OpenAI's B2B Signals definiert KI-Reife über die Nutzungstiefe, nicht über die Anzahl der Lizenzen

Was B2B Signals tatsächlich misst

OpenAI hat B2B Signals gestartet, einen wiederkehrenden Bericht, der auf anonymisierten, aggregierten Enterprise-Nutzungsdaten seiner Produkte basiert. Das erklärte Ziel ist, nachzuvollziehen, wie sich KI in Unternehmen verbreitet: wie tief sie genutzt wird, welche Tools mit führender Adoption korrelieren und wo sich Anwendungsfälle über Branchen und Funktionen hinweg ausweiten.

Die Hauptkennzahl ist ungewöhnlich. Statt Lizenzen oder Nachrichtenfrequenz zu zählen, verwendet der Bericht generierte Tokens als Näherungswert für die 'geforderte Intelligenz.' OpenAI stellt ausdrücklich klar, dass Tokens kein direktes Maß für den geschäftlichen Wert sind, betrachtet sie aber als Signal dafür, wie viel Arbeit Mitarbeiter dem Modell pro Interaktion übertragen.

Diese Entscheidung ist bedeutsam, weil sie die Adoptionsfrage neu rahmt. In der ersten Phase der Unternehmens-KI ging es um Zugang – wer Tools bereitgestellt hatte. OpenAI argumentiert, dass Zugang nicht mehr das entscheidende Unterscheidungsmerkmal ist, und die neue Kennzahl soll erfassen, was OpenAI heute für ausschlaggebend hält.

Die Tiefen-These und die 36-Prozent-Zahl

OpenAI berichtet, dass Firmen im 95. Perzentil der Nutzung – ihre Definition von 'Spitzenunternehmen' – inzwischen 3,5-mal so viel Intelligenz pro Mitarbeiter fordern wie durchschnittliche Firmen, gegenüber dem Faktor 2 im April 2025. Das Unternehmen stellt diese wachsende Kluft als Beleg dafür dar, dass sich der Vorsprung der Spitzenunternehmen 'zu verstärken beginnt.'

Die aussagekräftigste Statistik ist kleiner und spezifischer: Das Nachrichtenvolumen erklärt nur 36 % dieser Lücke. Trifft das zu, stammt der Großteil des Unterschieds zwischen führenden und durchschnittlichen Firmen nicht daher, dass mehr Nachrichten gesendet werden, sondern daher, dass jede Nachricht mehr leistet – reichhaltigerer Kontext hinein, substanziellere Ergebnisse heraus.

Das ist die Unterscheidung, die OpenAI zwischen der Nutzung von KI zur Beantwortung von Fragen und ihrer Nutzung zur Ausführung komplexer Arbeit trifft. Es sei angemerkt, dass die gesamte Argumentation auf Tokens als Stellvertreter für Komplexität beruht – ein Näherungswert, den der Bericht selbst als unvollkommen kennzeichnet.

Codex und die Verschiebung hin zur Delegation

Die deutlichste Lücke zeigt sich bei agentenbasierten und fortgeschrittenen Tools. Spitzenunternehmen senden 16-mal so viele Codex-Nachrichten pro Mitarbeiter wie durchschnittliche Firmen – die größte Einzeldiskrepanz im gesamten Bericht. ChatGPT Agent, Apps in ChatGPT, Deep Research und GPTs zeigen ähnliche Tendenzen.

OpenAI nennt Cisco als sein Produktionsbeispiel für Codex: rund 20 % schnellere Build-Zeiten, mehr als 1.500 eingesparte Engineering-Stunden pro Monat und eine 10- bis 15-fache Steigerung des Durchsatzes bei der Fehlerbehebung. Dem Bericht zufolge entstehen die größten Gewinne, wenn Codex, in den Worten von Cisco, als 'Teil des Teams' behandelt wird.

Die Firmen, die als Erste vorangehen, bauen die operative Stärke auf, KI nicht nur als schnellere Schnittstelle zu nutzen, sondern als Mittel, um Arbeit von Grund auf neu zu gestalten.Montana Labs

Auf der Produktionsseite führt der KI-Schadensassistent von Travelers Insurance Kunden durch die Erstmeldung eines Schadensfalls und legt Ansprüche direkt in den Systemen von Travelers an; OpenAI geht davon aus, dass der Assistent im ersten Jahr rund 100.000 solcher Anfragen bearbeiten wird. Das sind die beiden namentlich genannten Belegbeispiele für die Delegationsthese.

Die eigenen Nutzungsdaten eines Anbieters mit Vorsicht lesen

B2B Signals ist ein Messprodukt, das von genau dem Anbieter entwickelt wurde, dessen Nutzung es misst, und seine zentrale Einheit – Tokens – ist zugleich OpenAI's Abrechnungseinheit. Die Erzählung, dass Tiefe wichtiger ist als Zugang und dass Codex-Adoption Reife markiert, passt bemerkenswert gut zum Verkauf weiterer fortgeschrittener OpenAI-Tools.

Das macht die Ergebnisse nicht falsch, setzt aber den Rahmen für Teams, die sie lesen. Die nützlichen, überprüfbaren Aussagen sind hier eng gefasst und konkret: dass die Tiefe pro Interaktion, nicht die Nachrichtenanzahl, den Großteil der beobachteten Lücke erklärt, und dass agentenbasierte Tools die größte Spreizung zwischen führenden und durchschnittlichen Firmen zeigen.

Die konkrete Implikation für Engineering-Führungskräfte betrifft die Messung. Wenn Tiefe tatsächlich das von OpenAI beschriebene entscheidende Unterscheidungsmerkmal ist, dann wird das Verfolgen von Lizenzanzahl und Nachrichtenvolumen systematisch unter- oder überzeichnen, wo ein Team tatsächlich steht. Die eigentliche Arbeit liegt darin, zu erfassen, welche Workflows sich von reiner Chat-Unterstützung zu delegierter, werkzeugnutzender Ausführung entwickelt haben, und zu überprüfen, ob token-intensive Nutzung tatsächlich reale Geschäftsergebnisse abbildet – und nicht nur höhere Rechnungen.