OpenAI B2B signāli

Šodien mēs iepazīstinām ar B2B Signals — uzņēmumiem paredzētu OpenAI Signals⁠ paplašinājumu, kas mēra MI izplatību organizācijās. Sākotnējais signāls ir skaidrs: vadošie uzņēmumi izvirzās priekšā ne tikai tāpēc, ka tiem ir piekļuve MI, bet gan tāpēc, ka tie to daudz plašāk izmanto savā darbā.

B2B Signals ir regulāri atjaunināts rādītāju kopums, kas balstīts uz liela mēroga, privātumu aizsargājošu uzņēmumu MI lietojuma analīzi. Tas izseko uzvedības modeļus un tendences, kas var palīdzēt organizācijām saprast, kā pārvērst intelektu biznesa vērtībā.

Vadošie uzņēmumi — tie, kas MI izmantošanas ziņā atrodas 95. procentilē — uz vienu darbinieku izmanto vairāk MI iespēju, intensīvāk ievieš modernus rīkus un daudz ciešāk integrē MI darbplūsmās. Dažiem uzņēmumiem šī plaisa sāk pieaugt, un atšķirību arvien vairāk nosaka mākslīgā intelekta lietošanas plašumu.

Galvenās atziņas

• Vadošo uzņēmumu priekšrocība sāk pieaugt: tie tagad uz vienu darbinieku izmanto 3,5 reizes vairāk MI risinājumu nekā tipiski uzņēmumi, salīdzinot ar 2 reizēm pirms gada. 
• Līderuzņēmumi izmanto mākslīgo intelektu ne vien biežāk, bet arī dziļāk: ziņojumu apjoms izskaidro tikai 36% no plaisas starp līderuzņēmumiem un vidusmēra uzņēmumiem. Lielākā daļa robežšķirtnes priekšrocības izriet no padziļinātākas lietošanas. 
• Aģentiskās darbplūsmas kļūst par vadošo uzņēmumu pazīmi: vislielākā atšķirība vērojama progresīvu aģentisko rīku izmantošanā, kur vadošie uzņēmumi nosūta 16 reizes vairāk Codex ziņojumu nekā tipiski uzņēmumi. 
• Uzņēmumi var mazināt robežšķirtnes plaisu, veicot organizatoriskas pārmaiņas: Lai panāktu līderus, uzņēmumiem ir jāmēra lietošanas dziļums, jāpiešķir prioritāte pārvaldībai, jāiegulda ieviešanas atbalstā, jāpaplašina veiksmīgie risinājumi un jāpāriet no tērzēšanā balstītas palīdzības uz darba deleģēšanu aģentiem.

Vadošo uzņēmumu priekšrocības sāk pieaugt, un uzņēmumi, kas MI izmanto visplašāk, arvien vairāk attālinās no konkurentiem

Vietu ieviešana ir tikai sākumpunkts uzņēmumiem. Skaidrāks rādītājs ir tas, vai darbinieki izmanto mākslīgo intelektu dziļākam un sarežģītākam darbam. Šajā diagrammā salīdzināts uz vienu darbinieku ģenerēto tekstvienību skaits robežšķirtnes līmenī (95. procentile) ar tipiska uzņēmuma rādītāju (50. procentile).

Tekstvienības ir nepilnīgs uzņēmuma vērtības rādītājs. Īsa atbilde var būt ļoti vērtīga, savukārt gara atbilde var būt mazvērtīga. Taču tekstvienību apjoms palīdz novērtēt, cik daudz darba darbinieki uzdod veikt mākslīgajam intelektam, tādējādi tas ir noderīgs netiešs rādītājs mākslīgā intelekta izmantošanas dziļumam un apjomam, ko darbinieki pieprasa no mākslīgā intelekta.

