Το B2B Signals του OpenAI αναθεωρεί την ωριμότητα στην ΤΝ με βάση το βάθος χρήσης, όχι τον αριθμό χρηστών

Τι μετρά στην πραγματικότητα το B2B Signals

Το OpenAI παρουσίασε το B2B Signals, μια περιοδική αναφορά βασισμένη σε ανωνυμοποιημένα, συγκεντρωτικά δεδομένα χρήσης των προϊόντων του από επιχειρήσεις. Ο δηλωμένος στόχος είναι να παρακολουθεί πώς διαχέεται η ΤΝ εντός των επιχειρήσεων: πόσο βαθιά χρησιμοποιείται, ποια εργαλεία συνδέονται με την πρωτοπόρα υιοθέτηση, και πού διευρύνονται οι περιπτώσεις χρήσης σε κλάδους και λειτουργίες.

Ο κεντρικός δείκτης είναι ασυνήθιστος. Αντί να μετρά χρήστες ή συχνότητα μηνυμάτων, η αναφορά χρησιμοποιεί τα παραγόμενα tokens ως δείκτη «ζητούμενης νοημοσύνης». Το OpenAI διευκρινίζει ότι τα tokens δεν αποτελούν άμεση μέτρηση επιχειρηματικής αξίας, αλλά τα αντιμετωπίζει ως ένδειξη του πόση δουλειά ζητούν οι εργαζόμενοι από το μοντέλο σε κάθε αλληλεπίδραση.

Αυτή η επιλογή έχει σημασία γιατί αναθεωρεί το ερώτημα της υιοθέτησης. Η πρώτη φάση της ΤΝ στις επιχειρήσεις είχε να κάνει με την πρόσβαση — ποιοι είχαν αναπτύξει εργαλεία. Το επιχείρημα του OpenAI είναι ότι η πρόσβαση δεν αποτελεί πλέον τον παράγοντα διαφοροποίησης, και ο νέος δείκτης του σχεδιάστηκε για να αποτυπώσει αυτό που θεωρεί ότι είναι πλέον καθοριστικό.

Ο ισχυρισμός περί βάθους και το ποσοστό 36%

Το OpenAI αναφέρει ότι οι εταιρείες στο 95ο εκατοστημόριο χρήσης — ο ορισμός του για τις «πρωτοπόρες» — απαιτούν σήμερα 3,5 φορές περισσότερη νοημοσύνη ανά εργαζόμενο σε σχέση με τις τυπικές εταιρείες, από 2 φορές τον Απρίλιο του 2025. Η εταιρεία παρουσιάζει αυτή τη διεύρυνση ως ένδειξη ότι το πλεονέκτημα των πρωτοπόρων «αρχίζει να διογκώνεται».

Η πιο κρίσιμη στατιστική είναι μικρότερη και πιο συγκεκριμένη: ο όγκος μηνυμάτων εξηγεί μόλις το 36% αυτού του χάσματος. Εάν είναι ακριβές, το μεγαλύτερο μέρος της διαφοράς ανάμεσα σε πρωτοπόρες και τυπικές εταιρείες δεν προκύπτει από την αποστολή περισσότερων μηνυμάτων, αλλά από το γεγονός ότι κάθε μήνυμα κάνει περισσότερα — πλουσιότερο περιεχόμενο ως είσοδο, πιο ουσιαστική έξοδος.

Αυτή είναι η διάκριση που κάνει το OpenAI ανάμεσα στη χρήση της ΤΝ για απαντήσεις σε ερωτήσεις και στη χρήση της για την εκτέλεση σύνθετης δουλειάς. Αξίζει να σημειωθεί ότι όλο το πλαίσιο βασίζεται στα tokens ως υποκατάστατο της πολυπλοκότητας, έναν δείκτη που η ίδια η αναφορά επισημαίνει ως ατελή.

