OpenAI B2B సిగ్నల్స్

ఈ రోజు మేము OpenAI Signals⁠ యొక్క వ్యాపార విస్తరణ అయిన B2B Signals‌ను పరిచయం చేస్తున్నాము, ఇది సంస్థల అంతటా AI ఎలా వ్యాప్తి చెందుతోందో కొలుస్తుంది. ప్రారంభ సంకేతం స్పష్టంగా ఉంది, అత్యాధునిక సంస్థలు కేవలం AIకి ప్రాప్యత కలిగి ఉన్నందువల్ల మాత్రమే కాకుండా, పని అంతటా దాన్ని మరింత లోతుగా ఉపయోగిస్తున్నందువల్ల ముందంజ వేస్తున్నాయి.

B2B Signals అనేది ఎంటర్‌ప్రైజ్ AI వినియోగంపై పెద్ద ఎత్తున, గోప్యతను కాపాడే విశ్లేషణ ఆధారంగా రూపొందించబడిన పునరావృతమయ్యే ప్రమాణాల సమితి. ఇది సంస్థలు మేధస్సును వ్యాపార విలువగా ఎలా మార్చాలో అర్థం చేసుకోవడంలో సహాయపడగల ప్రవర్తనలు మరియు నమూనాలను ట్రాక్ చేస్తుంది.

అత్యాధునిక సంస్థలు—AI వినియోగంలో 95వ పర్సంటైల్‌లో పనిచేస్తున్నవి—ప్రతి కార్మికుడికి మరింత ఇంటెలిజెన్స్‌ను ఉపయోగిస్తాయి, అధునాతన సాధనాలను మరింత తీవ్రంగా స్వీకరిస్తాయి, మరియు వర్క్‌ఫ్లోలలో AIని మరింత లోతుగా ఏకీకృతం చేస్తాయి. కొన్ని సంస్థలకు ఈ అంతరం సంచితంగా పెరగడం ప్రారంభమవుతోంది, మరియు ఆ తేడా క్రమంగా వినియోగ లోతు వల్ల వస్తోంది.

ముఖ్యమైన విషయాలు

• అత్యాధునిక ఆధిక్యం గుణాత్మకంగా పెరగడం ప్రారంభమైంది: అత్యాధునిక సంస్థలు ఇప్పుడు సాధారణ సంస్థలతో పోలిస్తే ఒక్కో ఉద్యోగికి 3.5 రెట్లు ఎక్కువ మేధస్సును ఉపయోగిస్తున్నాయి, ఇది ఏడాది క్రితం 2 రెట్లుగా ఉండేది. 
• అత్యాధునిక సంస్థలు AIని కేవలం మరింత తరచుగా మాత్రమే కాకుండా, మరింత లోతుగా ఉపయోగిస్తాయి: అత్యాధునిక మరియు సాధారణ సంస్థల మధ్య అంతరంలో సందేశాల పరిమాణం కేవలం 36% మాత్రమే వివరిస్తుంది. అత్యాధునిక ఆధిక్యంలో ఎక్కువ భాగం మరింత లోతైన వినియోగం వల్ల వస్తుంది. 
• ఏజెంటిక్ వర్క్‌ఫ్లోలు అత్యాధునిక స్వీకరణకు సూచికగా మారుతున్నాయి: అధునాతన ఏజెంటిక్ టూల్స్‌లో ఈ అంతరం అత్యధికంగా ఉంది; అత్యాధునిక సంస్థలు సాధారణ సంస్థలతో పోలిస్తే 16 రెట్లు ఎక్కువ Codex సందేశాలను పంపుతున్నాయి. 
• సంస్థాగత మార్పు ద్వారా సంస్థలు అత్యాధునిక అంతరాన్ని తగ్గించగలవు: ముందంజలోకి రావడానికి, సంస్థలు వినియోగ లోతును కొలవాలి, గవర్నెన్స్‌కు ప్రాధాన్యత ఇవ్వాలి, ఎనేబుల్‌మెంట్‌లో పెట్టుబడి పెట్టాలి, పనిచేసే వాటిని స్కేల్ చేయాలి, మరియు చాట్-ఆధారిత సహాయం నుండి ఏజెంట్‌లకు పనిని అప్పగించే విధానానికి మారాలి.

అత్యాధునిక ఆధిక్యం గుణాత్మకంగా పెరగడం ప్రారంభమవుతోంది, మరియు AIని అత్యంత లోతుగా ఉపయోగిస్తున్న సంస్థలు తమ ఆధిక్యాన్ని మరింత పెంచుకుంటున్నాయి

ఎంటర్‌ప్రైజ్‌లకు సీట్ల అమలు అనేది కేవలం ప్రారంభ స్థానం మాత్రమే. మరింత స్పష్టమైన సంకేతం ఏమిటంటే, ఉద్యోగులు AIని మరింత లోతైన, మరింత క్లిష్టమైన పని కోసం ఉపయోగిస్తున్నారా అనేది. ఈ చార్ట్ 95వ పర్సంటైల్‌గా నిర్వచించబడిన అత్యాధునిక స్థాయిలో ఒక్కో కార్మికుడికి ఉత్పత్తి చేయబడిన టోకెన్‌లను, 50వ పర్సంటైల్‌గా నిర్వచించబడిన సాధారణ సంస్థతో పోలుస్తుంది.