Līderuzņēmumam ir nepieciešams 3,5 reizes vairāk intelekta uz vienu darbinieku nekā vidusmēra uzņēmumam. Šī plaisa ir palielinājusies no 2x 2025. gada aprīlī, liecinot, ka uzņēmumi, kas mākslīgo intelektu izmanto vispadziļinātāk, palielina savu pārsvaru un ir labākā pozīcijā, lai jaunas mākslīgā intelekta iespējas pārvērstu padziļinātākā un sarežģītākā darbā.

Lielākā daļa robežšķirtnes priekšrocību rodas no dziļākas izmantošanas, nevis no lielāka ziņojumu apjoma

Līderuzņēmums pieprasa būtiski lielāku intelekta apjomu uz vienu darbinieku nekā vidusmēra uzņēmums, taču lielāko daļu šīs atšķirības nevar izskaidrot tikai ar ziņojumu apjomu. Šī diagramma sadala 3,5 reizes lielo robežšķirtnes priekšrocību un parāda, ka, ja vidusmēra uzņēmums sūtītu ziņojumus tikpat bieži kā līderuzņēmums, tas spētu samazināt tikai 36 % no 3,5 reizes lielās plaisas.

Atlikusī plaisa ir saistīta ar padziļinātāku izmantošanu. Līderuzņēmumu darbinieki lūdz mākslīgajam intelektam uzņemties sarežģītāku darbu, nodrošināt modeļus ar bagātīgāku kontekstu un ģenerēt saturīgākus rezultātus.

Vislielākā robežlīmeņa priekšrocība ir progresīvos un aģentiskos rīkos, ko vada 16x lielāks Codex lietojums

Robežlīmeņa priekšrocība ir vislielākā rīkos, kas atbalsta progresīvākas darbplūsmas. Codex uzrāda vislielāko atšķirību: robežlīmeņa uzņēmums nosūta 16x vairāk ziņojumu uz vienu darbinieku. ChatGPT aģents, Apps in ChatGPT, dziļā izpēte un GPT arī uzrāda salīdzinoši lielas atšķirības, kas liecina, ka robežlīmenis labāk izmanto rīkus, kas palīdz darbiniekiem programmēt, deleģēt daudzpakāpju uzdevumus, izmantot uzņēmuma kontekstu un veikt sarežģītāku izpēti.

Turpretī vispārīgāka lietojuma un pieejamāki rīki, piemēram, User Upload, Search un Data Analysis, uzrāda mazāku robežlīmeņa priekšrocību. Lielākajai daļai uzņēmumu šos rīkus ir vieglāk izmantot, jo tie paplašina pazīstamas darbplūsmas. Robežlīmeņa priekšrocība ir visizteiktākā progresīvos un aģentiskos rīkos, kuru ieviešanai nepieciešama lielāka kompetence, saikne ar darbavietas zināšanām un rīkiem, kā arī lielāka gatavība deleģēt darbu MI.

Vislielākā robežlīmeņa priekšrocība ir izglītībā un mācīšanās jomā

Robežlīmeņa priekšrocība ir vislielākā izglītības un mācīšanās uzdevumos, kur robežlīmeņa uzņēmums nosūta 7x vairāk ziņojumu nekā tipisks uzņēmums. Robežlīmenī uzņēmumi izmanto MI, lai palīdzētu darbiniekiem attīstīt prasmes un apgūt jaunas tēmas. Tie izmanto MI arī, lai uzlabotu savu izpratni par pašu MI, tostarp par to, ko tas spēj, kā to labi izmantot un kur tas var iekļauties esošajās darbplūsmās. Šīs atšķirības apmērs liecina, ka tipisks uzņēmums var nepietiekami izmantot MI kā rīku darbaspēka mācībām un attīstībai.

Arī programmēšanā ir vērojama liela 4x atšķirība, kas atbilst plašākai atšķirībai progresīvu rīku un aģentisku rīku izmantošanā. Praktisko norādījumu un rakstīšanas un saziņas jomās robežlīmeņa atšķirības ir vismazākās, visticamāk tāpēc, ka šie uzdevumi ir pieejamāki un pazīstamāki MI izmantošanas veidi.

