B2B Signals od OpenAI

Dnes predstavujeme B2B Signals, rozšírenie OpenAI Signals⁠ pre firmy, ktoré meria, ako sa umelá inteligencia šíri naprieč organizáciami. Počiatočný signál je jasný: prelomové firmy získavajú náskok nielen preto, že majú prístup k umelej inteligencii, ale preto, že ju využívajú do väčšej hĺbky naprieč pracovnými činnosťami.

B2B Signals je opakujúci sa súbor opatrení založených na rozsiahlej analýze používania umelej inteligencie v podnikoch, ktorá chráni súkromie. Sleduje správanie a vzorce, ktoré môžu organizáciám pomôcť pochopiť, ako premeniť inteligenciu na obchodnú hodnotu.

Prelomové firmy – tie, ktoré sa nachádzajú na 95. percentile používania umelej inteligencie – využívajú viac inteligencie na jedného pracovníka, intenzívnejšie si osvojujú pokročilé nástroje a hlbšie začleňujú umelú inteligenciu do pracovných postupov. V prípade niektorých firiem sa rozdiel začína znásobovať a čoraz viac vyplýva z hĺbky využívania.

Kľúčové poznatky

• Prelomová výhoda sa začína znásobovať: Prelomové firmy teraz využívajú 3,5-násobne viac kapacity umelej inteligencie na jedného pracovníka než bežné firmy, pričom pred rokom to bolo 2-násobne viac. 
• Prelomové firmy využívajú umelú inteligenciu do väčšej hĺbky, nielen častejšie: objem správ vysvetľuje len 36 % rozdielu medzi prelomovými a bežnými firmami. Väčšina prelomovej výhody pochádza z hlbšieho využívania. 
• Pracovné postupy s využitím agentov sa stávajú znakom prelomového zavádzania: Rozdiel je najväčší v pokročilých agentských nástrojoch, pričom prelomové firmy posielajú 16-krát viac správ Codexu než bežné firmy. 
• Firmy môžu preklenúť prelomový rozdiel prostredníctvom organizačnej zmeny: Aby dobehli ostatných, musia merať hĺbku používania, prioritizovať riadenie, investovať do podpory využívania, škálovať to, čo funguje, a prejsť od asistencie založenej na čete k delegovanej práci s agentmi.

Prelomová výhoda sa začína kumulovať a firmy, ktoré umelú inteligenciu využívajú najdôkladnejšie, zväčšujú svoj náskok

Nasadenie licencií je pre podniky len východiskovým bodom. Jasnejším signálom je, či zamestnanci využívajú umelú inteligenciu na hlbšiu a zložitejšiu prácu. Tento graf porovnáva tokeny vygenerované na pracovníka v prelomovej firme, definovanej ako 95. percentil, s bežnou firmou, definovanou ako 50. percentil.

Tokeny sú nedokonalým ukazovateľom obchodnej hodnoty. Krátka odpoveď môže byť veľmi hodnotná, zatiaľ čo dlhá odpoveď môže mať nízku hodnotu. Objem tokenov však pomáha merať, koľko práce zamestnanci zverujú umelej inteligencii, čo z nej robí užitočného ukazovateľa hĺbky využívania umelej inteligencie a množstva inteligencie, ktorú zamestnanci od umelej inteligencie očakávajú.

Prelomová firma vyžaduje od pracovníka 3,5-krát viac inteligencie ako bežná firma. Tento rozdiel sa zväčšil z 2-násobku v apríli 2025, čo naznačuje, že firmy, ktoré najviac využívajú umelú inteligenciu, zväčšujú svoj náskok a sú lepšie pripravené na premenu nových schopností umelej inteligencie na hlbšiu a komplexnejšiu prácu.

Väčšina prelomovej výhody vyplýva z hlbšieho využívania, nie z vyššieho objemu správ

Prelomová firma vyžaduje podstatne viac inteligencie na jedného pracovníka než bežná firma, väčšinu tohto rozdielu však nevysvetľuje samotný objem správ. Tento graf rozkladá 3,5-násobnú prelomovú výhodu a ukazuje, že keby bežná firma posielala správy rovnakým tempom ako prelomové firmy, odstránila by iba 36 % z 3,5-násobného rozdielu.

Zostávajúci rozdiel súvisí s hlbším používaním. Prelomoví pracovníci poverujú umelú inteligenciu zložitejšou prácou, poskytujú modelom bohatší kontext a vytvárajú obsahovo hodnotnejšie výstupy.

Prelomová výhoda je najväčšia v pokročilých a agentských nástrojoch, na čele so 16-násobne vyšším používaním Codexu

Prelomová výhoda je najväčšia pri nástrojoch, ktoré podporujú pokročilejšie pracovné postupy. Codex vykazuje najväčší rozdiel, pričom prelomoví pracovníci posielajú 16-krát viac správ na pracovníka. Agent ChatGPT, Aplikácie v ChatGPT, hlboký výskum a modely GPT tiež vykazujú pomerne veľké rozdiely, čo naznačuje, že prelomové modely dokážu lepšie využívať nástroje, ktoré pracovníkom pomáhajú kódovať, delegovať viacstupňové úlohy, uplatňovať firemný kontext a vykonávať komplexnejší výskum.

