OpenAI这周发了一篇写给企业客户的长文，主题是"智能体时代该怎么管AI投资"。文章给出五步框架：看清用量和支出、按结果算模型ROI、先建治理再规模化、把AI投资当组合管理、按需求匹配产能。配合框架，OpenAI同时更新了ChatGPT Work后台的用量分析和支出控制功能。听起来是一篇标准的企业服务通稿，但里面塞的一组基准数字，比框架本身更值得扒一扒。
文章说，从GPT-4到GPT-5.4，每百万token价格降了97%，GPT-5.6在编码智能体测试中比前代少用54%输出token、少花57%时间。这组数字来自第三方机构Artificial Analysis的Coding Agent Index。问题在于，OpenAI没说清楚：比的对象是谁，评测机构和OpenAI是什么关系。
80分和77分之间，比的其实是两套工具链
查了Artificial Analysis自己公布的测试细节，GPT-5.6（搭配Codex，型号Sol max）在这项指数上得分80，Claude Code跑Claude Fable 5（max版本，带Opus 4.8兜底）得分77。单任务平均耗时，GPT-5.6是10.2分钟，Claude这边是23.5分钟，节省幅度对应原文说的57%。单任务成本，GPT-5.6约7.08美元，Claude约11.75美元，便宜四成左右。测试覆盖321个任务、三个基准家族，每个任务跑三次取结果。
| 指标 | GPT-5.6 / Codex | Claude Fable 5 / Claude Code |
|---|---|---|
| 综合得分 | 80 | 77 |
| 单任务耗时 | 10.2分钟 | 23.5分钟 |
| 单任务成本 | 7.08美元 | 11.75美元 |
分项子基准里GPT-5.6也全面领先，DeepSWE、Terminal-Bench v2、SWE-Atlas-QnA三项都占优。数字看着确实好看，但这里有一个容易被忽略的设计：这个指数比的不是裸模型，而是"模型+智能体工具链"的组合——Codex配GPT-5.6，对Claude Code配Claude Fable 5。工具链的调度、重试策略、上下文管理方式不一样，性能差距里有多少是模型本身的能力差，有多少是工具设计的差，这份基准回答不了。
裁判帮训练过运动员，这场比赛还算独立吗
更关键的一点是，Artificial Analysis自己披露过，曾协助OpenAI做GPT-5.6的预发布评估。也就是说，出具这份"权威第三方基准"的机构，和被测对象之一有过合作关系。这不代表数字造假，但"独立评测"这个说法需要打个折扣——裁判提前陪一方练过兵，比赛结果自然更值得多问一句。
Anthropic目前没有公开回应这份基准，考不考虑自己复测或换个搭配方式对比，值得后续观察。行业里基准测试和被测厂商存在合作关系并不罕见，但很少被公开摆到台面上讨论，这次算是一个难得的暴露窗口。
- 风险.企业若直接采信厂商自选的基准对比，容易把"工具链差异"误读成"模型能力差距"，选型判断会跑偏。
企业该盯的不是token降价，是自己的验证流程
OpenAI这篇文章真正想推的是ChatGPT Work和Admin Console的用量分析、支出控制功能，五步框架本质是销售话术的包装。这不是说框架没有价值——"按结果算ROI""先治理再规模化"这些提法方向是对的，很多企业确实还停留在按token价格拍脑袋的阶段。但框架和厂商自证的基准数字，是两件要分开看的事。
对负责选型的技术负责人来说，更实际的做法是：要求供应商提供同一工具链下的裸模型对比数据，而不是各自搭配最优组合的结果；把"每美元有效产出"这类指标自己重新定义，用自家真实工作流跑一遍，而不是照搬厂商公布的分数。7.08美元一个任务的数字，也没算进企业自己那套审批、复核、治理的隐性成本，这部分往往比模型账单更贵。
顺带一提，检索时发现一个细节：原文标题对应的实际页面标注日期是2026年6月18日，这个日期本身存疑，可能是工具抓取错误，也可能是未来排期内容的提前曝光。这类细节说明，企业客户看到的"官方发布"，边界本身也没那么清晰，多留一个心眼总没坏处。