τα οικονομικά της τεχνητής νοημοσύνης, ακολουθήστε την [κάλυψη του κλάδου AI] (https://aibuzzwire.news).

Οι τέσσερις ερωτήσεις

Ο Friar προτείνει οι οργανισμοί να κρίνουν την αξία της AI απαντώντας σε τέσσερις ερωτήσεις:

1. Η τεχνητή νοημοσύνη έχει σημασία η ολοκλήρωση της εργασίας;
2. Τι κοστίζει κάθε επιτυχημένη εργασία;
3. Μπορούν οι άνθρωποι να εξαρτώνται από το αποτέλεσμα;
4. Κάθε δολάριο AI παράγει περισσότερη αξία καθώς αυξάνεται η χρήση;

«Για χρόνια, το λογισμικό μετρήθηκε μέσω της υιοθέτησης: θέσεις, ενεργοί χρήστες, ανανεώσεις», έγραψε ο Friar στο LinkedIn. «Η τεχνητή νοημοσύνη είναι διαφορετική — πρέπει να μετρηθεί με βάση το έργο που έχει επιτευχθεί».

Το πλαίσιο αναδιατυπώνει την κατανάλωση διακριτικών - το ποσό της επεξεργασίας τεχνητής νοημοσύνης για το οποίο πληρώνει μια εταιρεία - όχι ως κόστος που πρέπει να ελαχιστοποιηθεί αλλά ως πρώτη ύλη που γίνεται πολύτιμη μόνο όταν μετατρέπεται σε χρησιμοποιήσιμο προϊόν. «Τα διακριτικά δημιουργούν αξία όταν μεταμορφώνονται σε εργασία που μπορούν να χρησιμοποιήσουν οι άνθρωποι», έγραψε, υποστηρίζοντας ότι καθώς τα μοντέλα γίνονται πιο ικανά, μπορούν να αναλάβουν μεγαλύτερες εργασίες πολλαπλών βημάτων που διατηρούν το πλαίσιο, συλλογίζονται τα εργαλεία και προσαρμόζονται καθώς προχωρούν.

Γιατί το OpenAI το πιέζει τώρα

Το γήπεδο προσγειώνεται σε μια άβολη στιγμή για τον κλάδο της τεχνητής νοημοσύνης. Οι παγκόσμιες δαπάνες για την τεχνητή νοημοσύνη προβλέπεται να φτάσουν τα 2,59 τρισεκατομμύρια δολάρια το 2026, σημειώνοντας αύξηση 47% από έτος σε έτος, σύμφωνα με στοιχεία της Gartner που επικαλείται η CFO Dive. Ωστόσο, οι αποδείξεις ότι οι δαπάνες αποδίδουν παραμένουν ελάχιστες. Μια μελέτη της PwC που κυκλοφόρησε τον Ιανουάριο διαπίστωσε ότι μόνο το 12% των CEOs δήλωσαν ότι η τεχνητή νοημοσύνη είχε αποφέρει οφέλη τόσο κόστους όσο και εσόδων. Ένα άλλο 33% ανέφερε κέρδη είτε στο κόστος είτε στα έσοδα, ενώ το 56% δήλωσε ότι δεν είχε δει κανένα σημαντικό οικονομικό όφελος μέχρι στιγμής.

Αυτό το κενό προκαλεί ορατή απογοήτευση στην κορυφή της εταιρικής κλίμακας. Ο Διευθύνων Σύμβουλος της Palantir Alex Karp είπε πρόσφατα στο CNBC ότι πολλοί ηγέτες επιχειρήσεων έχουν "κουραστεί" από τα οικονομικά των μεγάλων γλωσσικών μοντέλων, αμφισβητώντας εάν το αυξανόμενο κόστος συμβολικών μεταφράζεται σε αποδόσεις — σχόλια που έκανε ο Karp προωθώντας την τεχνολογία της Palantir και αναγνώρισε ότι έχουν εμπορικά κίνητρα.

Για το OpenAI, το οποίο πουλά τα εν λόγω token, η επαναπλαισίωση της συζήτησης γύρω από τα αποτελέσματα και όχι την κατανάλωση είναι στρατηγικά ζωτικής σημασίας. Εάν οι πελάτες μετρούν την επιτυχία με την εργασία που έχουν ολοκληρώσει, τότε η πληρωμή περισσότερων για ένα μοντέλο προορισμού που ολοκληρώνει μια περίπλοκη εργασία αξιόπιστα μοιάζει με αποτελεσματικότητα και όχι σπατάλη.

