OpenAI B2B Signals

Сегодня мы представляем B2B Signals — расширение OpenAI Signals⁠ для бизнеса, которое измеряет, как ИИ распространяется в организациях. Ранний сигнал очевиден: передовые компании вырываются вперед не просто потому, что у них есть доступ к ИИ, а потому, что они глубже используют его в рабочих процессах.

B2B Signals — это регулярно обновляемый набор показателей, основанный на масштабном анализе корпоративного использования ИИ с сохранением конфиденциальности. Он отслеживает модели поведения и закономерности, которые могут помочь организациям понять, как превращать интеллект в бизнес-ценность.

Передовые компании — те, кто работает на уровне 95-го процентиля по использованию ИИ, — задействуют больше интеллектуальных ресурсов на одного сотрудника, интенсивнее внедряют продвинутые инструменты и глубже встраивают ИИ в рабочие процессы. У некоторых компаний разрыв начинает нарастать, и различие всё больше определяется глубиной использования.

Основные выводы

• Преимущество передовых компаний начинает усиливаться: передовые компании сейчас используют в 3,5 раза больше интеллектуальных ресурсов на одного работника, чем обычные компании, тогда как год назад разница была двукратной. 
• Передовые компании используют ИИ более глубоко, а не просто чаще: Объем сообщений объясняет лишь 36% разрыва между передовыми и типичными компаниями. Большая часть преимущества передовых компаний обусловлена более глубоким использованием. 
• Агентные рабочие процессы становятся признаком внедрения передовых технологий: наибольший разрыв наблюдается в продвинутых агентных инструментах — передовые компании отправляют в 16 раз больше сообщений в Codex, чем обычные компании. 
• Организационные изменения помогают сократить отставание от передовых компаний: чтобы наверстать это отставание, компаниям необходимо измерять глубину использования, уделять приоритетное внимание управлению, инвестировать в развитие компетенций, масштабировать успешные практики и переходить от помощи в формате чата к делегированию задач агентам.

Преимущество передовых компаний начинает накапливаться, и те компании, которые наиболее глубоко использующие ИИ, увеличивают свой отрыв.

Развертывание лицензий — лишь отправная точка для корпоративных клиентов. Более показательный индикатор — используют ли сотрудники ИИ для более глубоких и сложных задач. На этой диаграмме сравнивается число токенов, сгенерированных на одного работника в передовых компаниях, определяемых как 95-й процентиль, с показателем типичной компании, определяемой как 50-й процентиль.

Объём токенов не всегда точно отражает ценность результата для бизнеса. Короткий ответ может быть очень ценным, а длинный — малополезным. Однако объём токенов помогает оценить, сколько работы сотрудники поручают ИИ, поэтому он служит полезным косвенным показателем глубины использования ИИ и объёма интеллектуальной работы, которую сотрудники ему доверяют.

Передовая компания требует в 3,5 раза больше интеллектуальных ресурсов на одного работника, чем обычная компания. Этот разрыв увеличился с 2-кратного уровня в апреле 2025 года, что указывает на то, что компании, наиболее глубоко использующие ИИ, увеличивают свой отрыв и находятся в более выгодном положении для применения новых возможностей ИИ при выполнении более глубоких и сложных задач.

Большая часть преимущества передовых пользователей связана с более глубоким использованием, а не с большим объемом сообщений

Передовая компания требует существенно больше интеллектуальных возможностей на одного сотрудника, чем обычная компания, однако большая часть этого разрыва не объясняется одним лишь объемом сообщений. Эта диаграмма разбивает на составляющие преимущество передовых компаний в 3,5 раза и показывает, что если бы обычная компания отправляла сообщения с той же частотой, что и передовые компании, она сократила бы лишь 36% разрыва в 3,5 раза.

Оставшийся разрыв связан с более глубоким использованием. Передовые работники поручают ИИ выполнять более сложную работу, предоставляют моделям более насыщенный контекст и получают более содержательные результаты.

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.

Компании переносят использование API из экспериментов в рабочие процессы и приложения для клиентов

Компании все чаще используют API, чтобы напрямую интегрировать модели в свои продукты, сервисы и внутренние системы. Распространенные сценарии использования в промышленной эксплуатации включают ассистентов в приложениях, инструменты для написания кода и разработки, поддержку клиентов, исследовательские рабочие процессы и автоматизацию рабочих процессов.

Эти внедрения показывают, как корпоративный ИИ выходит за рамки экспериментов и переходит к повторяемым рабочим процессам с измеримым операционным эффектом. Как показывают клиентские примеры, компании используют модели OpenAI, чтобы ускорять работу со знаниями, повышать пропускную способность инженерных процессов и создавать сервисы на базе ИИ для клиентов и сотрудников.

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.