OpenAI: nő a szakadék az AI-t mélyen használó cégek és a többiek között

Gyorsan nő az előny a legerősebb AI-használóknál

Az OpenAI legfrissebb Enterprise Signals anyaga szerint a vállalati AI-használatban éles különbség alakult ki a cégek között. A forrás a frontier firms kategóriába az AI-használat felső 10 százalékába tartozó vállalatokat sorolja. Ezeknél a cégeknél az aktív felhasználónként előállított kimeneti tokenek száma már 8,3-szorosa a tipikus cégek értékének, míg januárban ez az arány 2,6-szoros volt.

Az OpenAI értelmezése szerint a különbség nem pusztán nagyobb használati mennyiséget jelez, hanem mélyebb működési átalakulást. A vezető cégek az ügynököket vállalati kontextushoz és eszközökhöz kapcsolják, érdemibb feladatokat delegálnak nekik, és a bevált munkafolyamatokat könnyebben megismételhetővé teszik.

A vállalati vezetők feladata az OpenAI szerint az, hogy ezt a mélyebb használatot olyan munkává alakítsák, amelyben az emberek meg tudnak bízni, amely mérhető, és amely javítható. A cég azt is hangsúlyozza, hogy teret kell hagyni a kísérletezésnek, beleértve azokat az eseteket is, amelyek értéke első próbálkozásra nem látszik egyértelműen.

Basis: az onboarding ismételhető munkafolyamattá válik

A Basis, amely könyvelőcégeknek fejleszt AI-ügynököket, az új munkatársak első napi beléptetését alakította át. Az OpenAI szerint a korábban kétórás folyamat ma 30 percet vesz igénybe, így a HR-nek több ideje marad a vállalati kultúrára és a támogatásra.

Az első napon a dolgozók azonnali hozzáférést kapnak a Codexhez és egy vállalatspecifikus onboarding skillhez. A forrás ezt újrahasználható utasítás- és erőforrás-készletként írja le, amely egy konkrét munkafolyamathoz tartozik. A Codex üdvözli az új munkatársat, bemutatja a fontos vállalati fogalmakat, és a számítógépét használva a háttérben elvégzi az integrációs beállításokat.

Ha visszatérő kérdések vagy kivételek jelennek meg, a HR a következő csoport előtt frissítheti a skillt. A Basis egyszer bemutatta az onboarding folyamatot, majd újrahasználható skillé alakította, világos indítási feltétellel, ismert lépésekkel, megfelelő eszközhozzáféréssel és egyértelmű befejezési feltétellel. A folyamat így kevésbé függ egyetlen ember elérhetőségétől, miközben a csapat kivételeknél vagy összetettebb kérdéseknél továbbra is be tud avatkozni.

Clay és Exa: tartós kontextus, tesztek és emberi felülvizsgálat

A Clay, amely önfejlesztő bevételi motort épít go-to-market csapatoknak, az értékesítési munkában jelentkező szétszórt kontextust kezeli ügynökökkel. A forrás szerint az üzleti lehetőségekhez kapcsolódó kritikus információk CRM-bejegyzésekben, e-mailekben, Slackben, hívásokban, prezentációkban, szöveges üzenetekben, belső csapatokkal és ügyféloldali támogatókkal folytatott beszélgetésekben oszlanak meg.

A Clay egyik GTM mérnöke minden ügyfélfiókhoz tartós munkateret és dedikált alügynököt kezdett használni. Az alügynökök átnézik az elsődleges forrásokat, és éjszaka frissítik az adott ügylet mappáját. Reggel egy koordináló ügynök ezekből a frissítésekből rövid listát készít a legfontosabb következő lépésekről, például egy nyitott ügyfélkérdés megválaszolásáról, a vásárlói bizottság hiányzó szereplőjének azonosításáról vagy egy érdeklődő újbóli megszólításáról.

A Clay szerint ez a munkafolyamat nagyjából napi egy óra esti inbox-rendezést takarít meg az érintett munkatársnak. Az OpenAI kiemeli, hogy az ajánlások mellett ott maradnak az alátámasztó bizonyítékok, így az értékesítők az elsődleges forrásokat is ellenőrizhetik, mielőtt lépnek.