Μια μετατόπιση από τη νοοτροπία των καθισμάτων και των ανανεώσεων

Η ιδέα «χρήσιμης ευφυΐας ανά δολάριο» ευθυγραμμίζεται με μια ευρύτερη επανεξέταση του τρόπου με τον οποίο η τεχνητή νοημοσύνη θα πρέπει να τιμολογείται και να μετράται. Το παραδοσιακό εταιρικό λογισμικό πωλήθηκε ανά θέση. Η τιμολόγηση της τεχνητής νοημοσύνης με βάση τη χρήση καταρρίπτει αυτό το μοντέλο, επειδή μια μεμονωμένη θέση μπορεί πλέον να καταναλώνει πολύ διαφορετικά ποσά υπολογισμού ανάλογα με την εργασία. Οι τέσσερις ερωτήσεις του Friar ζητούν αποτελεσματικά από τους αγοραστές να δημιουργήσουν εσωτερική λογιστική γύρω από ολοκληρωμένες εργασίες και κόστος ανά επιτυχημένη εργασία — ένας αριθμός πολύ πιο δύσκολο να παρακολουθηθεί από τον αριθμό εργαζομένων, αλλά αντανακλά τι κάνει στην πραγματικότητα η τεχνολογία.

Δεν είναι όλοι πεπεισμένοι ότι το νέο κριτήριο ευνοεί τους αγοραστές. Οι επικριτές σημειώνουν ότι η "εργασία που ολοκληρώθηκε" είναι ολισθηρή στον ορισμό και τον έλεγχο, και ότι οι πωλητές έχουν κάθε κίνητρο να ταξινομήσουν την παραγωγή τεχνητής νοημοσύνης ως επιτυχημένη. Η αξιοπιστία - η τρίτη ερώτηση του Friar - είναι ιδιαίτερα δύσκολο να μετρηθεί όταν τα μοντέλα παράγουν σίγουρες αλλά εσφαλμένες απαντήσεις, το φαινόμενο που είναι γνωστό ως ψευδαίσθηση. Χωρίς ανεξάρτητη επαλήθευση, η μέτρηση κινδυνεύει να γίνει εργαλείο μάρκετινγκ και όχι μηχανισμός λογοδοσίας.

Ωστόσο, η πρόταση αντικατοπτρίζει μια πραγματική αλλαγή στη συζήτηση. Μετά από δύο χρόνια μετρήσεων υιοθέτησης χωρίς ανάσα, τα στελέχη απαιτούν αποδείξεις ότι η δαπάνη για τεχνητή νοημοσύνη κερδίζει τη δέσμευσή της. Οι εταιρείες που μπορούν να απαντήσουν στις τέσσερις ερωτήσεις του Friar με δεδομένα - είτε χρησιμοποιούν μοντέλα του OpenAI είτε ενός ανταγωνιστή - θα είναι αυτές των οποίων οι προϋπολογισμοί επιβιώνουν από τον αναπόφευκτο έλεγχο.

Πηγές

  • CFO Dive, "OpenAI ωθεί νέο μέτρο για τη μέτρηση των επενδύσεων σε τεχνητή νοημοσύνη", 17 Ιουλίου 2026
  • Axios, "Αποκλειστικό: Ο CFO του OpenAI παρουσιάζει έναν νέο τρόπο μέτρησης της αξίας του AI", 17 Ιουλίου 2026
  • Fortune, "Ο οικονομικός διευθυντής του OpenAI: 4 ερωτήσεις που αποκαλύπτουν εάν η δαπάνη σας για τεχνητή νοημοσύνη αποδίδει", 17 Ιουλίου 2026

Μείνετε μπροστά στην επιχειρηματική τεχνητή νοημοσύνη

Τα οικονομικά της τεχνητής νοημοσύνης ξαναγράφονται σε πραγματικό χρόνο. Προσθέστε σελιδοδείκτη στην αρχική μας σελίδα για [την πιο πρόσφατη επιχειρηματική κάλυψη AI] (https://aibuzzwire.news).

Διαβάστε περισσότερα νέα AI →