OpenAI B2B Signali
Granična prednost počinje se umnožavati.
Danas predstavljamo B2B Signale, poslovno proširenje OpenAI Signala koje mjeri kako se AI širi među organizacijama. Rani signal je jasan: granične firme odmiču ispred drugih ne samo zato što imaju pristup AI-u, već zato što ga dublje koriste u svim tokovima rada.
B2B signali su periodični skup mjera zasnovan na opsežnoj analizi korištenja umjetne inteligencije u preduzećima uz očuvanje privatnosti. Prati ponašanja i obrasce koji mogu pomoći organizacijama da razumiju kako pretvoriti inteligenciju u poslovnu vrijednost.
Granične firme—one koje posluju na 95. percentilu upotrebe AI-a—koriste više inteligencije po radniku, intenzivnije usvajaju napredne alate i dublje integrišu AI u tokove rada. Jaz se počinje kumulirati kod nekih firmi, a razlika sve više proizlazi iz dubine korištenja.
Ključni zaključci
- Granična prednost počinje da se kumulira: Granične firme sada koriste 3,5 puta više inteligencije po radniku u poređenju s tipičnim firmama, što je porast u odnosu na 2 puta prije godinu dana.
- Granične kompanije koriste AI na dublji način, ne samo češće: Količina poruka objašnjava samo 36% jaza između graničnih i uobičajenih kompanija. Većina granične prednosti proizlazi iz dublje upotrebe.
- Agentni radni tokovi postaju pokazatelj graničnog usvajanja: Razlika je najveća kod naprednih agentnih alata, pri čemu granične firme šalju 16 puta više Codex poruka nego tipične firme.
- Firme mogu zatvoriti granični jaz kroz organizacijske promjene: Da bi sustigle druge, firme trebaju mjeriti dubinu korištenja, dati prioritet upravljanju, ulagati u osposobljavanje, proširiti ono što funkcioniše i preći s pomoći putem chata na delegirani rad s agentima.
Dubina
Granična prednost počinje se akumulirati, a firme koje najviše koriste AI dodatno povećavaju svoju prednost
Implementacija mjesta samo je početna tačka za preduzeća. Jasniji pokazatelj je da li zaposlenici koriste AI za dublji i složeniji rad. Ovaj grafikon poredi broj tokena generiranih po radniku u graničnoj firmi, definiranoj kao 95. percentil, s tipičnom firmom, definiranom kao 50. percentil.
Tokeni su nesavršena mjera poslovne vrijednosti. Kratak odgovor može biti veoma vrijedan, a dug odgovor može imati malu vrijednost. Ali obim tokena pomaže izmjeriti koliko posla zaposlenici traže da AI obavi, što ga čini korisnim posrednim pokazateljem dubine korištenja AI i količine inteligencije koju zaposlenici zahtijevaju od AI.
Granična firma zahtijeva 3,5 puta više inteligencije po radniku nego tipična firma. Ovaj jaz se povećao sa 2x u aprilu 2025., što sugerira da firme koje najdublje koriste AI povećavaju svoju prednost i da su u boljoj poziciji da pretvore nove AI mogućnosti u dublji, složeniji rad.
Većina granične prednosti dolazi iz dublje upotrebe, a ne iz većeg broja poruka
Granična firma zahtijeva znatno više inteligencije po radniku nego tipična firma, ali većina tog jaza ne može se objasniti samo obimom poruka. Ovaj grafikon razlaže 3,5 puta veću graničnu prednost i pokazuje da bi, kada bi tipična firma slala poruke istom stopom kao granična firma, zatvorila samo 36% jaza od 3,5 puta.
Preostali jaz povezan je s dubljim korištenjem. Radnici na granici traže od AI-ja da preuzme složenije zadatke, pruži modelima bogatiji kontekst i generira sadržajnije rezultate.
Širina
Granična prednost je najveća kod naprednih i agentnih alata, predvođena 16x većom upotrebom Codexa
Granična prednost je najveća kod alata koji podržavaju naprednije radne tokove. Codex pokazuje najveću razliku, pri čemu granični šalje 16 puta više poruka po radniku. ChatGPT Agent, Aplikacije u ChatGPT‑u, Duboko istraživanje i GPT‑ovi također pokazuju relativno velike razlike, što sugerira da su granični sistemi bolji u iskorištavanju alata koji pomažu radnicima da kodiraju, delegiraju višestepene zadatke, primjenjuju kontekst kompanije i provode složenija istraživanja.