టోకెన్ వ్యాపార విలువకు ఒక అసంపూర్ణ కొలమానం. సంక్షిప్త ప్రతిస్పందన ఎంతో విలువైనదిగా ఉండవచ్చు, అలాగే దీర్ఘమైన ప్రతిస్పందన తక్కువ విలువ కలిగినదిగా ఉండవచ్చు. అయితే టోకెన్ వాల్యూమ్, ఉద్యోగులు AIతో ఎంత పని చేయించుకుంటున్నారో కొలవడంలో సహాయపడుతుంది, దాంతో అది AI వినియోగం లోతుకు మరియు ఉద్యోగులు AI నుండి కోరుకునే మేధస్సు పరిమాణానికి ఉపయోగకరమైన పరోక్ష సూచికగా మారుతుంది.

అత్యాధునిక సంస్థకు సాధారణ సంస్థతో పోలిస్తే ప్రతి ఉద్యోగికి 3.5x మేర మేధస్సు అవసరం. ఈ అంతరం ఏప్రిల్ 2025లో 2 రెట్లుగా ఉన్న స్థాయి నుండి పెరిగింది, ఇది AIని అత్యంత లోతుగా ఉపయోగిస్తున్న సంస్థలు తమ ఆధిక్యాన్ని మరింత పెంచుకుంటున్నాయని, అలాగే కొత్త AI సామర్థ్యాలను మరింత లోతైన, క్లిష్టమైన పనిగా మార్చడానికి మెరుగైన స్థితిలో ఉన్నాయని సూచిస్తోంది.

అత్యాధునిక ప్రయోజనంలో ఎక్కువ భాగం అధిక సందేశాల పరిమాణం కంటే లోతైన వినియోగం వల్ల వస్తుంది

అత్యాధునిక సంస్థ సాధారణ సంస్థకంటే ఒక్కో కార్మికుడికి గణనీయంగా ఎక్కువ మేధస్సు అవసరం, కానీ ఈ అంతరంలో ఎక్కువ భాగాన్ని కేవలం సందేశాల పరిమాణంతోనే వివరించలేము. ఈ ఛార్ట్ 3.5x అత్యాధునిక ఆధిక్యాన్ని విభజించి విశ్లేషిస్తుంది. సాధారణ సంస్థ అత్యాధునిక స్థాయి మాదిరిగానే అదే రేటుతో సందేశాలను పంపితే, అది 3.5x అంతరంలో కేవలం 36% మాత్రమే పూడ్చగలదని కనుగొంటుంది.

మిగిలిన లోపం మరింత లోతైన వినియోగంతో ముడిపడి ఉంది. అత్యాధునిక కార్మికులు AIని మరింత క్లిష్టమైన పనిని చేపట్టేలా, మోడల్‌కు మరింత సమృద్ధమైన కాంటెక్స్ట్ అందించేలా, మరియు మరింత సారవంతమైన అవుట్‌పుట్‌లను రూపొందించేలా కోరుతున్నారు.

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.

ఎంటర్‌ప్రైజ్‌లు API వినియోగాన్ని ప్రొడక్షన్ వర్క్‌ఫ్లోలు మరియు కస్టమర్-ఫేసింగ్ అప్లికేషన్‌లలోకి తరలిస్తున్నాయి

కంపెనీలు మోడల్‌ను నేరుగా ఉత్పత్తులు, సేవలు మరియు అంతర్గత వ్యవస్థల్లోకి ఏకీకృతం చేయడానికి APIని క్రమంగా మరింతగా ఉపయోగిస్తున్నాయి. సాధారణ ప్రొడక్షన్ వినియోగ సందర్భాల్లో యాప్‌లోని అసిస్టెంట్‌లు, కోడింగ్ మరియు డెవలపర్ టూల్స్, కస్టమర్ సపోర్ట్, పరిశోధన వర్క్‌ఫ్లోలు, మరియు వర్క్‌ఫ్లో ఆటోమేషన్ ఉన్నాయి.

ఈ డిప్లాయ్‌మెంట్‌లు ఎంటర్‌ప్రైజ్ AI ప్రయోగ దశను దాటి, కొలవగల ఆపరేషనల్ ప్రభావం కలిగిన పునరావృతం చేయగల వర్క్‌ఫ్లోల్లోకి ఎలా ముందుకు సాగుతోందో చూపిస్తున్నాయి. కస్టమర్ ఉదాహరణలన్నిటిలోనూ, సంస్థలు నాలెడ్జ్ వర్క్‌ను వేగవంతం చేయడానికి, ఇంజినీరింగ్ థ్రూపుట్‌ను మెరుగుపరచడానికి మరియు కస్టమర్లు, ఉద్యోగుల కోసం AI-పవర్డ్ అనుభవాలను నిర్మించడానికి OpenAI మోడల్‌ను ఉపయోగిస్తున్నాయి.

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.