Mục lục
TL;DR: OpenAI giới thiệu Analytics trong ChatGPT Admin Console, kết hợp dữ liệu sử dụng, chi phí, loại tác vụ và chỉ số đầu ra để giúp doanh nghiệp đánh giá nơi ChatGPT Work và Codex tạo giá trị trước khi quyết định đầu tư hay mở rộng.
Việc biết bao nhiêu nhân viên dùng AI hoặc đã tiêu bao nhiêu credit mới chỉ phản ánh một phần bức tranh. Theo OpenAI, quản trị viên và lãnh đạo doanh nghiệp cần nối dữ liệu đó với công việc cụ thể mà AI hỗ trợ, thay đổi trong quy trình và kết quả kinh doanh để xác định nơi nên đào tạo, tối ưu cấu hình hoặc triển khai rộng hơn.
Bộ Analytics trong ChatGPT Admin Console được OpenAI mô tả là nơi tập hợp dữ liệu cho ChatGPT Work và Codex. Các phần chính gồm Usage, Insights và Outcomes; bên cạnh đó có plugin quản trị trong ChatGPT Work và Admin API để tạo báo cáo hoặc kết hợp dữ liệu AI với các hệ thống kinh doanh nội bộ.
Từ mức sử dụng đến loại công việc đang được hỗ trợ
Mục Usage hiển thị số người dùng hoạt động, mức dùng credit và token trên ChatGPT Work lẫn Codex. Quản trị viên có thể lọc theo nhóm hoặc từng người dùng để xem bộ phận nào đang dùng nhiều, nơi nào có mức tiếp nhận thấp, từ đó trao đổi về quy trình khởi đầu hoặc nhu cầu đào tạo.
OpenAI lưu ý rằng mức dùng và chi phí không đủ để kết luận AI có hiệu quả. Phần Insights dùng bộ phân loại tác vụ để gom một mẫu tin nhắn thành các nhóm use case và nhiệm vụ. Chẳng hạn, nhóm kỹ thuật phần mềm có thể được tách thành phát triển tính năng và bảo trì mã; nhóm bán hàng có thể có nghiên cứu khách hàng và lập kế hoạch.
Tab Overview cho cái nhìn tổng quan về cơ cấu công việc, còn Use cases đi sâu vào từng tác vụ cùng các chỉ số như credit, tin nhắn và người dùng hoạt động. Nếu một đội sales dành phần lớn credit cho nghiên cứu khách hàng và lập kế hoạch, đó là điểm bắt đầu để quản trị viên cùng chủ bộ phận xem AI đã thay đổi bước chuẩn bị tài khoản như thế nào và cần đo kết quả gì.
Image credit: OpenAI
Tìm điểm cần tối ưu cấu hình và đào tạo
Trong chi tiết từng tác vụ, Analytics phân tách mức dùng credit theo Models, Reasoning và Speed. Điều này có thể giúp doanh nghiệp kiểm tra xem cấu hình đang dùng có phù hợp với loại việc hay không. Với một bản brief thường quy, OpenAI gợi ý có thể thử thiết lập nhanh hơn hoặc chi phí thấp hơn, rồi so sánh chất lượng đầu ra và thời gian dành cho việc rà soát, sửa lỗi.
Plugin leaderboard và Skills view cho biết công cụ nào đang hỗ trợ một tác vụ. Một plugin liên quan nhưng ít được dùng có thể là dấu hiệu nhân viên chưa có quyền truy cập hoặc chưa được hướng dẫn. Ngược lại, một skill được dùng thường xuyên có thể cần người phụ trách rõ ràng và được cập nhật định kỳ để quy trình dùng AI không phụ thuộc vào kinh nghiệm cá nhân.
Cách tiếp cận này đáng chú ý vì đưa việc quản trị AI khỏi câu hỏi đơn giản là “có dùng hay không”. Dữ liệu sử dụng có thể chỉ ra nơi cần hỗ trợ, nhưng doanh nghiệp vẫn phải tự kiểm tra chất lượng, thời gian hiệu đính và mức phù hợp của công cụ với quy trình thực tế.