Nasuprot tome, pristupačniji alati šire namjene, kao što su korisničko otpremanje, pretraga i analiza podataka, pokazuju manju graničnu prednost. Većini firmi je lakše koristiti ove alate jer proširuju poznate tokove rada. Granična prednost je najizraženija kod naprednih i agentnih alata, gdje usvajanje zahtijeva više stručnosti, povezanost sa znanjem i alatima na radnom mjestu te veću spremnost za delegiranje rada AI-ju.
Najveća granična prednost je u obrazovanju i učenju
Prednost graničnih firmi je najveća kod zadataka obrazovanja i učenja, gdje granična firma šalje sedam puta više poruka od tipične firme. Na graničnom nivou, firme koriste AI kako bi pomogle zaposlenicima da razvijaju vještine i uče nove teme. Oni također koriste AI kako bi poboljšali svoje razumijevanje same AI, uključujući šta ona može učiniti, kako je učinkovito koristiti i gdje se može uklopiti u postojeće tokove rada. Veličina jaza ukazuje na to da tipična firma možda nedovoljno koristi AI kao alat za učenje i razvoj radne snage.
Kodiranje također pokazuje veliki jaz od 4x, što je u skladu sa širim jazom u upotrebi naprednih i agentskih alata. Praktične upute te pisanje i komunikacija imaju najmanje granične jazove, vjerovatno zato što su ovi zadaci pristupačniji i poznatiji načini upotrebe AI-ja.
Rješavanje problema viška sposobnosti zahtijeva osposobljavanje, a ne samo pristup. OpenAI-evi resursi za preduzeća i OpenAI Akademija uključuju praktične vodiče, materijale za obuku i resurse za implementaciju koji pomažu timovima da s povjerenjem usvoje umjetnu inteligenciju.
Upotreba AI je najšira u pisanju, ali raste upotreba specifična za određene funkcije
Pisanje i komunikacija i dalje su najčešći načini korištenja ChatGPT‑a. Međutim, obrasci korištenja se značajno razlikuju ovisno o funkciji. 60% poruka iz oblasti IT-a i sigurnosti koncentrirano je na uputstva tipa „kako uraditi“ i proceduralne smjernice, gotovo polovina poruka iz oblasti razvoja softvera i nauke o podacima i inženjeringa povezana je s kodiranjem, a desetina poruka iz oblasti finansija povezana je s analizom i izračunima.
Ovi obrasci su u skladu sa širim dokazima da granični modeli napreduju u zadacima na radnom mjestu koji imaju ekonomsku vrijednost. GDPval, evaluacija stvarnog rada zasnovanog na znanju u 44 zanimanja, mjeri učinak na zadacima koji daju praktične rezultate, poput dokumenata, proračunskih tabela, slajdova, dijagrama i multimedije. Kako AI postaje sposobniji, čini se da se njegova upotreba u preduzećima širi na zadatke koji su bliže povezani s osnovnim radom svake funkcije.
Tip zadatka u poslovnom kontekstu
| Poslovni kontekst | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Zadaci ChatGPT-a | ||||||||||||
| Pisanje i komunikacija | ||||||||||||
| Upute kako nešto uraditi i proceduralne smjernice | ||||||||||||
| Informacija | ||||||||||||
| Analiza i proračuni | ||||||||||||
| Savjet | ||||||||||||
| Kreativni mediji | ||||||||||||
| Trgovina | ||||||||||||
| Kodiranje | ||||||||||||
| Obrazovanje i učenje | ||||||||||||
Doseg
Liderstvo po industrijama nije jednodimenzionalno: različiti sektori prednjače u ChatGPT‑u, Codex-u i API-ju
Ne postoji jedinstvena rang-lista usvajanja AI-ja. Rangiranja po industrijama variraju u zavisnosti od korištenog mjerila. Profesionalne, naučne i tehničke usluge su na prvom mjestu i po usvajanju Codex i po intenzitetu API-ja, što ukazuje na relativno napredno korištenje u tokovima rada za programere i u tokovima rada integrisanim u proizvod. Finansije i osiguranje prednjače u usvajanju ChatGPT‑a zbog implementacija velikih razmjera, dok obrazovne usluge imaju najveći intenzitet poruka, što ukazuje na dublje korištenje po osobi. Maloprodaja i Zdravlje su visoko rangirani po intenzitetu API-ja, iako su niže rangirani prema drugim mjerilima.
Ove razlike sugeriraju da liderstvo u industriji nije jednodimenzionalno. Čini se da neki sektori usvajaju umjetnu inteligenciju kroz tehničke i programerske tokove rada, dok drugi povećavaju obim kroz široko usvajanje ChatGPT‑a ili intenzivnije korištenje među krajnjim korisnicima.