Az Exa Labs, amely AI-ügynökök számára épít webes keresési infrastruktúrát, a fejlesztői ökoszisztémában keresi az integrációs lehetőségeket. A csapat célját a forrás Exa everywhere néven említi. Korábban ehhez a developer relations és ügyfélcsapatoknak tárolókat és a szélesebb ökoszisztémát kellett figyelniük, ígéretes integrációkat azonosítaniuk, kontextust gyűjteniük és rendszerek között koordinálniuk.

Az Exa ezt a folyamatot meghatározott Codex-munkafolyamattá alakította. A Codex magas prioritású integrációs lehetőségeket figyel, összegyűjti a releváns kontextust, pull requesteket készít, teszteket futtat, és heti frissítéseket állít össze olyan források alapján, mint a Slack és a Notion. Megfelelő esetben a következő lépés vázlatát is elkészítheti, beleértve egy kezdeti bejelentést, amelyet a csapat felülvizsgál.

Az OpenAI szerint az Exa példájában az emberek továbbra is eldöntik, mely lehetőségek fontosak, milyen kötelezettségeket vállaljon a cég, és hogyan kezelje a külső kapcsolatokat. A tesztek és felülvizsgálati pontok láthatóvá teszik az ügynök munkáját a kiadás előtt.

Hat lépés a vállalati kísérletezéshez

Az OpenAI a példák alapján hat lépést javasol azoknak a vezetőknek, akik a kísérletekből ismételhető működési gyakorlatot akarnak építeni. Az első, hogy egy jelentős értékterületet válasszanak, ahol stratégiai prioritás, rendszerek, átadási pontok, kontrollok és mérhető tét találkoznak. Ennek elég gyakran kell ismétlődnie ahhoz, hogy tanulni lehessen belőle, és elég fontosnak kell lennie ahhoz, hogy indokolja az újratervezést.

A második lépés az eredmény és a mérési mód meghatározása. Az OpenAI szerint meg kell nevezni a felelős tulajdonost, a KPI-t, a kiindulási értéket és a védőkorlátokat. A mélységet elvégzett feladatokon, kapcsolt kontextuson és eszközökön, kivételeken és felülvizsgálati terhelésen keresztül lehet követni. Az érték mérhető ciklusidővel, minőséggel, költséggel, bevétellel vagy kockázattal.

A harmadik lépés az ügynök munkaköri leírásának megírása: mi indítja el a munkát, mi az elvárt eredmény, milyen kontextusra, eszközökre és jogosultságokra van szükség, meddig dolgozzon önállóan az ügynök, milyen bizonyítékot kell előállítania, és hol kell megállnia emberi felülvizsgálatra.

A további lépések közé tartozik az emberi rendszer felépítése az ügynök köré, a kísérletezés láthatóvá és újrahasználhatóvá tétele, valamint a bevált működési minta továbbvitele a következő értékterületre. Az OpenAI kutatása szerint hat hónappal az elfogadás után a pályakezdő alkalmazottak hetente 13-mal több üzenetet küldtek, mint a vezetők. A cég szerint a Chat kérdésekhez és gyors együttműködéshez, a Work többlépéses tudásmunkához és kész anyagokhoz, a Codex pedig technikai végrehajtáshoz támogat különböző munkamódokat.

Mit jelent ez a felhasználóknak és a piacnak

Az OpenAI anyaga alapján a vállalati AI értéke egyre inkább azon múlik, hogy a cégek képesek-e konkrét, ismételhető munkákba beépíteni az ügynököket. A Basis, a Clay és az Exa példája három különböző mintát mutat: egy bizonyított folyamat skillé alakítását, tartós kontextus fenntartását változó munkában, illetve eszközökkel, tesztekkel és felülvizsgálattal korlátozott végrehajtást.

A felhasználók számára ez azt jelentheti, hogy az AI nem csak kérdések megválaszolásában jelenik meg, hanem olyan mindennapi feladatokban is, ahol a kontextus, a jogosultság, a bizonyíték és az emberi döntési pont egyaránt része a folyamatnak. A piac szempontjából az OpenAI által leírt különbség arra utal, hogy a legerősebb AI-használatú cégek előnye nem egyetlen eszköz bevezetéséből, hanem a munkafolyamatok következetes újratervezéséből fakad.