Đo đóng góp của Codex trong phát triển phần mềm
Với các đội kỹ thuật, phần Outcomes theo dõi đóng góp của Codex vào merged commits, số dòng mã và hoạt động code review. Bộ lọc theo nhóm, người dùng hoặc repository có thể giúp lãnh đạo kỹ thuật xem mức tiếp nhận công cụ và cân nhắc nơi cần mở rộng quyền truy cập hay hỗ trợ thêm.
Tuy vậy, tỷ lệ mã có đóng góp từ Codex không tự chứng minh năng suất phần mềm tăng lên. OpenAI khuyến nghị đối chiếu xu hướng này với thời gian review, lỗi và lượng làm lại để đánh giá liệu đội ngũ có phát hành phần mềm hiệu quả hơn hay không.
Plugin quản trị trong ChatGPT Work có thể so sánh mức tiếp nhận, chi tiêu và tác vụ, sau đó tổng hợp thành báo cáo hoặc deck phục vụ quyết định ngân sách và rollout. Với Admin API, doanh nghiệp có thể tự động hóa báo cáo trên dashboard riêng và ghép với dữ liệu vận hành; ví dụ được OpenAI nêu là đặt lượng dùng credit cạnh thời gian xử lý ticket hỗ trợ.
Khung đánh giá ROI cần bắt đầu từ quy trình
OpenAI đề xuất năm câu hỏi để đánh giá giá trị: doanh nghiệp muốn cải thiện điều gì; quy trình hiện tại vận hành ra sao; AI đã thay đổi điều gì; thay đổi đó mở ra khả năng nào cho đội ngũ; và lợi ích có tương xứng với chi phí AI, thiết lập và hỗ trợ hay không.
Điểm quan trọng là phải có baseline, tức mốc đo trước khi áp dụng AI. Khi so sánh, doanh nghiệp nên tính cả thời gian kiểm tra và chỉnh sửa đầu ra, thay vì chỉ đo thời gian tạo bản nháp. Thời gian tiết kiệm cũng chưa phải lợi ích tài chính nếu nó không được chuyển sang hoạt động có giá trị hơn, như gặp thêm khách hàng hoặc giảm công việc phải làm lại.
OpenAI đưa ra một ví dụ ROI giả định cho nghiên cứu khách hàng của đội sales: 20 nhân viên, mỗi người làm hai brief mỗi tuần trong 46 tuần và tiết kiệm ba giờ cho mỗi brief sẽ tiết kiệm 5.520 giờ mỗi năm. Nếu 50% số thời gian này được tái phân bổ vào công việc có giá trị, với chi phí lao động toàn phần 75 USD mỗi giờ, giá trị năng lực ước tính là 207.000 USD. Trừ 60.000 USD chi phí năm đầu cho AI, thiết lập, đào tạo và hỗ trợ, ROI minh họa là 245%.
Đây không phải con số dự báo chung. OpenAI nhấn mạnh ví dụ là giả định, chỉ phản ánh giá trị năng lực ước tính và không tính các lợi ích tiềm năng như tỷ lệ thắng cao hơn, hợp đồng lớn hơn hay chu kỳ bán hàng ngắn hơn.
Vì sao đáng chú ý?
Khi AI được đưa vào nhiều phòng ban, bài toán của doanh nghiệp chuyển từ cấp quyền truy cập sang lựa chọn đúng quy trình để mở rộng. Analytics có thể giúp tạo một ngôn ngữ chung giữa đội quản trị AI và chủ bộ phận: dữ liệu cho biết AI được dùng ở đâu, còn bộ phận nghiệp vụ xác định kết quả nào thực sự có ý nghĩa.
Theo hướng dẫn của OpenAI, bước khởi đầu là mở Insights, chọn một tác vụ phổ biến gắn với ưu tiên kinh doanh, thống nhất baseline và chỉ số cần theo dõi với chủ bộ phận, rồi ấn định thời điểm đánh giá. Kết quả của vòng đánh giá đó sẽ là cơ sở để mở rộng workflow, cải thiện cách sử dụng hoặc thử một cách tiếp cận khác.
- Nguồn chính thức: How to connect AI usage to business value — OpenAI — 16/09/2026