Naopak, univerzálnejšie a prístupnejšie nástroje, ako je nahrávanie používateľských súborov, vyhľadávanie a analýza údajov, vykazujú menšiu prelomovú výhodu. Tieto nástroje sú pre väčšinu firiem jednoduchšie na používanie, pretože rozširujú známe pracovné postupy. Prelomová výhoda je najvýraznejšia pri pokročilých a agentských nástrojoch, ktorých zavádzanie si vyžaduje viac odborných znalostí, prepojenia s pracovnými znalosťami a nástrojmi a väčšiu ochotu delegovať prácu na umelú inteligenciu.

Najväčšia prelomová výhoda je vo vzdelávaní a učení.

Prelomová výhoda je najväčšia v oblasti vzdelávacích a študijných úloh, kde prelomová firma posiela 7-krát viac správ ako bežná firma. Prelomové firmy využívajú umelú inteligenciu na to, aby zamestnancom pomáhali rozvíjať zručnosti a učiť sa nové témy. Používajú umelú inteligenciu aj na zlepšenie svojho chápania samotnej umelej inteligencie vrátane toho, čo dokáže, ako ju efektívne používať a kde sa môže začleniť do existujúcich pracovných postupov. Veľkosť tohto rozdielu naznačuje, že bežná firma môže nedostatočne využívať umelú inteligenciu ako nástroj na vzdelávanie a rozvoj pracovnej sily.

Kódovanie tiež vykazuje veľký 4-násobný rozdiel, čo je v súlade s väčším rozdielom v používaní pokročilých a agentských nástrojov. Praktické návody, písanie a komunikácia majú najmenšie prelomové rozdiely, pravdepodobne preto, že tieto úlohy sú dostupnejšie a známejšie spôsoby využitia umelej inteligencie.

Využívanie umelej inteligencie je najrozšírenejšie pri písaní, no rastie aj jej využívanie špecifické pre jednotlivé funkcie

Písanie a komunikácia zostávajú najčastejším využitím ChatGPT. Vzorce používania sa však významne líšia podľa funkcie. 60 % správ z oblasti IT a bezpečnosti sa sústreďuje na návody a procedurálne usmernenia, takmer polovica správ z oblasti vývoja softvéru a dátovej vedy a inžinierstva súvisí s kódovaním a desatina správ z oblasti financií súvisí s analýzou a výpočtami.

Tieto vzorce sú v súlade so širšími dôkazmi, že prelomové modely sa zlepšujú v ekonomicky cenných pracovných úlohách. GDPval⁠, hodnotenie znalostnej práce v reálnom svete naprieč 44 povolaniami, meria výkonnosť pri úlohách, ktoré produkujú praktické pracovné výstupy, ako sú dokumenty, tabuľky, prezentácie, diagramy a multimédiá. S rastúcimi schopnosťami umelej inteligencie sa zdá, že jej využívanie v podnikoch sa rozširuje na úlohy, ktoré sú úzko prepojené s hlavnou náplňou práce každej funkcie.

Vedúca pozícia v odvetví nie je jednorozmerná: rôzne sektory vedú v rámci ChatGPT, Codex a API

Neexistuje jeden univerzálny rebríček prijatia umelej inteligencie. Rebríčky odvetví sa líšia v závislosti od použitého ukazovateľa. Profesionálne, vedecké a technické služby sa umiestňujú na prvom mieste v oblasti zavádzania Codexu aj intenzity API, čo naznačuje relatívne pokročilé používanie v pracovných postupoch vývojárov a pracovných postupov integrovaných s produktmi. Sektor financií a poisťovníctva vedie v zavádzaní ChatGPT vďaka nasadeniam vo veľkom rozsahu, zatiaľ čo vzdelávacie služby majú najvyššiu intenzitu správ, čo naznačuje hlbšie používanie na osobu. Maloobchod a Zdravie sa umiestňujú vysoko z hľadiska intenzity API, napriek nižším umiestneniam podľa iných ukazovateľov.

Tieto rozdiely naznačujú, že vedúce postavenie v odvetví nie je jednorozmerné. Zdá sa, že niektoré odvetvia zavádzajú umelú inteligenciu prostredníctvom technických a vývojárskych pracovných postupov, zatiaľ čo iné rozširujú jej využívanie prostredníctvom širokého zavádzania ChatGPT alebo intenzívnejšieho používania koncovými používateľmi.

