OpenAI опубликовал отчёт «Enterprise Signals» и рабочую бумагу «How Organizations Use AI: Evidence from ChatGPT», основанные на телеметрии более 10 млн сообщений. Данные фиксируют структурный сдвиг: enterprise-клиенты переводят ИИ из роли помощника в режим автономного выполнения задач через Codex, плагины и навыки. К июню 2026 года Codex генерировал 64% всех output-токенов среди корпоративных клиентов.
Что произошло
OpenAI опубликовал статью «From assistance to execution: How enterprises put AI to work» вместе с двумя документами — «Enterprise Signals» и рабочей бумагой «How Organizations Use AI: Evidence from ChatGPT». Анализ построен на телеметрии более 10 млн сообщений. К июню 2026 года Codex генерировал 64% всех output-токенов среди enterprise-клиентов OpenAI (по сумме Codex и ChatGPT). Еженедельные активные пользователи выросли с февраля: юридический отдел — в 108 раз, продажи — в 41, рекрутинг — в 41, маркетинг — в 26, инженерия — в 5. Фронтирные компании (верхние 10% по токенам на активного пользователя) генерируют в 8,3 раза больше токенов на пользователя, чем типичные компании (45-55 перцентиль), против 2,6 раз в январе. Фронтирные компании активнее используют продвинутые функции: плагины — 21% против 9% у остальных, навыки (skills) — 19% против 3%.
Контекст
ИИ-индустрия наблюдала постепенный переход от чат-интерфейсов к agent-архитектурам в течение 2025-2026 годов, и отчёт OpenAI стал первым публичным подтверждением этого тренда на уровне крупного провайдера. Переход к агентному выполнению означает, что ИИ получает доступ к инструментам, внешним данным и правам (permissions), а не просто отвечает на вопросы в диалоге. Аналогичный структурный сдвиг происходил при переходе индустрии от on-premise к облачным инфраструктурам в 2010-х годах — компании, которые раньше перешли на облака, получили значительное конкурентное преимущество.
Почему это важно для индустрии
Отчёт даёт сигнал для продуктовой стратегии: фокус смещается на агентные workflow, плагины и навыки, особенно для нетехнических департаментов — юридических, коммерческих, маркетинговых. Потребность в eval-методологиях для многошаговых agent-задач (а не single-turn QA) становится критической, поскольку текущие бенчмарки MMLU и GSM8K не измеряют реальные enterprise workload-ы. Смена профиля нагрузки требует пересмотра capacity planning: inference-стоимость выше, контекстные окна больше, требования к latency иные. Инфраструктура адаптируется под специализированные serving-стэки для agent-инференса и рынок agent-observability-решений.
Почему это важно для пользователей
Если вы работаете в компании, внедряющей ИИ, отчёт даёт конкретные ориентиры: наибольший рост adoption идёт не в инженерии (5x), а в юриспруденции (108x), продажах (41x) и рекрутинге (41x). Разрыв 8,3x между фронтирными и типичными компаниями показывает, что использование плагинов и навыков (skills) — ключевой фактор отставания или опережения. Однако стоит учитывать: данные получены исключительно из телеметрии продуктов OpenAI, и независимой верификации эффективности этих практик нет.
Что пока неизвестно / ограничения
OpenAI сам признаёт, что токены — это прокси глубины использования, а не прямая мера бизнес-ценности. Разрыв 8,3x между фронтирными и типичными компаниями не доказывает причинно-следственную связь с бизнес-результатами: больше токенов может означать больше задач, больше итераций, или больше галлюцинаций и повторных запросов. Данные охватывают только пользователей продуктов OpenAI и не репрезентативны для всей индустрии. Отчёт не содержит данных о качестве генерации, error rate или task completion rate.
Источники
- OpenAI — From assistance to execution: How enterprises put AI to work
- Creati.ai — OpenAI Enterprise AI Adoption
- Business 20 Channel — Enterprise AI Moves From Assistant Role
Автор
Look at AI, редакция