OpenAI B2B Signals

I dag introducerer vi B2B Signals, som er en forretningsmæssig udvidelse af OpenAI Signals⁠, der måler, hvordan AI udbredes på tværs af organisationer. Det tidlige signal er klart: banebrydende virksomheder ligger i spidsen, ikke kun fordi de har adgang til AI, men fordi de bruger AI mere dybtgående på tværs af arbejdsopgaver.

B2B Signals er et løbende sæt målinger, der er baseret på omfattende, privatlivsbeskyttende analyse af virksomheders brug af AI. B2B Signals følger den adfærd og de mønstre, der kan hjælpe organisationer med at forstå, hvordan intelligens kan omsættes til forretningsværdi.

Banebrydende virksomheder er dem, der ligger på 95. percentil for AI-anvendelse og anvender mere intelligens pr. medarbejder. De tager avancerede værktøjer mere intensivt i brug og integrerer AI dybere i arbejdsgangene. Forskellen begynder at forstærkes over tid for nogle virksomheder, og forskellen skyldes i stigende grad dybden af brugen.

Vigtige konklusioner

• Den banebrydende fordel begynder at vokse med renters rente: Banebrydende virksomheder bruger nu 3,5 gange så meget intelligens pr. medarbejder sammenlignet med typiske virksomheder, hvilket er en stigning fra 2 gange for et år siden. 
• Banebrydende virksomheder bruger AI mere indgående, ikke bare oftere: Beskedvolumen forklarer kun 36 % af forskellen mellem banebrydende og typiske virksomheder. Størstedelen af den banebrydende fordel kommer fra dybere brug. 
• Agentiske arbejdsgange er ved at blive en indikator for adoption blandt banebrydende virksomheder. Forskellen er størst inden for avancerede agentiske værktøjer, hvor banebrydende virksomheder sender 16 gange så mange Codex-beskeder som typiske virksomheder. 
• Virksomheder kan lukke forskellen til de banebrydende gennem organisatoriske ændringer: For at indhente det forsømte skal virksomheder måle brugens dybde, prioritere styring, investere i kompetenceopbygning, skalere det, der virker, og gå fra chatbaseret assistance til delegeret arbejde med agenter.

Den banebrydende fordel begynder at forstærke sig over tid, og de virksomheder, der bruger AI mest indgående, øger deres forspring

Implementering af licenser er kun udgangspunktet for virksomheder. Den tydeligere indikator er, om medarbejdere bruger AI til mere dybdegående og komplekst arbejde. Dette diagram sammenligner genererede tokens pr. medarbejder blandt de banebrydende virksomheder, defineret som den 95. percentil, med den typiske virksomhed, defineret som den 50. percentil.

Token er et ufuldkomment mål for forretningsværdi. Et kort svar kan være meget værdifuldt, og et langt svar kan have lav værdi. Men token hjælper med at måle, hvor meget arbejde medarbejderne beder AI om at udføre, hvilket gør det til en nyttig indikator for dybden af AI-brug og den mængde intelligens, medarbejderne efterspørger fra AI.

Den banebrydende virksomhed kræver 3,5 gange så meget intelligens pr. medarbejder som den typiske virksomhed. Denne forskel er vokset fra 2x i april 2025, hvilket tyder på, at de virksomheder, der bruger AI mest indgående, øger deres forspring og er bedre positioneret til at omsætte nye AI-kapaciteter til mere dybdegående og komplekst arbejde.

Størstedelen af den banebrydende fordel kommer af dybere brug snarere end et højere antal beskeder

Den banebrydende virksomhed kræver væsentligt mere intelligens pr. medarbejder end den typiske virksomhed, men størstedelen af forskellen kan ikke forklares med beskedvolumen alene. Dette diagram dekomponerer den banebrydende fordel på 3,5x og viser, at hvis den typiske virksomhed sendte beskeder i samme tempo som de banebrydende virksomheder, ville den kun lukke 36 % af forskellen på 3,5x.

Den resterende forskel er forbundet med mere dybdegående anvendelse. Banebrydende medarbejdere beder AI om at påtage sig mere komplekst arbejde, give modellerne rigere kontekst og generere mere indholdsrige output.

