B2B signály OpenAI

Dnes představujeme B2B Signals, firemní rozšíření OpenAI Signals⁠, které měří to jak je umělá inteligence rozšířená v rámci organizací. Počáteční signál je jasný: průkopnické firmy získávají náskok nejen proto, že mají přístup k AI, ale proto, že ji využívají hlouběji napříč pracovními činnostmi.

B2B Signals je pravidelně aktualizovaný soubor ukazatelů založený na rozsáhlé analýze využívání umělé inteligence ve firmách, která zachovává ochranu osobních údajů. Sleduje chování a vzorce, které mohou organizacím pomoci pochopit, jak proměnit inteligenci na obchodní hodnotu.

Průkopnické firmy (ty, které patří do 95. percentilu ve využívání AI) využívají více inteligence na pracovníka, intenzivněji zavádějí pokročilé nástroje a začleňují AI hlouběji do pracovních postupů. Tento rozdíl se u některých firem začíná kumulovat a stále více pramení z rozsahu využití.

Klíčové poznatky

• Výhoda průkopnických firem se začíná kumulovat: Průkopnické firmy nyní využívají na pracovníka 3,5× tolik inteligence ve srovnání s běžnými firmami, zatímco před rokem to bylo 2× tolik. 
• Průkopnické firmy využívají umělou inteligenci hlouběji, nejen častěji: Objem zpráv vysvětluje pouze 36 % rozdílu mezi průkopnickými a typickými firmami. Většina výhody průkopnických firem pramení z hlubšího využívání. 
• Agentní pracovní postupy se stávají ukazatelem zavádění v průkopnických firmách: Největší rozdíl je u pokročilých agentních nástrojů. Průkopnické firmy odesílají v Codexu 16× více zpráv než běžné firmy. 
• Firmy mohou rozdíl proti průkopnickým firmám dohnat organizační změnou: Aby dohnaly náskok, musí měřit hloubku využívání, stanovit správu a řízení jako prioritu, investovat do podpory zavádění, rozšiřovat to, co funguje, a přejít od asistence založené na chatu k delegované práci s agenty.

Výhoda plynoucí z průkopnické pozice se začíná kumulovat a firmy, které umělou inteligence využívají nejintenzivněji, si zvyšují náskok

Nasazení licencí je pro podniky pouze výchozím bodem. Jasnějším ukazatelem je, zda zaměstnanci používají umělou inteligenci k hlubší a složitější práci. Tento graf ukazuje porovnání počtu tokenů vygenerovaných na pracovníka u průkopnické firmy, definované jako 95. percentil, a u typické firmy, definované jako 50. percentil.

Tokeny jsou nedokonalým měřítkem obchodní hodnoty. Krátká odpověď může být velmi hodnotná a dlouhá odpověď může být málo hodnotná. Objem tokenů však pomáhá měřit, kolik práce zaměstnanci po umělé inteligenci požadují, takže je užitečným zástupným ukazatelem hloubky využívání umělé inteligence a množství informací, které zaměstnanci od umělé inteligence vyžadují.

Průkopnická firma vyžaduje 3,5× tolik informací na pracovníka než typická firma. Tento rozdíl se od dubna 2025, kdy se jednalo o dvojnásobek, zvětšil, což ukazuje na to, že firmy, které umělou inteligenci využívají nejvíce do hloubky, zvětšují svůj náskok a mají lepší předpoklady nové schopnosti umělé inteligence využívat k hlubší a komplexnější práci.

Většina výhody průkopnických firem pramení z hlubšího využívání, nikoli z vyššího objemu zpráv

Průkopnická firma vyžaduje podstatně více informací na jednoho pracovníka než typická firma, ale většinu tohoto rozdílu nelze vysvětlit pouze objemem zpráv. Tento graf rozkládá 3,5násobnou výhodu průkopnických firem a ukazuje, že kdyby typická firma posílala zprávy stejnou frekvencí jako průkopnické firmy, překlenula by pouze 36 % z 3,5násobného rozdílu.

Zbývající rozdíl souvisí s hlubším využíváním. Pracovníci v průkopnických firmách žádají umělou inteligenci, aby dělala složitější práci, poskytují modelům bohatší kontext a generují obsahově bohatší výstupy.

