Коротко: новый отчет OpenAI показывает не разницу в доступе к моделям, а разницу в глубине их применения. В июне 2026 года компании из верхних 10% по числу выходных токенов на активного пользователя генерировали их в 8,3 раза больше типичных компаний; в январе разрыв составлял 2,6 раза. Токены — лишь прокси, а не ROI. Практический вывод: масштабировать нужно не подписки и промпты, а проверенные рабочие контуры с контекстом, инструментами, правами, тестами и владельцем.
Статья предназначена для руководителей, владельцев процессов, CIO/CDO и команд внедрения. Она разбирает данные OpenAI от 12 августа 2026 года и предлагает метод тиражирования сценариев. Она не измеряет российский рынок, не доказывает причинную связь между интенсивностью использования и финансовым результатом и не обещает сократить отставание ровно в 8,3 раза.
Содержание
- Что именно измерила OpenAI
- Пять сигналов для руководителя
- Почему доступ к модели не становится процессом
- Четыре уровня зрелости внедрения ИИ
- КОНТУР: как тиражировать рабочий сценарий
- Карточка повторяемого ИИ-процесса
- Какие метрики считать
- План внедрения на один процесс
- Где компании ломают масштабирование
- Частые вопросы
- Как AI рассвет помогает собрать управляемый ИИ-контур
- Вывод
Что именно измерила OpenAI
12 августа 2026 года OpenAI опубликовала Enterprise Signals и обзор From assistance to execution. Исследователи сравнили глубину использования продуктов OpenAI у корпоративных клиентов и отдельно изучили распространение ИИ по функциям, должностям и задачам.
В Enterprise Signals «передовые» компании — верхние 10% клиентов по выходным токенам на активного пользователя за месяц. «Типичные» — компании между 45-м и 55-м процентилями. В июне первые генерировали в 8,3 раза больше токенов на активного пользователя, чем вторые; в январе отношение составляло 2,6 раза.
OpenAI прямо называет токены несовершенной мерой. Длинный ответ может быть бесполезным, а короткий — ценным. Поэтому показатель следует читать как прокси глубины делегирования работы ИИ, а не как производительность, прибыль или качество.
Сопутствующий рабочий документ How Organizations Use AI связывает обезличенное использование ChatGPT Enterprise с ролями и задачами. Выборка характеристик работников включает 1 764 организации и 17 446 551 сообщение; анализ фиксирует состояние через шесть месяцев после подключения организации. Контент классифицировали автоматически, индивидуальные сообщения исследователи вручную не читали.
Пять сигналов для руководителя
| Сигнал | Измеренный результат | Практический смысл | Чего результат не доказывает |
|---|---|---|---|
| Разрыв глубины растет | 8,3× в июне против 2,6× в январе | одинаковой лицензии недостаточно; различается организационная практика | что токены создали 8,3× больше ценности |
| Работа становится агентной | Codex дал 64% совокупных выходных токенов Codex и ChatGPT у enterprise-клиентов | сотрудники делегируют более длинные многошаговые задачи | что 64% процессов автоматизировано |
| Инструменты и навыки используются неравномерно | плагины: 21% активных пользователей против 9%; навыки: 19% против 3% | преимущество создают упакованные инструкции и доступ к системам | что плагин сам повышает производительность |
| Рост вышел за пределы разработки | с февраля активные пользователи Codex выросли 108× в legal, 41× в sales и recruiting, 26× в marketing, 5× в engineering | искать процессы стоит во всех функциях, а не только в IT | абсолютное число пользователей или эффект по функции |
| Интенсивнее пользуются менее старшие сотрудники | ранние карьерные уровни отправляли примерно на 8–9 сообщений в неделю больше среднего активного пользователя внутри своей компании | лучшие сценарии могут появляться снизу | что молодые сотрудники продуктивнее или должны владеть контролем |
Главный сигнал — доступ диффундирует быстрее, чем способность компании превращать личный прием в устойчивый способ работы.
Почему доступ к модели не становится процессом
В разговоре о внедрении часто смешивают четыре состояния:
- Доступ — сотруднику выдали лицензию.