Rangiranje industrija prema metrici usvajanja AI
| Industrije | ||||
|---|---|---|---|---|
| Finansije i osiguranje | 1+1 | 10-4 | 30 | 60 |
| Informacija | 2-1 | 20 | 20 | 4-1 |
| Profesionalne, naučne i tehničke usluge | 30 | 10 | 10 | 10 |
| Umjetnost, zabava i rekreacija | 40 | 4-1 | 50 | 3+1 |
| Komunalije | 50 | 80 | 90 | 90 |
| Gradnja | 6-1 | 50 | 10-1 | 10-1 |
| Nekretnine, najam i leasing | 7-1 | 7+1 | 11-1 | 80 |
| Proizvodnja | 8-1 | 3+1 | 40 | 70 |
| Zdravlje i socijalna pomoć | 90 | 90 | 6+1 | 50 |
| Maloprodajna trgovina | 10-2 | 11-1 | 7-1 | 20 |
| Javna uprava | 11-1 | 6+1 | 80 | 11-1 |
Preduzeća uvode korištenje API-ja u produkcijske tokove rada i aplikacije usmjerene prema korisnicima
Kompanije sve više koriste API kako bi direktno integrirale modele u proizvode, usluge i interne sisteme. Uobičajeni produkcijski slučajevi upotrebe uključuju asistente unutar aplikacija, alate za kodiranje i programerske alate, korisničku podršku, istraživačke tokove rada i automatizaciju tokova rada.
Ove implementacije pokazuju kako UI u preduzećima prevazilazi fazu eksperimentisanja i prelazi u ponovljive tokove rada s mjerljivim operativnim utjecajem. U primjerima korisnika, firme koriste OpenAI modele kako bi ubrzale rad sa znanjem, poboljšale inženjerski protok i izgradile iskustva pokretana umjetnom inteligencijom za korisnike i zaposlenike.
Najbolji slučajevi upotrebe API-ja po industriji
Profesionalne usluge
Asistenti za znanje i pretraga (npr. Q&A alati, istraživački asistenti, interni asistenti za znanje)
Korisnička i prodajna podrška (npr., korisnička podrška, glasovni agenti i agenti za chat, prodajna pomoć)
Analiza podataka, sažimanje i ekstrakcija (npr. analiza podataka o kompaniji, tržišne informacije, označavanje i usklađivanje transakcija)
Kodiranje i alati za programere (npr. alati za evaluaciju modela, asistenti za kodiranje, alati za automatizaciju radnih tokova)
Finansije i osiguranje
Analiza podataka, sažimanje i ekstrakcija (npr. ekstrakcija podataka, analiza računa i troškova, istraživanje investicija)
Generisanje dokumenata i radnih procesa (npr. automatizirano upravljanje troškovima, kreiranje sažetaka istraživanja, optimizacija radnih procesa)
Asistenti za znanje i asistenti za pretragu (npr., asistenti za investicijsku strategiju, pretraga politika, asistenti specifični za ulogu.)
Korisnička i servisna podrška (npr. glasovni i chat agenti, lični bankarski asistenti, klasifikacija osjećaja)
Informacija
Kodiranje i alati za programere (npr. asistenti za kodiranje, alati za testiranje softvera, alati za web automatizaciju)
Asistenti za znanje i pretraga (npr. asistenti unutar proizvoda, interni alati za pretragu, asistenti za dokumentaciju)
Korisnička i servisna podrška (npr. glasovni agenti i agenti za chat za korisničku podršku, višekanalna automatizacija korisničke podrške)
Generiranje sadržaja, medija i dizajna (npr. generiranje brend materijala, marketinški alati)
Cisco koristi Codex za ubrzavanje složenog softverskog rada u velikoj inženjerskoj organizaciji na nivou preduzeća. U produkcijskim tokovima rada, Codex je pomogao smanjiti vremena izgradnje za oko 20%, uštedjeti više od 1.500 inženjerskih sati mjesečno i povećati protok rješavanja defekata za 10-15×. Kako je to rekao Ciscoov tim, najveći pomaci su ostvareni kada su Codex tretirali kao „dio tima.”
Rakuten je uveo Codex u inženjerske operacije i isporuku softvera, smanjivši prosječno vrijeme do oporavka za približno 50% i omogućivši timovima da rješavaju probleme u produkciji dvostruko brže. Rakuten također koristi Codex za automatizirani pregled koda i provjere ranjivosti usklađene s internim standardima, čime pomaže ubrzati isporuke bez ugrožavanja sigurnosti. Na složenim projektima, Codex može pretvoriti djelimične zahtjeve u funkcionalne implementacije cijelog stacka, skraćujući vremenske okvire s kvartala na sedmice.