Výhoda na hranici je největší u pokročilých a agentních nástrojů, v čele se 16× vyšším využitím Codexu

Výhoda na hranici je největší u nástrojů, které podporují pokročilejší pracovní postupy. Codex vykazuje největší rozdíl: firmy na hranici posílají na pracovníka 16× více zpráv. ChatGPT Agent, Apps in ChatGPT, Deep Research a GPTs také vykazují poměrně velké rozdíly, což naznačuje, že firmy na hranici lépe využívají nástroje, které pracovníkům pomáhají programovat, delegovat vícekrokové úkoly, uplatňovat firemní kontext a provádět složitější výzkum.

Naproti tomu obecnější a dostupnější nástroje, jako jsou User Upload, Search a Data Analysis, vykazují menší výhodu na hranici. Tyto nástroje jsou pro většinu firem snáze použitelné, protože rozšiřují známé pracovní postupy. Výhoda na hranici je nejvýraznější u pokročilých a agentních nástrojů, kde přijetí vyžaduje více odbornosti, propojení se znalostmi a nástroji na pracovišti a větší ochotu delegovat práci na AI.

Největší výhoda na hranici je ve vzdělávání a učení

Výhoda na hranici je největší u úkolů spojených se vzděláváním a učením, kde firma na hranici posílá 7× více zpráv než typická firma. Na hranici firmy používají AI k tomu, aby zaměstnancům pomáhaly rozvíjet dovednosti a učit se nová témata. AI také využívají ke zlepšení porozumění samotné AI, včetně toho, co dokáže, jak ji dobře používat a kde se může začlenit do stávajících pracovních postupů. Velikost rozdílu naznačuje, že typická firma může AI jako nástroj pro vzdělávání a rozvoj pracovníků využívat nedostatečně.

Také programování vykazuje velký rozdíl 4×, v souladu s širším rozdílem v používání pokročilých nástrojů a agentních nástrojů. Návody a psaní a komunikace mají nejmenší rozdíly na hranici, pravděpodobně proto, že tyto úkoly představují dostupnější a známější způsoby využití AI.

Využití AI je nejširší při psaní, ale využití specifické pro funkce roste

Psaní a komunikace zůstávají nejběžnějším využitím ChatGPT. Vzorce využití se však podle funkce výrazně liší. 60 % zpráv v IT a bezpečnosti se soustředí na návody a procedurální pokyny, téměř polovina zpráv ve vývoji softwaru a v datové vědě a datovém inženýrství souvisí s programováním a desetina zpráv ve financích souvisí s analýzou a výpočty.

Tyto vzorce odpovídají širším důkazům, že frontier modely se zlepšují v ekonomicky hodnotných pracovních úkolech. GDPval⁠, hodnocení reálné znalostní práce napříč 44 profesemi, měří výkon v úkolech, které vytvářejí praktické pracovní výstupy, jako jsou dokumenty, tabulky, prezentace, diagramy a multimédia. S tím, jak se AI stává schopnější, se zdá, že podnikové využití směřuje k úkolům, které jsou těsněji spojeny s hlavní prací jednotlivých funkcí.

Vedoucí postavení v odvětvích není jednorozměrné: různé sektory vedou v ChatGPT, Codexu i API

Neexistuje jediný žebříček adopce AI. Pořadí odvětví se liší podle použité metriky. Profesní, vědecké a technické služby jsou na prvním místě jak v přijetí Codexu, tak v intenzitě API, což ukazuje na relativně pokročilé využití ve vývojářských pracovních postupech a pracovních postupech integrovaných do produktů. Finance a pojišťovnictví vedou v adopci ChatGPT díky rozsáhlým nasazením, zatímco vzdělávací služby mají nejvyšší intenzitu zpráv, což naznačuje hlubší využití na osobu. Maloobchod a zdravotní péče se umisťují vysoko v intenzitě API navzdory nižším pozicím v jiných metrikách.

Tyto rozdíly naznačují, že vedoucí postavení v odvětvích není jednorozměrné. Některá odvětví zřejmě přijímají AI prostřednictvím technických a vývojářských pracovních postupů, zatímco jiná škálují prostřednictvím široké adopce ChatGPT nebo intenzivnějšího využití koncovými uživateli.