Podniky presúvajú používanie API do produkčných pracovných postupov a aplikácií zameraných na zákazníkov

Spoločnosti čoraz viac využívajú API na integráciu modelov priamo do produktov, služieb a interných systémov. Bežné prípady použitia v produkčnom prostredí zahŕňajú asistentov v aplikáciách, nástroje na programovanie, zákaznícku podporu, výskumné pracovné postupy a automatizáciu pracovných postupov.

Tieto nasadenia ukazujú, ako sa umelá inteligencia v podnikoch presúva od experimentovania k opakovateľným pracovným postupom s merateľným vplyvom na prevádzku. V rôznych príkladoch zákazníkov firmy používajú modely OpenAI na zrýchlenie znalostnej práce, zlepšenie priepustnosti inžinierskych tímov a vytváranie prostredí založených na umelej inteligencii pre zákazníkov a zamestnancov.

Čo môžu organizácie urobiť, aby dosiahli prelomový bod

OpenAI spolupracuje s podnikmi naprieč odvetviami, funkciami a fázami vyspelosti umelej inteligencie, čo nám poskytuje prehľad o tom, ako sa zavádzanie vyvíja od experimentovania po produkciu. V rámci týchto nasadení sa firmy, ktoré dosahujú najväčší pokrok, zameriavajú menej na samotný prístup a viac na organizačné systémy potrebné na hlbšie využívanie umelej inteligencie: meranie, riadenie, podporu, škálovanie dopadu a nasadenie agentov.

Päť postupov vyniká ako praktické kroky, ktoré môže ktorákoľvek organizácia začať podnikať už dnes na prehĺbenie zavádzania umelej inteligencie.

1. Merajte okrem prístupu aj hĺbku používania.
   Relevantným signálom nie je len to, koľko zamestnancov má účty v nástrojoch umelej inteligencie, ale či tímy využívajú umelú inteligenciu zmysluplnejšie v priebehu času. Organizácie by mali sledovať, či sa využívanie umelej inteligencie stáva čoraz častejším, zložitejším a čoraz užšie prepojeným s hodnotnými pracovnými postupmi.
2. Budujte riadenie, ktoré umožňuje používanie v produkcii.
   Popredné firmy sa riadeniu nevyhýbajú. Používajú ho na to, aby bola umelá inteligencia s využitím agentov ľahšie nasaditeľná. Firmy potrebujú jasné pravidlá určujúce, kde môžu agenti pôsobiť, aké informácie môžu používať, kedy majú radiť namiesto toho, aby konali, a ako ľudia kontrolujú rozhodnutia s vyšším rizikom. Prelomové firmy definujú tieto štandardy ako súčasť procesu nasadenia, takže riadenie sa stáva spôsobom, ako bezpečne rozširovať zavádzanie, namiesto jeho spomaľovania.
3. Zaobchádzajte s umožnením ako so základnou infraštruktúrou, nie ako s vedľajším projektom.
   S tým, ako sa zlepšujú možnosti umelej inteligencie, potrebujú pracovníci aj organizácie systémy, ktoré im pomôžu držať krok. Prelomové firmy nepovažujú umožnenie za jednorazový tréningový impulz. Zahŕňajú neustále vzdelávanie do nasadenia prostredníctvom školení špecifických pre danú úlohu, workshopov zameraných na prípady použitia, hackathonov, interných sietí šampiónov, vyhradeného času na experimentovanie a zdieľaných úložísk pracovných postupov, osvedčených postupov a zručností. 
4. Identifikujte svoje prelomové tímy a škálujte ich vplyv.
   V mnohých organizáciách sa najpokročilejšie využívanie sústreďuje v malom počte tímov. Tieto tímy môžu ukázať, ktoré pracovné postupy, návyky a operačné modely fungujú. Vedúci pracovníci by mali identifikovať tieto tímy, pochopiť a rozšíriť podmienky, ktoré stoja za ich úspechom, a pomôcť im zdieľať poznatky a príklady hlbšieho využívania umelej inteligencie so zvyškom firmy. 
5. Posuňte sa od četu k delegovaniu práce.
   Podniková umelá inteligencia sa presúva z četovacích asistentov na prácu, ktorú je možné delegovať agentom. Softvérové inžinierstvo ilustruje tento trend, ale delegovaná práca sa šíri naprieč funkciami. Pomocou Codexu môžu inžinieri odovzdať definovanú úlohu, poskytnúť agentovi potrebný kontext, nechať ho pracovať naprieč súbormi, kódovými základňami a nástrojmi, potom skontrolovať výsledok a na základe spätnej väzby vylepšiť pracovný postup. Prelomové firmy povzbudzujú pracovníkov, aby delegovali úlohy na umelú inteligenciu, namiesto toho, aby ju používali len ako statického asistenta.

Ak by ste chceli preskúmať všetky naše zistenia alebo sa dozvedieť, ako zodpovedne zaviesť umelú inteligenciu do vašej organizácie, [radi to s vami prediskutujeme⁠].