OpenAI B2B Signals

Dzisiaj przedstawiamy B2B Signals – biznesowe rozszerzenie OpenAI Signals⁠ – czyli pomiar zasięgu upowszechniania się AI w firmach. Pierwszy sygnał jest jasny: firmy pionierskie wyprzedzają konkurencję nie tylko dlatego, że mają dostęp do AI, ale dlatego, że wykorzystują AI intensywniej w różnych obszarach pracy.

B2B Signals to cykliczny zestaw wskaźników oparty na wielowarstwowej analizie wykorzystania AI w przedsiębiorstwach, prowadzonej z zachowaniem zasad prywatności. Śledzi on zachowania i wzorce, które ułatwią organizacjom zrozumienie zasad, według których sztuczną inteligencję można przekształcać w korzyści biznesowe.

Firmy pionierskie (działające w 95. percentylu wykorzystania AI) intensywniej wykorzystują sztuczną inteligencję w przeliczeniu na pracownika, bardziej zdecydowanie wdrażają zaawansowane narzędzia i głębiej osadzają AI w procesach roboczych. W przypadku niektórych firm ta rozbieżność zaczyna narastać, a o różnicy coraz częściej decyduje stopień zaawansowania wykorzystania.

Kluczowe wnioski

• Przewaga wynikająca firm pionierskich zaczyna się kumulować: Firmy pionierskie wykorzystują obecnie 3,5 raza intensywniej sztuczną inteligencję w przypadku każdego pracownika niż typowe firmy – rok temu intensywność była 2-krotnie większa. 
• Firmy pionierskie wykorzystują sztuczną inteligencję do bardziej zaawansowanych zadań, a nie tylko częściej: Wolumen wiadomości odpowiada tylko za 36% różnicy między firmami pionierskimi a typowymi. Większość przewagi pionierskiej wynika z bardziej zaawansowanego wykorzystania. 
• Agentowe przepływy pracy stają się wyznacznikiem pionierskiego wdrażania: Rozbieżność jest najbardziej zauważalna w przypadku zaawansowanych narzędzi opartych na agentach, gdzie firmy pionierskie wysyłają 16x więcej wiadomości w Codex niż typowe firmy. 
• Firmy mogą zniwelować lukę pionierską dzięki zmianom organizacyjnym: W tym celu muszą mierzyć poziom zaawansowania wykorzystania AI, traktować ład zarządczy priorytetowo, inwestować we wsparcie wdrożeniowe, skalować sprawdzające się rozwiązania oraz przejść od pomocy opartej na czacie do delegowania pracy agentom.

Przewaga firm pionierskich wynikająca ze stosowania AI zaczyna narastać, a firmy najpełniej wykorzystujące sztuczną inteligencję wysuwają się na czoło

Wdrożenie technologii to dla przedsiębiorstw dopiero początek. Bardziej miarodajnym sygnałem jest to, czy pracownicy wykorzystują AI do bardziej zaawansowanych i złożonych działań. Ten wykres porównuje liczbę tokenów wygenerowanych na jednego pracownika w firmie pionierskiej, definiowanej jako 95. percentyl, z typową firmą, definiowaną jako 50. percentyl.

Tokeny są nie są idealną miarą wartości biznesowej. Krótka odpowiedź może być bardzo wartościowa, a długa – mało wartościowa. Jednak wolumen tokenów pomaga mierzyć, ile zadań pracownicy zlecają AI, a wartość ta stanowi użyteczny wskaźnik zastępczy głębokości wykorzystania AI oraz poziomu inteligencji, jakiego pracownicy oczekują od AI.

Pionierska firma wymaga 3,5x większego wykorzystania inteligencji na pracownika niż typowa firma. Ta rozbieżność wzrosła względem poziomu 2x odnotowanego w kwietniu 2025 r., co sugeruje, że firmy najintensywniej korzystające z AI powiększają swoją przewagę i są lepiej przygotowane do wykorzystywania nowych możliwości AI do realizacji bardziej zaawansowanych i złożonych zadań.

Znaczna część przewagi osiąganej przez firmy pionierskie wynika z głębszego wykorzystania AI, a nie z większego wolumenu wiadomości

W firmach pionierskich pracownicy znacznie intensywniej wykorzystują AI niż w typowych firmach, ale istotny zakres tej rozbieżności nie opiera się na samym wolumenie wiadomości. Ten wykres rozkłada na czynniki pierwsze 3,5-krotną przewagę firm pionierskich i pokazuje, że gdyby typowa firma wysyłała wiadomości w takim samym tempie jak firmy pionierskie, zniwelowałaby jedynie 36% tej rozbieżności.

Na pozostały zakres rozbieżności składa się bardziej zaawansowane wykorzystanie. Pracownicy w firmach pionierskich zlecają AI bardziej złożone zadania, zapewniają szerszy kontekst i uzyskują bardziej merytoryczne wyniki.

The frontier advantage is largest in advanced agentic tools, demonstrated by a 16x Codex usage gap

The frontier advantage is largest for tools that support more advanced workflows. Codex shows the largest gap, with the frontier firm sending 16x as many messages per worker as the typical firm. ChatGPT Agent, Apps in ChatGPT, Deep Research, and GPTs also show relatively large gaps, suggesting that the frontier is better at leveraging tools that help workers code, delegate multi-step tasks, apply company context, and conduct more complex research.

