OpenAI: как ИИ-агенты в компаниях становятся постоянной практикой

OpenAI опубликовала в блоге серии Enterprise Signals материал о том, как компании, изначально построенные вокруг ИИ, превращают агентные рабочие процессы в постоянную операционную практику. По данным OpenAI, компании из топ-10% по использованию ИИ («передовые» компании) сейчас генерируют в 8,3 раза больше выходных токенов на активного пользователя, чем типичные компании, в январе разрыв составлял 2,6 раза. Вывод OpenAI: лидеры подключают агентов к контексту и инструментам компании, доверяют им более содержательную работу и делают успешные процессы легко повторяемыми.

Basis, которая делает ИИ-агентов для бухгалтерских фирм, сократила онбординг нового сотрудника в первый день с двух часов до 30 минут. В первый день сотрудник получает доступ к агенту Codex и настроенному под компанию «скиллу», переиспользуемому набору инструкций и ресурсов под конкретный процесс: Codex знакомит новичка с ключевыми понятиями компании и в фоне донастраивает интеграции на его компьютере. Когда появляются повторяющиеся вопросы или исключения, HR-команда дорабатывает скилл к следующему набору новичков, процесс перестаёт зависеть от одного человека и становится воспроизводимым.

Clay строит «самообучающийся revenue-движок» (инструмент управления выручкой) для команд продаж. Одна из GTM-инженеров компании завела для каждого клиентского аккаунта отдельное постоянное рабочее пространство и субагента: ночью субагент проверяет первичные источники, переписку, звонки, презентации, CRM, и обновляет папку по сделке, а утром координирующий агент собирает по всем её аккаунтам короткий список приоритетных действий: ответить клиенту, закрыть пробел в цепочке лиц, принимающих решение, или дать повод снова выйти на контакт. По данным Clay, это экономит сотруднице около часа на разбор почты каждый вечер, а свидетельства к каждой рекомендации остаются доступны, чтобы продавец мог проверить первоисточник перед действием.

Exa Labs строит инфраструктуру веб-поиска для ИИ-агентов и хочет, чтобы её поисковый API был доступен разработчикам везде, где он может пригодиться, команда называет эту цель «Exa везде». Раньше поиск таких интеграций требовал, чтобы команды по работе с разработчиками и клиентами вручную отслеживали репозитории и экосистему. Exa превратила этот процесс в оформленный рабочий процесс для агента Codex: теперь он сам следит за приоритетными возможностями интеграции, собирает контекст, создаёт pull request'ы, прогоняет тесты и готовит еженедельные апдейты по данным из Slack и Notion, а при необходимости, черновик анонса для команды. Люди по-прежнему решают, какие возможности важны и как строить внешние отношения; тесты и ревью делают работу агента видимой до того, как что-то выходит наружу.

OpenAI сводит эти три кейса к общему списку шагов для руководителей: выбрать один значимый и достаточно часто повторяющийся процесс; чётко определить результат и метрику с ответственным владельцем; прописать «должностную инструкцию» агента, триггер, результат, нужный контекст, инструменты, права доступа и точки, где обязательно требуется человек; выстроить вокруг агента команду людей с явным распределением ответственности; и сделать эксперименты видимыми и переиспользуемыми, упаковывая рабочие процессы в скиллы, плагины или общие рабочие пространства. Отдельно OpenAI приводит ещё один результат своего исследования: спустя полгода после внедрения ИИ сотрудники начального уровня отправляют на 13 сообщений в неделю больше, чем руководители, сигнал, что именно рядовые сотрудники активнее ищут новые применения инструмента. OpenAI также напоминает про разделение своих продуктов по режимам работы: Chat, для вопросов и быстрой совместной работы, Work, для многошаговой интеллектуальной работы и готовых результатов, Codex, для технического исполнения.

Ключевые факты

Топ-10% компаний по использованию ИИ генерируют в 8,3 раза больше выходных токенов на пользователя, чем типичные компании, в январе разрыв был 2,6 раза.
Basis сократила онбординг новых сотрудников с двух часов до 30 минут с помощью агента Codex и переиспользуемого «скилла».
Субагент Clay для каждого клиентского аккаунта ежедневно экономит GTM-инженеру около часа на разборе почты и готовит список приоритетных действий по сделкам.
Exa Labs передала агенту Codex весь цикл поиска интеграций, от мониторинга репозиториев до создания pull request'ов и еженедельных апдейтов, оставив людям решения и ревью.
По данным OpenAI, спустя полгода после внедрения ИИ рядовые сотрудники отправляют на 13 сообщений в неделю больше, чем руководители.

Почему это важно

OpenAI фиксирует, что разрыв между «передовыми» и типичными компаниями по использованию ИИ не сокращается, а растёт: с 2,6 раза в январе до 8,3 раза сейчас. Это признак того, что ИИ-агенты в лидирующих компаниях перестают быть разовым экспериментом и становятся встроенной операционной способностью, с постоянным контекстом, правами доступа и повторяемыми процессами, а не просто чат-помощником по запросу.

Кому это важно

Материал адресован руководителям, которые отвечают за внедрение ИИ в компании: операционным и HR-директорам, руководителям продаж и партнёрских программ, а также командам, которые строят внутренние процессы вокруг агентов, то есть тем, кто решает, где именно в компании агенту можно доверить не разовую подсказку, а весь процесс целиком.

Как это применить

OpenAI предлагает конкретную последовательность: выбрать один значимый процесс, который повторяется достаточно часто, чтобы на нём учиться; назначить ответственного владельца и метрику успеха; прописать для агента подобие должностной инструкции, что запускает его работу, какой нужен контекст и инструменты, где право доступа ограничено и в каких точках обязательно нужен человек; собрать вокруг агента команду людей с явным распределением ролей; и фиксировать удачные эксперименты в виде переиспользуемых скиллов, плагинов или общих рабочих пространств, чтобы следующая команда стартовала не с нуля.

Можно ли доверять

Материал опубликован самой OpenAI на её официальном блоге, а все три примера, Basis, Clay и Exa Labs, используют именно продукт OpenAI (агента Codex), поэтому текст по сути рекламирует собственную платформу компании. Конкретные цифры по онбордингу Basis и экономии времени в Clay поданы как факты кейсов, но методология, размер выборки и период измерения для ключевой статистики 8,3× / 2,6× в материале не раскрываются.

Риски и подводные камни

Главный риск чтения этого материала, принять маркетинговый кейс-стади вендора за независимое исследование: цифры не подкреплены методологией, а истории поданы глазами компаний-клиентов OpenAI. Расширение прав агента на всё более содержательную работу требует того, о чём сам материал предупреждает: чётких точек ревью, разграничения прав доступа и людей, ответственных за решения, без этого рост «глубины» использования ИИ может опередить контроль над ним.

«Exa везде»

— команда Exa Labs, о цели сделать поисковый API доступным для разработчиков повсеместно