Balyasny Asset Management koristi OpenAI za ubrzavanje istraživanja ulaganja u velikoj, specijaliziranoj organizaciji koja se bavi znanjem. Njenu vlasničku platformu za istraživanje umjetne inteligencije koristi otprilike 95% investicijskih timova, što pomaže u skraćivanju istraživačkih procesa sa dana na sate. Na primjer, analiza govora centralne banke koja je ranije trajala dva dana sada traje oko 30 minuta, omogućavajući analitičarima brže donošenje zaključaka na osnovu prijava, transkripata, izvještaja i tržišnih podataka.
Posjetite našu stranicu s pričama kupaca za više primjera.
Šta organizacije mogu učiniti kako bi dostigle granice napretka
OpenAI sarađuje s preduzećima iz različitih industrija, funkcija i faza zrelosti AI-ja, što nam daje uvid u to kako se usvajanje razvija od eksperimentisanja do produkcijske upotrebe. U svim ovim implementacijama, firme koje najviše napreduju obično se manje fokusiraju samo na pristup, a više na organizacijske sisteme potrebne za dubinsku upotrebu AI-ja: mjerenje, upravljanje, omogućavanje, skaliranje uticaja i implementaciju agentske AI.
Izdvaja se pet praksi kao praktični koraci koje svaka organizacija može početi poduzimati već danas kako bi produbila usvajanje AI-a.
- Izmjeri dubinu upotrebe pored pristupa.
Relevantan pokazatelj nije samo koliko zaposlenika ima AI račune, već i da li timovi s vremenom koriste AI na suštinskiji način. Organizacije bi trebale pratiti da li upotreba AI-ja postaje češća, složenija i povezanija s vrijednim tokovima rada. - Izgradite upravljanje koje omogućava upotrebu u produkciji.
Vodeće firme ne izbjegavaju upravljanje. Oni ga koriste kako bi agentsku AI učinili lakšom za implementaciju. Firmama su potrebna jasna pravila o tome gdje agenti mogu djelovati, koje informacije mogu koristiti, kada trebaju savjetovati umjesto da preduzimaju radnje i kako ljudi pregledaju odluke višeg rizika. Granične firme definiraju ove standarde kao dio procesa implementacije, tako da upravljanje postaje način da se usvajanje sigurno proširi, a ne da ga usporava. - Tretirajte omogućavanje kao ključnu infrastrukturu, a ne kao sporedni projekat.
Kako se sposobnosti umjetne inteligencije poboljšavaju, i radnicima i organizacijama potrebni su sistemi koji im pomažu da prate tempo. Granične firme ne tretiraju osposobljavanje kao jednokratnu inicijativu za obuku. Oni ugrađuju kontinuirano učenje u implementaciju kroz obuku specifičnu za uloge, radionice o slučajevima upotrebe, hakatone, interne mreže prvaka, namjensko vrijeme za eksperimentisanje i dijeljene repozitorije tokova rada, najboljih praksi i vještina. - Identificiraj svoje granične timove i skaliraj njihov uticaj.
U mnogim organizacijama najnaprednija upotreba koncentrisana je u malom broju timova. Ti timovi mogu otkriti koji radni tokovi, navike i operativni modeli zaista funkcionišu. Rukovodioci bi trebali identificirati ove timove, razumjeti i skalirati uslove koji stoje iza njihovog uspjeha te im pomoći da podijele uvide i primjere dublje upotrebe AI-ja s ostatkom firme. - Pređi s razgovora na delegiranje posla.
AI za preduzeća prelazi sa razgovornih asistenata na posao koji se može delegirati agentima. Softversko inženjerstvo ilustruje ovaj trend, ali se delegirani posao širi na različite funkcije. Uz Codex, inženjeri mogu predati jasno definisan zadatak, dati agentu kontekst koji mu je potreban, pustiti ga da radi na datotekama, kodnim bazama i alatima, zatim pregledati rezultat i poboljšati tok rada uz povratne informacije. Granične firme podstiču radnike da delegiraju zadatke AI-ju, umjesto da AI koriste samo kao statičnog pomoćnika.
Sve analize u ovom izvještaju temelje se na deidentifikovanim i agregiranim podacima o korištenju u kompanijama. Sadržaj poruka klasificiran je pomoću automatiziranih sistema, a nijedan zaposlenik OpenAI-a nije pregledao pojedinačne podatke enterprise, business ili API korisnika u sklopu ove analize.
Ako želiš istražiti potpune nalaze ili naučiti kako odgovorno unijeti AI u svoju organizaciju, [rado bismo se povezali].
Otkrij više
Istraživanje i analiza
Istraživanje i analiza o usvajanju AI i njegovom uticaju na ekonomiju i društvo.