MI izmantošana ir visplašākā rakstīšanā, taču pieaug funkcijām specifisks lietojums

Rakstīšana un saziņa joprojām ir visizplatītākais ChatGPT izmantošanas veids. Tomēr lietošanas modeļi būtiski atšķiras atkarībā no funkcijas. 60% IT & Security ziņojumu koncentrējas praktiskos un procesuālos norādījumos, gandrīz puse Software Development un Data Science & Engineering ziņojumu ir saistīti ar programmēšanu, un desmitā daļa Finance ziņojumu ir saistīti ar analīzi un aprēķiniem.

Šie modeļi atbilst plašākiem pierādījumiem, ka robežlīmeņa modeļi uzlabojas ekonomiski vērtīgos darba vietas uzdevumos. GDPval⁠, kas ir reālās pasaules zināšanu darba novērtējums 44 profesijās, mēra sniegumu uzdevumos, kuru rezultātā rodas praktiski darba rezultāti, piemēram, dokumenti, izklājlapas, slaidi, diagrammas un multivides materiāli. MI kļūstot spējīgākam, uzņēmumu lietojums, šķiet, paplašinās uz uzdevumiem, kas ir ciešāk saistīti ar katras funkcijas pamatdarbu.

Nozaru līderība nav viendimensionāla: dažādas nozares ir priekšā ChatGPT, Codex un API jomā

Nepastāv vienota MI ieviešanas līderu tabula. Nozaru reitingi atšķiras atkarībā no izmantotā rādītāja. Profesionālie, zinātniskie un tehniskie pakalpojumi ieņem pirmo vietu gan Codex ieviešanā, gan API intensitātē, kas norāda uz salīdzinoši attīstītu izmantošanu izstrādātāju un produktos integrētās darbplūsmās. Finanses un apdrošināšana ir līderi ChatGPT ieviešanā, pateicoties liela mēroga ieviešanai, savukārt izglītības pakalpojumiem ir visaugstākā ziņojumu intensitāte, kas liecina par dziļāku izmantošanu uz vienu personu. Mazumtirdzniecība un veselības aprūpe ir augstu API intensitātes reitingos, neraugoties uz zemākiem rādītājiem citos mērījumos.

Šīs atšķirības liecina, ka nozaru līderība nav viendimensionāla. Dažas nozares, šķiet, ievieš MI caur tehniskām un izstrādātāju darbplūsmām, kamēr citas mērogo izmantošanu ar plašu ChatGPT ieviešanu vai intensīvāku galalietotāju izmantošanu.

Uzņēmumi ievieš API izmantošanu ražošanas darbplūsmās un klientiem paredzētās lietojumprogrammās

Uzņēmumi arvien biežāk izmanto API, lai integrētu modeļus tieši savos produktos, pakalpojumos un iekšējās sistēmās. Bieži sastopamie lietojuma gadījumi ietver lietotnē iebūvētus asistentus, programmēšanas un izstrādātāju rīkus, klientu atbalstu, pētniecības darbplūsmas un darbplūsmu automatizāciju.

Šie ieviešanas gadījumi parāda, kā mākslīgais intelekts uzņēmumos pāriet no eksperimentēšanas uz atkārtojamiem darba procesiem ar izmērāmu ietekmi uz darbības rezultātiem. Dažādos klientu piemēros uzņēmumi izmanto OpenAI modeļus, lai paātrinātu zināšanu apguvi, uzlabotu caurlaidspēju un veidotu ar mākslīgo intelektu darbinātas pieredzes klientiem un darbiniekiem.

Ko organizācijas var darīt, lai sasniegtu robežlīmeni

OpenAI sadarbojas ar uzņēmumiem dažādās nozarēs, funkcijās un MI brieduma posmos, sniedzot mums redzamību par to, kā ieviešana attīstās no eksperimentēšanas līdz produkcijai. Šajos ieviešanas piemēros uzņēmumi, kas gūst vislielāko progresu, parasti mazāk koncentrējas tikai uz piekļuvi un vairāk uz organizatoriskajām sistēmām, kas vajadzīgas, lai MI izmantotu dziļi: mērīšanu, pārvaldību, ieviešanas atbalstu, ietekmes mērogošanu un aģentisku ieviešanu.