- Использование — сотрудник задает вопросы или создает материалы.
- Повторяемый рабочий контур — задача имеет утвержденные входы, источники, инструкцию, права, проверку и владельца.
- Бизнес-результат — по сравнению с baseline изменились срок, стоимость, качество, риск или пропускная способность.
Отчет хорошо измеряет первые два состояния и показывает движение к третьему. Четвертое он не измеряет. Рабочий документ отдельно предупреждает: классифицированные сообщения не раскрывают последующие рабочие продукты, производительность или изменение организационных процедур.
Код стал ранним полигоном не случайно. Репозиторий хранит контекст, задача часто формулируется явно, а тесты дают критерий приемки. В знаниевой работе правила нередко разбросаны между почтой, CRM, таблицами и памятью эксперта; «хороший результат» не описан, а цена ошибки становится видна только после отправки клиенту.
Значит, узкое место — не только качество модели. Им становится спецификация работы: что агент читает, что делает, чем подтверждает вывод, когда спрашивает разрешение и кто отвечает за итог.
Четыре уровня зрелости внедрения ИИ
| Уровень | Наблюдаемое поведение | Главный риск | Условие перехода |
|---|---|---|---|
| 1. Доступ | лицензии выданы, есть базовое обучение | активность путают с ценностью | найти повторяющуюся реальную задачу |
| 2. Личная практика | сотрудники сохраняют свои промпты и приемы | знание не переносится, данные вводятся хаотично | зафиксировать вход, выход и критерий качества |
| 3. Общий контур | есть навык/инструкция, источник данных, права и тесты | контур разрастается без владельца и контроля версий | пройти пилот на замороженном наборе и назначить владельца |
| 4. Управляемая операция | сценарий встроен в систему, измеряется, обновляется и откатывается | автоматизация продолжает работать после изменения правил | постоянный мониторинг качества и регрессионные проверки |
Эта модель — оригинальная синтезация AI рассвет, а не шкала OpenAI. Ее цель — не присвоить компании балл, а определить следующий проверяемый переход.
КОНТУР: как тиражировать рабочий сценарий
Предлагаем рамку КОНТУР: Контекст → Операция → Нормы доступа → Тест → Учет → Репликация.
Контекст
Зафиксируйте утвержденные источники: документы, таблицы, CRM-поля, переписку, словарь и дату актуальности. Отделите факты компании от общих знаний модели. Если источник противоречит другому, определите приоритет или маршрут эскалации.
Операция
Опишите задачу как преобразование: событие и вход → действия → проверяемый выход. «Помогать продажам» не является операцией. «Перед встречей собрать карточку клиента из CRM и трех последних протоколов по заданному шаблону» — является.
Нормы доступа
Назовите разрешенные данные, инструменты и действия. Разделите чтение, создание черновика, предложение изменения, запись после approval и автономное действие. Секреты, персональные данные и юридически значимые операции требуют отдельных правил.
Тест
Заморозьте набор реальных обезличенных случаев, rubric и stop rules до запуска. Проверяйте не убедительность текста, а факты, полноту, допустимые источники, формат, критические ошибки и маршрут эскалации.
Учет
Назначьте владельца процесса и сохраняйте версию инструкции, источников, модели, результата, правок и решения проверяющего. Лог нужен не ради тотальной слежки, а чтобы объяснить сбой и безопасно обновить контур.
Репликация
После пилота упакуйте рабочую практику в общий навык или регламент, проведите обучение на конкретных примерах и выдавайте доступ по ролям. Переносите контур в соседнюю команду только после проверки различий в данных, риске и критериях приемки.
КОНТУР превращает талант отдельного пользователя в организационный актив, но сохраняет ответственность у владельца процесса.