Podniky přesouvají využití rozhraní rozhraní API do produkčních pracovních postupů a aplikací orientovaných na zákazníky

Firmy stále častěji využívají rozhraní API k integraci modelů přímo do svých produktů, služeb a interních systémů. Mezi běžné případy použití v produkčním nasazení patří asistenti v aplikacích, nástroje programování a vývojářské nástroje, zákaznická podpora, pracovní postupy pro výzkum a automatizace pracovních postupů.

Tato nasazení ukazují, jak se podniková umělá inteligence posouvá od experimentování k opakovatelným pracovním postupům s měřitelným dopadem na provoz. V nejrůznějších příkladech zákazníků firmy využívají modely OpenAI k urychlení znalostní práce, zlepšení výkonu technických týmů a vytváření prostředí využívajících umělou inteligenci pro zákazníky i zaměstnance.

Co mohou organizace udělat, aby se dostaly na hranici

OpenAI spolupracuje s podniky napříč odvětvími, funkcemi a fázemi zralosti AI, což nám dává přehled o tom, jak se zavádění vyvíjí od experimentování po produkční nasazení. Napříč těmito nasazeními mají firmy, které dosahují největšího pokroku, tendenci soustředit se méně jen na samotný přístup a více na organizační systémy potřebné k hlubokému využívání AI: měření, governance, enablement, škálování dopadu a agentní nasazení.

Pět postupů vyniká jako praktické kroky, které může každá organizace začít dělat už dnes, aby prohloubila využívání AI.

1. Měřte hloubku využití vedle přístupu.
   Důležitým signálem není jen to, kolik zaměstnanců má účty AI, ale zda týmy v průběhu času používají AI podstatněji. Organizace by měly sledovat, zda se využití AI stává častějším, složitějším a těsněji spojeným s hodnotnými pracovními postupy.
2. Budujte governance, která umožňuje produkční využití.
   Vedoucí firmy se governance nevyhýbají. Využívají ji k tomu, aby byla agentní AI lépe nasaditelná. Firmy potřebují jasná pravidla pro to, kde mohou agenti působit, jaké informace mohou používat, kdy mají radit místo jednání a jak lidé přezkoumávají rozhodnutí s vyšším rizikem. Firmy na hranici tyto standardy definují jako součást procesu nasazení, takže se governance stává způsobem, jak bezpečně rozšiřovat adopci, místo aby ji zpomalovala.
3. Vnímejte enablement jako klíčovou infrastrukturu, ne jako vedlejší projekt.
   Jak se schopnosti AI zlepšují, pracovníci i organizace potřebují systémy, které jim pomohou držet krok. Firmy na hranici nevnímají enablement jako jednorázové školení. Budují průběžné učení do nasazení prostřednictvím školení podle rolí, workshopů k případům použití, hackathonů, interních sítí ambasadorů, vyhrazeného času na experimentování a sdílených repozitářů pracovních postupů, osvědčených postupů a dovedností. 
4. Identifikujte své týmy na hranici a škálujte jejich dopad.
   V mnoha organizacích se nejpokročilejší využití soustředí v malém počtu týmů. Tyto týmy mohou ukázat, které pracovní postupy, návyky a provozní modely fungují. Vedoucí pracovníci by měli tyto týmy identifikovat, pochopit a rozšířit podmínky stojící za jejich úspěchem a pomoci jim sdílet poznatky a příklady hlubšího využití AI se zbytkem firmy. 
5. Přejděte od chatu k delegování práce.
   Podniková AI se posouvá od chatovacích asistentů k práci, kterou lze delegovat na agenty. Softwarové inženýrství tento trend ilustruje, ale delegovaná práce se šíří napříč funkcemi. S Codexem mohou inženýři předat jasně definovaný úkol, dát agentovi kontext, který potřebuje, nechat ho pracovat napříč soubory, kódovými bázemi a nástroji, a pak výsledek zkontrolovat a s pomocí zpětné vazby pracovní postup vyladit. Firmy na hranici povzbuzují pracovníky, aby úkoly delegovali na AI, místo aby AI používali jen jako statického asistenta.

Pokud chcete prozkoumat úplná zjištění nebo se dozvědět, jak zavést AI do vaší organizace odpovědně, [rádi se s vámi spojíme⁠].