Το Codex και η μετατόπιση προς την ανάθεση

Το πιο έντονο χάσμα εμφανίζεται στα agentic και προηγμένα εργαλεία. Οι πρωτοπόρες εταιρείες στέλνουν 16 φορές περισσότερα μηνύματα Codex ανά εργαζόμενο σε σχέση με τις τυπικές εταιρείες — τη μεγαλύτερη μεμονωμένη ανισότητα στην αναφορά. Το ChatGPT Agent, τα Apps in ChatGPT, το Deep Research και τα GPTs παρουσιάζουν παρόμοιες τάσεις.

Το OpenAI αναφέρει τη Cisco ως το παράδειγμα παραγωγικής χρήσης του Codex: περίπου 20% ταχύτεροι χρόνοι δημιουργίας, πάνω από 1.500 ώρες μηχανικών που εξοικονομούνται μηνιαίως, και 10-15 φορές αύξηση στον ρυθμό επίλυσης ελαττωμάτων. Η αναφορά αποδίδει τα μεγαλύτερα οφέλη στην αντιμετώπιση του Codex, όπως λέει η Cisco, ως «μέλος της ομάδας».

Οι εταιρείες που κινούνται πρώτες χτίζουν τη λειτουργική ικανότητα να χρησιμοποιούν την ΤΝ όχι απλώς ως ταχύτερη διεπαφή, αλλά ως τρόπο για να ανασχεδιάσουν τη δουλειά από τη βάση.Montana Labs

Στον τομέα της παραγωγικής χρήσης, ο AI Claim Assistant της Travelers Insurance καθοδηγεί τους πελάτες κατά την πρώτη αναγγελία ζημιάς και δημιουργεί αιτήματα αποζημίωσης εντός των συστημάτων της Travelers· το OpenAI δηλώνει ότι αναμένει ο βοηθός να διαχειριστεί περίπου 100.000 τέτοιες κλήσεις τον πρώτο χρόνο. Αυτά είναι τα δύο ονομαστικά αναφερόμενα παραδείγματα για τη θέση περί ανάθεσης.

Διαβάζοντας με προσοχή τα δικά της δεδομένα χρήσης ενός προμηθευτή

Το B2B Signals είναι ένα προϊόν μέτρησης κατασκευασμένο από τον ίδιο τον προμηθευτή του οποίου μετρά την κατανάλωση, και η κεντρική του μονάδα — τα tokens — είναι επίσης η μονάδα χρέωσης του OpenAI. Η αφήγηση ότι το βάθος υπερισχύει της πρόσβασης, και ότι η υιοθέτηση του Codex σηματοδοτεί ωριμότητα, ευθυγραμμίζεται βολικά με την αγορά περισσότερων προηγμένων εργαλείων του OpenAI.

Αυτό δεν σημαίνει ότι τα ευρήματα είναι λανθασμένα, αλλά καθορίζει τους όρους με τους οποίους πρέπει να τα διαβάζουν οι ομάδες. Οι χρήσιμοι, ελέγξιμοι ισχυρισμοί εδώ είναι στενοί και συγκεκριμένοι: ότι το βάθος ανά αλληλεπίδραση, όχι ο αριθμός μηνυμάτων, οδηγεί το μεγαλύτερο μέρος του παρατηρούμενου χάσματος, και ότι τα agentic εργαλεία παρουσιάζουν τη μεγαλύτερη διαφοροποίηση ανάμεσα σε πρωτοπόρες και τυπικές εταιρείες.

Η συγκεκριμένη προέκταση για τους υπεύθυνους μηχανικής είναι ζήτημα μέτρησης. Εάν το βάθος είναι ο παράγοντας διαφοροποίησης που περιγράφει το OpenAI, τότε η παρακολούθηση χρηστών και όγκου μηνυμάτων θα υποεκτιμά — ή θα υπερεκτιμά — συστηματικά το πραγματικό επίπεδο μιας ομάδας. Το πιο δύσκολο έργο είναι να εντοπιστεί ποιες ροές εργασίας έχουν μεταβεί από την υποστήριξη μέσω συνομιλίας στην ανατεθειμένη εκτέλεση με χρήση εργαλείων, και να επιβεβαιωθεί ότι η έντονη χρήση tokens αντιστοιχεί σε πραγματικά επιχειρηματικά αποτελέσματα και όχι απλώς σε μεγαλύτερους λογαριασμούς.