Карточка повторяемого ИИ-процесса
Для каждого кандидата заполните одну карточку:
| Поле | Что записать | Пример |
|---|---|---|
| Событие | что запускает работу | новая возможность в CRM |
| Вход | обязательные данные и формат | карточка клиента, 3 протокола, прайс |
| Источники | разрешенные системы и дата | CRM и база знаний, обновление ежедневно |
| Выход | конкретный артефакт | бриф встречи по утвержденному шаблону |
| Критерий приемки | проверяемые условия | все цифры со ссылками, 5 обязательных разделов |
| Запрещенная ошибка | что останавливает контур | вымышленный факт или чужие данные |
| Права | чтение/черновик/запись | чтение CRM, черновик без отправки |
| Эскалация | когда нужен человек | конфликт источников или пустое обязательное поле |
| Владелец | кто отвечает за итог | руководитель sales operations |
| Версия | инструкция, модель, тесты | skill 1.2, тестовый набор 2026-08-13 |
Карточка намеренно короче технического задания. Она нужна, чтобы за один экран проверить: существует ли вообще процесс, пригодный к тиражированию.
Какие метрики считать
| Метрика | Формула | Что показывает | Чего не показывает |
|---|---|---|---|
| Weekly active coverage | активные пользователи / целевая группа | ширину принятия | качество или ценность |
| Workflow reuse | запуски общего контура / все релевантные случаи | повторяемость | корректность каждого результата |
| Acceptance rate | принятые результаты / проверенные | пригодность выхода | скрытые ошибки вне rubric |
| Critical error rate | критические ошибки / проверенные | риск по заданной таксономии | полноту самой таксономии |
| Review time | медиана минут проверки | нагрузку человека | время ожидания в очереди |
| Cycle time | медиана от события до принятия | скорость полного цикла | причинность без контрольного сравнения |
| Cost per accepted unit | модель, инфраструктура, проверка и переделка / принятые единицы | экономику контура | будущую выручку |
| Replication rate | команды, прошедшие gate / команды-кандидаты | переносимость практики | эффект в новой команде без повторного теста |
Выходные токены полезны как диагностический след: более длинная агентная задача обычно создает больше вывода. Но это не KPI успеха. KPI должен быть привязан к принятой единице работы и риску.
План внедрения на один процесс
Четырехнедельный цикл ниже — Estimated стартовый формат, а не обещанный срок для любой компании.
- Неделя 1 — разведка. Соберите 10–15 реальных личных сценариев у активных пользователей, включая сотрудников ранних карьерных уровней. Выберите один частый процесс с наблюдаемым выходом и владельцем.
- Неделя 1 — baseline. Замерьте текущие время цикла, возвраты, критические ошибки, стоимость и объем очереди.
- Неделя 2 — карточка и права. Заполните КОНТУР, подключите только необходимые источники и оставьте внешние действия выключенными.
- Неделя 2 — тестовый набор. Подготовьте 30–50 обезличенных случаев; объем является
Estimatedотправной точкой и должен расти с вариативностью и риском. - Неделя 3 — shadow mode. ИИ создает результат параллельно текущему процессу, но ничего не отправляет и не меняет.
- Неделя 3 — gate. Владелец сравнивает результат с baseline по заранее утвержденным метрикам и stop rules.
- Неделя 4 — упаковка. Зафиксируйте навык, источники, права, тесты, журнал изменений и короткое обучение команды.
- Неделя 4 — ограниченный rollout. Подключите одну роль или соседнюю команду и повторите gate на ее данных.
Первая цель — не «вовлечь всех», а доказать, что один общий контур сохраняет качество при передаче от автора к другим сотрудникам.
Где компании ломают масштабирование
Покупают места вместо изменения работы
Доля активных пользователей растет, но решения, источники и handoff остаются прежними. Исправление: выбрать один результат процесса и идти от него назад к данным, правам и проверке.
Копируют промпт без контекста
Формулировка переносится, а CRM-поля, словарь, шаблон и исключения остаются у автора в голове. Исправление: упаковывать не текст запроса, а весь КОНТУР.
Ставят токены KPI
Команда начинает производить больше вывода вместо принятой работы. Исправление: считать cost per accepted unit, критические ошибки и время проверки.
Делают опытного пользователя владельцем риска
Сотрудник нашел сильный сценарий, но не должен единолично определять доступ к данным или разрешать внешние действия. Исправление: развести роли разведчика сценария, владельца процесса, IT/ИБ и проверяющего.
