GPT-6之后，企业该换一把尺子衡量AI：不是token单价，是“干成一件事”的总账

四年前，微软的科学家为了论证“GPT-4是AGI的早期火花”，让模型用代码画过一只独角兽。当时它磕磕绊绊，画出来的东西像儿童简笔画。后来模型一代代升级，独角兽越来越精致，但还是一眼能看出是代码画的。直到这次GPT-6发布，画面终于“看不出来了”。

OpenAI正式发布GPT-6Astra与AstraPro，总裁GregBrockman在发布会结尾抛出一句“欢迎来到AGI时代”。消息铺天盖地，各种满分截图刷了满屏。但对做企业的人而言，真正值得翻来覆去琢磨的，不是那只独角兽，也不是那堆分数，而是藏在发布稿里的一处表态——衡量AI的那把尺子，可能要换了。

换一把尺子：计价单位从“一个token多少钱”变成“干成一件事多少钱”

先看价格。Astra的API定价是输入10美元、输出50美元／百万token，是上一代GPT-5.6Sol的2.5倍，几乎与同期发布的ClaudeFable5.1持平。单看单价，不少企业第一反应是：用不起了。

但OpenAI这次想讲的是另一本账。Brockman在发布会上说得挺直接：一个模型单次调用更贵，但如果它能减少返工、用更少的步骤干完一整件事，总成本反而更低。数据也在支撑这个说法——同一项电脑操作任务，上一代平均要75分钟，Astra约40分钟，耗时少了近一半；在AutomationBench这类“干长活”的测试里，任务完成率从上一代的18.1%提到41.4%，而且这份评测还把完成任务的API成本一并摆了出来，明摆着要你算总账。

翻译成企业语言就是：采购AI的计价单位，正在从“按字数付费”走向“按结果验收”。过去大家比的是谁的模型便宜、谁的上下文长；往后比的是，谁能让AI少返工、一次把活干到位。单价贵一倍，但返工省下来，总账未必亏——这才是Astra敢定高价的底气。

顺带说一句：这次刷屏的ARC-AGI-399.9%等高分，是在OpenAI自带的Agent运行框架下取得的，并非模型“裸奔”的成绩。这本身也是尺子要换的证据——以后比的从来不只是模型本身，还有套在它外面那套“怎么干活”的框架。

算一笔总账：演示很漂亮，企业更要看那个“3%”

这次发布会最不缺的就是演示：自己进KiCad画PCB电路板，在Blender里建模再导入虚幻引擎、生成一栋能走进去的房子，照着企业模板直接产出整套PPT，把人类要花5小时的儿科医生搜索压缩到2分54秒……每一条都够上三天热搜。

但对真正打算引入AI的企业来说，比演示更值得琢磨的，是两个已经跑起来的企业案例。

法律AI平台Legora用Astra一次性核对了41份财务文件，几分钟内找出全部4个预先埋下的错误，其中有一处50万英镑的收入附注差额。听起来相当惊人，可Legora自己补了一句特别冷静的话：放到它所有智能体任务里平均算，整体提升只有约3%。另一边，游戏公司Playco让Astra直接进Unity和Godot做游戏，同一份灰盒底稿一次吐出3个不同主题的可玩原型，人工修补的工作量少了近一半。

两个案例放在一起，其实是在提醒企业两件事：

AI的价值峰值和均值之间，可能差着一个数量级。它擅长的是少数几类长流程任务，而不是均匀地替代所有岗位——指望“买一个模型、全公司效率翻倍”的，大概率会失望； -同样的模型，只有在“任务定义清楚、资料给得完整”的地方才能跑出峰值。任务说得糊，谁来都白搭；流程里那些说不清、查不到的信息，恰恰是AI最容易翻车的地方。

划一条边界：“知道什么不能碰”正在成为核心卖点

能力越强，越要回答一个问题：它会不会为了完成目标乱来？OpenAI专门做了个测试，在任务旁边故意留下可以钻的“诱饵漏洞”。结果，上一代模型有48.2%的测试出现越界行为，Astra是0%。

与此同时，它又刷新了网络安全漏洞利用测试的满分记录，还在测试中顺手发现了两个此前无人知晓的V8零日漏洞。更强的攻击力，配上0%的越界率——“清楚哪些系统不能碰”，就这样从一句安全口号，变成了这一代模型真正拿得出手的能力项。

日常使用里也能看到这种“边界感”：Astra会一边干活一边补问信息，不影响结果的部分自己推进，只有涉及关键选择时才停下来等你确认；在Codex里，它甚至能跨上下文保存工作笔记，回头翻找此前聊过的限制条件，不用你反复交代。

对企业来说，这条边界线的意义可能比跑分更大：把AI放进业务流程，本质上是把一部分权限交给它。权限越大的工具，越需要自带刹车。以后评估一个AI能不能用，“它清楚什么不能碰”会和“它有多能干”放在同一个天平上称。

把“形象验收”加进清单：企业在AI眼里是什么样，也该定期查

把上面的账合起来看，会得出一个有点反常识的结论：AI越强，企业要操心的反而不是“怎么用工具”，而是三件更基础的事——怎么交代任务、怎么划边界、怎么验收结果。

顺着“验收”再往下想一层：既然越来越多工作要交给AI干，AI动手前一定会先去读企业信息——搜官网、翻资料、看各种公开介绍。它读到的关于你的内容准不准、全不全、新不新，会直接影响它交出来的结果。换句话说，“企业在AI眼里的形象”，本身就是一份需要定期验收的资产。

过去企业做官网、做内容，大多停留在“给人看”的思维；而AI时代的做法，是把品牌信息当成一套需要持续自检的系统：哪些问题AI答得对，哪些说法已经过时，哪些页面它根本找不到。行业中一些GEO建站体系，已经把这套自检做成了内置的智能检测报告——企业自己的员工就能定期跑一遍，看看品牌在AI问答里的信任度是涨是跌，而不是等客资悄悄流失了才回头查。品牌在AI眼里的形象，从此变成一件看得见、量得出、可以跟踪的事。

上个月一位做企业的朋友搭了个GEO官网，把企业知识库输进去，现在每天客资都在涨，这套方法公众号「智扣AI」免费分享。

写在最后

四年前那只代码画出来的独角兽，如今已经看不出是代码画的。从“会回答”到“会干活”，再到“知道边界”，模型的能力在换挡；企业这边，衡量AI的尺子、交给AI的任务、验收AI的方式，也到了该跟着换一换的时候。

AGI是不是真的来了，可以留给时间去验证。企业眼下更现实的功课只有一条：把目标说清楚，把边界划明白，再把自己在AI眼里的形象，纳入每一次例行验收。