By contrast, more general-purpose and accessible tools such as User Upload, Search, and Data Analysis show a smaller frontier advantage. These tools are easier for most firms to use because they extend familiar workflows. The frontier advantage is most pronounced in advanced and agentic tools, where adoption requires more expertise, connections to workplace knowledge and tools, and greater comfort delegating work to AI.

The largest frontier advantage is in education and learning

The frontier advantage is largest for education and learning tasks, where the frontier firm sends 7x as many messages per worker as the typical firm. At the frontier, firms use AI to help employees build skills and learn new topics. They also use AI to improve their understanding of AI itself, including what it can do, how to use it well, and where it can fit into existing workflows. The size of the gap suggests that the typical firm may underutilize AI as a tool for workforce learning and development.

Coding also shows a large frontier advantage, with the frontier firm sending 4x as many messages per worker as the typical firm. This is consistent with the broader gap in advanced and agentic tool use. How-to guidance and writing and communication have the smallest frontier gaps, likely because these tasks are more accessible and familiar uses of AI.

AI use is broadest in writing but function-specific trends are emerging

Writing and communication remain the most common uses of ChatGPT. However, usage patterns vary by function and are often tied to each function’s core responsibilities. 60% of IT & Security messages are concentrated in how-to and procedural guidance, almost half of Software Development and Data Science & Engineering messages are related to coding, and a tenth of Finance messages are related to analysis and calculation.

These patterns are consistent with broader evidence that frontier models are improving on economically valuable workplace tasks. GDPval⁠, an evaluation of real-world knowledge work across 44 occupations, measures performance on tasks that produce practical work outputs such as documents, spreadsheets, slides, diagrams, and multimedia. As AI becomes more capable, enterprise usage appears to be extending toward tasks that are more closely tied to each function’s core work.

Industry leadership is not one-dimensional: different sectors lead across ChatGPT, Codex, and the API

There is no single AI adoption leaderboard. Industry rankings vary depending on the measure used. Professional, Scientific, and Technical Services ranks first in both Codex adoption and API intensity, indicating relatively advanced use in developer and product-integrated workflows. Finance and Insurance leads in ChatGPT adoption due to large-scale deployments, while Educational Services has the highest message intensity, suggesting deeper per-person usage. Retail Trade and Health Care rank highly in API intensity, despite lower rankings on other measures.

These differences suggest that industry leadership is not one-dimensional. Some sectors appear to be adopting AI through technical and developer workflows, while others are scaling through broad ChatGPT adoption or more intensive end-user usage.

API w produkcyjnych przepływach pracy i aplikacjach dla klientów

Firmy coraz częściej wykorzystują API do bezpośredniej integracji modeli z produktami, usługami i systemami wewnętrznymi. Typowe zastosowanie produkcyjne obejmują asystentów wbudowanych w aplikacje, narzędzia do programowania i narzędzia deweloperskie, obsługę klienta, procesy badawcze oraz automatyzacja przepływów pracy.

Wdrożenia te pokazują, jak AI w przedsiębiorstwach wychodzi poza etap eksperymentów i staje się częścią powtarzalnych przepływów pracy o wymiernym wpływie operacyjnym. W przykładach wdrożeń prezentowanych klientów firmy wykorzystują modele OpenAI do przyspieszenia pracy opartej na wiedzy, zwiększania wydajności działań inżynieryjnych oraz tworzenia produktów i usług opartych na AI i przeznaczonych dla klientów i pracowników.

What organizations can do to reach the frontier

OpenAI works with enterprises across industries, functions, and stages of AI maturity, giving us visibility into how adoption develops from experimentation to production. Across these deployments, the firms making the most progress tend to focus less on access alone and more on the organizational systems needed to use AI deeply: measurement, governance, enablement, scaling impact, and agentic deployment.

Five practices stand out as practical steps any organization can start taking today to deepen AI adoption.

1. Measure depth of use in addition to access.
   The relevant signal is not only how many employees have AI accounts, but whether teams are using AI more substantively over time. Organizations should track whether AI use is becoming more frequent, more complex, and more closely tied to valuable workflows.
2. Build governance that makes agentic AI deployable.
   Leading firms are not avoiding governance. They are using it to make agentic AI more deployable. Firms need clear rules for where agents can operate, what information they can use, when they should advise rather than act, and how humans review higher-risk decisions. Frontier firms are defining these standards as part of the deployment process, so governance becomes a way to expand adoption safely rather than slow it down.
3. Treat enablement as core infrastructure, not a side project.
   As AI capabilities improve, both workers and organizations need systems that help them keep pace. Frontier firms do not treat enablement as a one-time training push. They build continuous learning into deployment through role-specific training, use-case workshops, hackathons, internal champion networks, dedicated experimentation time, and shared repositories of workflows, best practices, and skills. 
4. Identify your frontier teams and scale their impact.
   In many organizations, the most advanced usage is concentrated in a small number of teams. Those teams can reveal which workflows, habits, and operating models are working. Leaders should identify these teams, understand and scale the conditions behind their success, and help them share insights and examples of deeper AI use with the rest of the firm. 
5. Move beyond chat to delegating work.
   Enterprise AI is shifting from chat assistants to work that can be delegated to agents. Software engineering illustrates this trend, but delegated work is spreading across functions. With Codex, engineers can hand off a defined task, give the agent the context it needs, let it work across files, codebases, and tools, then review the result and refine the workflow with feedback. Frontier firms are encouraging workers to delegate tasks to AI rather than simply using AI as a static assistant.

If you’d like to explore the full findings or learn how to bring AI into your organization responsibly, we’d love to connect⁠.