Fordelen ved banebrydende værktøjer er størst blandt avancerede og agentiske værktøjer, anført af 16 gange højere brug af Codex

Fordelen ved banebrydende teknologi er størst for værktøjer, der understøtter mere avancerede arbejdsgange. Codex viser den største forskel, idet den banebrydende gruppe sender 16 gange flere beskeder pr. medarbejder. ChatGPT‑agent, Apps i ChatGPT, Dybdegående research og GPTs viser også relativt store forskelle, hvilket tyder på, at banebrydende teknologi er bedre til at udnytte værktøjer, der hjælper medarbejdere med at kode, uddelegere opgaver i flere trin, anvende virksomhedskontekst og udføre mere kompleks research.

Derimod viser mere generelle og lettilgængelige værktøjer som Brugerupload, Søgning og Dataanalyse en mindre banebrydende fordel. Disse værktøjer er lettere for de fleste virksomheder at bruge, fordi de udvider velkendte arbejdsgange. Fordelen ved banebrydende teknologi er mest udtalt i avancerede og agentbaserede værktøjer, hvor ibrugtagning kræver mere ekspertise, forbindelser til arbejdspladsens viden og værktøjer samt større tryghed ved at uddelegere arbejde til AI.

Den største banebrydende fordel findes inden for uddannelse og læring

Fordelen for de banebrydende virksomheder er størst inden for uddannelses- og læringsopgaver, hvor de sender syv gange så mange beskeder som den typiske virksomhed. Banebrydende virksomheder anvender AI til at støtte medarbejdere i at udvikle færdigheder og lære nye emner. De anvender også AI til at forbedre deres forståelse af AI, herunder hvad den kan, hvordan den bruges effektivt, og hvor den kan integreres i eksisterende arbejdsgange. Forskellens størrelse indikerer, at den typiske virksomhed muligvis ikke udnytter AI fuldt ud som et værktøj til medarbejdernes læring og udvikling.

Kodning viser også en stor forskel på 4x, hvilket stemmer overens med den bredere forskel i avanceret og agentisk værktøjsbrug. Vejledning i fremgangsmåder samt skrivning og kommunikation har de mindste forskelle i forhold til det banebrydende niveau, sandsynligvis fordi disse opgaver er mere tilgængelige og velkendte anvendelser af AI.

Brugen af AI er mest udbredt inden for skrivning, men funktionsspecifik brug vokser

Skrivning og kommunikation er fortsat den mest almindelige anvendelse af ChatGPT. Dog varierer brugsmønstrene betydeligt efter funktion. 60 % af beskederne inden for IT og sikkerhed er koncentreret omkring praktiske vejledninger og procedurevejledning, næsten halvdelen af beskederne inden for softwareudvikling og datavidenskab og engineering er relateret til kodning, mens en tiendedel af beskederne inden for finans er relateret til analyse og beregning.

Disse mønstre stemmer overens med bredere beviser på, at banebrydende modeller forbedrer sig i økonomisk værdifulde arbejdsopgaver. GDPval⁠, en evaluering af reelt vidensarbejde på tværs af 44 erhverv, måler præstationer på opgaver, der skaber praktiske arbejdsresultater såsom dokumenter, regneark, slides, diagrammer og multimedieindhold. Efterhånden som AI bliver mere avanceret, ser det ud til, at virksomheder anvender det til opgaver, der er tættere knyttet til kernearbejdet i de enkelte funktionsområder.

Branchelederskab er ikke endimensionelt: forskellige sektorer er førende på tværs af ChatGPT, Codex og API'et

Der findes ikke én enkelt rangliste over implementering af AI. Brancheplaceringer varierer afhængigt af den anvendte målemetode. Professionelle, videnskabelige og tekniske tjenester rangerer højest inden for både udbredelse af Codex og API-intensitet, hvilket indikerer en forholdsvis avanceret anvendelse i udvikler- og produktintegrerede arbejdsgange. Finans og forsikring fører an inden for ChatGPT‑implementering på grund af udrulninger i stor skala, mens uddannelsestjenester har den højeste beskedintensitet, hvilket tyder på mere omfattende brug pr. person. Detailhandel og sundhed ligger højt i API-intensitet, trods lavere placeringer på andre målepunkter.

Disse forskelle tyder på, at det at være førende i en branche ikke er endimensionelt. Nogle sektorer ser ud til at tage AI i brug gennem tekniske og udvikler-workflows, mens andre skalerer gennem bred implementering af ChatGPT eller mere intensiv slutbrugeranvendelse.