Piecas prakses izceļas kā praktiski soļi, ko jebkura organizācija var sākt īstenot jau šodien, lai padziļinātu MI ieviešanu.

1. Mēriet izmantošanas dziļumu papildus piekļuvei.
   Būtiskais signāls nav tikai tas, cik daudziem darbiniekiem ir MI konti, bet arī tas, vai komandas laika gaitā izmanto MI saturīgāk. Organizācijām būtu jāseko līdzi tam, vai MI izmantošana kļūst biežāka, sarežģītāka un ciešāk saistīta ar vērtīgām darbplūsmām.
2. Veidojiet pārvaldību, kas ļauj izmantot produkcijā.
   Vadošie uzņēmumi neizvairās no pārvaldības. Viņi to izmanto, lai aģentisku MI būtu vieglāk ieviest. Uzņēmumiem ir vajadzīgi skaidri noteikumi par to, kur aģenti var darboties, kādu informāciju tie drīkst izmantot, kad tiem būtu jāiesaka, nevis jārīkojas, un kā cilvēki pārskata augstāka riska lēmumus. Robežlīmeņa uzņēmumi nosaka šos standartus kā daļu no ieviešanas procesa, lai pārvaldība kļūtu par veidu, kā droši paplašināt ieviešanu, nevis to bremzēt.
3. Uztveriet ieviešanas atbalstu kā pamatinfrastruktūru, nevis blakusprojektu.
   Uzlabojoties MI spējām, gan darbiniekiem, gan organizācijām ir vajadzīgas sistēmas, kas palīdz tām turēt līdzi. Robežlīmeņa uzņēmumi neuztver ieviešanas atbalstu kā vienreizēju apmācību kampaņu. Tie iebūvē nepārtrauktu mācīšanos ieviešanā, izmantojot lomām specifiskas apmācības, lietošanas gadījumu darbnīcas, hakatonus, iekšējos vēstnešu tīklus, īpaši atvēlētu eksperimentēšanas laiku un koplietojamus darbplūsmu, labās prakses un prasmju repozitorijus. 
4. Nosakiet savas robežlīmeņa komandas un mērogojiet to ietekmi.
   Daudzās organizācijās visattīstītākais lietojums koncentrējas nelielā komandu skaitā. Šīs komandas var parādīt, kuras darbplūsmas, paradumi un darbības modeļi strādā. Vadītājiem būtu jāidentificē šīs komandas, jāsaprot un jāmērogo apstākļi, kas stāv aiz to panākumiem, un jāpalīdz tām dalīties ar ieskatiem un piemēriem par dziļāku MI izmantošanu ar pārējo uzņēmumu. 
5. Pārejiet no tērzēšanas pie darba deleģēšanas.
   Uzņēmumu MI pāriet no tērzēšanas asistentiem uz darbu, ko var deleģēt aģentiem. Programmatūras izstrāde ilustrē šo tendenci, taču deleģētais darbs izplatās dažādās funkcijās. Izmantojot Codex, inženieri var nodot skaidri definētu uzdevumu, dot aģentam vajadzīgo kontekstu, ļaut tam strādāt ar failiem, kodu bāzēm un rīkiem, pēc tam pārskatīt rezultātu un pilnveidot darbplūsmu ar atgriezenisko saiti. Robežlīmeņa uzņēmumi mudina darbiniekus deleģēt uzdevumus MI, nevis vienkārši izmantot MI kā statisku asistentu.

Ja vēlaties izpētīt pilnos secinājumus vai uzzināt, kā atbildīgi ieviest MI savā organizācijā, [mēs labprāt sazināsimies⁠].