Тиражируют до регрессионного теста
Контур работает на десяти удобных примерах и ломается при смене команды или источника. Исправление: новая группа получает новую выборку, отдельный gate и возможность отката.
Ограничения исследования
| Ограничение | Почему важно |
|---|---|
| Данные относятся к клиентам OpenAI | использование других моделей, API, внутренних систем и личных аккаунтов не покрыто полностью |
| Выходные токены — прокси глубины | они не измеряют качество, продуктивность, прибыль или причинный эффект |
| Данные о должностях неполны | нельзя вычислить долю всех сотрудников каждой роли, которые приняли ИИ |
| Задачи классифицированы автоматически | возможны ошибки таксономии и отнесения сообщений |
| Рабочий документ анализирует сообщения, а не конечный продукт | downstream-результаты и изменение процедур не измерены |
| Финансовое сравнение ограничено связанными публичными компаниями США | оно описательное, не причинное и не переносится на российские компании |
Важная деталь: ранние adopter-компании в рабочем документе крупнее и более интенсивны по R&D и SG&A, чем не-adopters. Поэтому нельзя заключать, что само подключение ChatGPT создало их преимущества; вероятно, исходные организационные возможности помогают и принять, и глубже встроить технологию.
Частые вопросы
Что означает разрыв 8,3 раза?
В июне 2026 года верхние 10% enterprise-клиентов OpenAI по выходным токенам на активного пользователя генерировали их в 8,3 раза больше компаний между 45-м и 55-м процентилями. Это прокси глубины использования, а не разрыв в ROI.
Нужно ли выдавать ИИ всем сотрудникам?
Широкий безопасный доступ помогает обнаруживать сценарии, но сам по себе не создает процесс. Его нужно сочетать с конкретными задачами, утвержденными источниками, правами, тестами и обучением.
Зачем компании навыки и плагины для ИИ?
Навык упаковывает повторяемую инструкцию, а плагин может добавить доступ к данным, инструментам и действиям. Вместе они снижают зависимость результата от личного промпта, но требуют версий, разрешений и проверки.
Кто должен искать сценарии внедрения?
Сотрудники, которые уже интенсивно используют ИИ, могут быть разведчиками сценариев. Владелец процесса определяет результат и риск; IT и ИБ — доступ; предметный эксперт — приемку. Один энтузиаст не должен совмещать все роли.
Как понять, что сценарий можно тиражировать?
Другой сотрудник по той же карточке получает результат, проходящий замороженные критерии; критические ошибки не превышают stop rule; права ограничены; владелец, версия и откат определены; полная стоимость лучше baseline по целевой метрике.
Как AI рассвет помогает собрать управляемый ИИ-контур
AI рассвет может помочь превратить разрозненные личные сценарии в один проверяемый процесс:
- Провести аудит процесса и описать baseline, данные, ограничения, владельца и критерий приемки.
- Подготовить корпоративную базу знаний или RAG-контур, версионируемый навык и тестовый набор.
- Собрать AI-агента или agentic RPA с минимальными правами, approvals, журналом действий и эскалацией.
- Интегрировать прошедший gate контур с корпоративными системами, обучить команду и сопровождать обновления.
Безопасный первый шаг — выбрать один процесс, его текущий baseline, источники данных, ограничения и критерий приемки. Он позволяет проверить ценность до выдачи агенту прав на запись или внешнее действие и не предполагает заранее заданных сроков, экономии или ROI.
Вывод
Новый отчет OpenAI показывает: корпоративный разрыв возникает даже при доступе к одинаковым моделям. Передовые компании глубже делегируют работу агентам и чаще используют упакованные возможности — контекст, инструменты, плагины и навыки. Но 8,3× остается показателем интенсивности, а не доказанным преимуществом в прибыли или производительности.
Практический ответ для руководителя — не максимизировать токены. Найдите один личный сценарий, который решает повторяющуюся задачу, соберите для него КОНТУР, сравните с baseline и тиражируйте только после gate. Так эксперимент становится воспроизводимым активом компании, а не приемом, который исчезает вместе с вкладкой или сотрудником.