Virksomheder flytter brugen af API'er ind i produktionsarbejdsgange og kundevendte applikationer

Virksomheder bruger i stigende grad API'en til at integrere model direkte i produkter, tjenester og interne systemer. Almindelige anvendelsestilfælde i produktion omfatter in-app assistenter, kodnings- og udviklerværktøjer, kundesupport, forskningsarbejdsgange og automatisering af arbejdsgange.

Disse implementeringer viser, hvordan virksomheders AI bevæger sig fra eksperimentering til gentagelige arbejdsgange med målbar driftsmæssig effekt. På tværs af kundeeksempler anvender virksomheder OpenAI-modeller til at accelerere vidensarbejde, forbedre ingeniørarbejdets gennemløb og skabe AI-drevne oplevelser for kunder og medarbejdere.

Hvad organisationer kan gøre for at nå det banebrydende niveau

OpenAI samarbejder med virksomheder på tværs af brancher, funktioner og stadier af AI-modenhed, hvilket giver os indsigt i, hvordan implementeringen udvikler sig fra eksperimentering til produktion. På tværs af disse implementeringer har de virksomheder, der gør størst fremskridt, en tendens til at fokusere mindre på adgang alene og mere på de organisatoriske systemer, der er nødvendige for at bruge AI i dybden: måling, styring, kompetenceopbygning, skalering af effekt og agentisk implementering.

Fem fremgangsmåder skiller sig ud som praktiske skridt, som enhver organisation kan begynde at tage i dag for at fremme implementeringen af AI.

1. Mål dybden af anvendelsen ud over adgang.
   Det relevante signal er ikke blot, hvor mange medarbejdere der har AI-konti, men hvorvidt teams bruger AI mere indgående over tid. Organisationer bør følge med i, om brugen af AI bliver hyppigere, mere kompleks og er tættere knyttet til værdifulde arbejdsgange.
2. Byg styring, der muliggør brug i produktion.
   Ledende virksomheder undgår ikke styring. De bruger det til at gøre agentbaseret AI lettere at implementere. Virksomheder har brug for klare regler for, hvor agenter kan operere, hvilke oplysninger de må bruge, hvornår de bør rådgive frem for at handle, og hvordan mennesker gennemgår beslutninger med højere risiko. Banebrydende virksomheder definerer disse standarder som en del af implementeringsprocessen, så styring bliver en måde at udbrede løsningen sikkert på i stedet for at bremse den.
3. Betragt enablement som en kerneinfrastruktur, ikke som et sideprojekt.
   Efterhånden som AI-teknologiens muligheder forbedres, har både medarbejdere og organisationer brug for systemer, der hjælper dem med at holde trit. Banebrydende virksomheder betragter ikke enablement som en engangsindsats med træning. De indarbejder løbende læring i udrulningen gennem rollespecifik træning, workshops om brugsscenarier, hackathons, interne netværk af nøglepersoner, afsat tid til eksperimenter og delte lager med arbejdsgange, bedste praksis og færdigheder. 
4. Identificer dine banebrydende teams og udvid deres indflydelse.
   I mange organisationer er den mest avancerede anvendelse koncentreret i et lille antal teams. Disse teams kan afdække, hvilke arbejdsgange, vaner og model der fungerer. Ledere bør identificere disse teams, forstå og skalere forudsætningerne for deres succes og hjælpe dem med at dele indsigt og eksempler på mere dybdegående AI-brug med resten af virksomheden. 
5. Gå videre end chat, og begynd at uddelegere arbejde.
   AI til virksomheder bevæger sig fra chat-assistenter til arbejde, der kan uddelegeres til agenter. Softwareudvikling illustrerer denne tendens, men uddelegeret arbejde breder sig på tværs af funktioner. Med Codex kan ingeniører overdrage en veldefineret opgave, give agenten den kontekst, den har brug for, lade den arbejde på tværs af filer, kodebaser og værktøjer og derefter gennemgå resultatet og finjustere arbejdsgangen med feedback. Banebrydende virksomheder opfordrer medarbejdere til at uddelegere opgaver til AI i stedet for blot at bruge AI som en statisk assistent.

Hvis du gerne vil udforske alle resultaterne eller lære, hvordan du kan bringe AI ind i din organisation på en ansvarlig måde, [vil vi meget gerne komme i kontakt med dig⁠].