OpenAI 的 B2B Signals 研究发现，领先企业通过更深度、更专业和更多代理化的工作流获得复合式AI优势；前沿企业人均使用的智能量较典型企业高出3.5倍，且差距主要来自更复杂的使用而非仅仅更多消息量。研究建议企业专注衡量深度、建立生产化治理、强化赋能并把AI从聊天助手推进到可委派的代理工作流以实现规模化价值。
概览
– B2B Signals：基于去标识化的OpenAI产品使用数据，定期跟踪企业AI扩散与成熟度。
– 核心发现：前沿企业（95百分位）人均智能使用量为典型企业的3.5倍，较去年增长明显，消息量仅解释36%的差距，更多来自更复杂、更具深度的交互。
深度使用为关键差异
– 代币（tokens）作为“智能需求”代理指标，表明前沿团队在让AI执行更复杂工作、提供更丰富上下文与更实质输出。
– 典型企业多用于回答问题；前沿企业用于执行复杂任务与工作再设计。
代理化工作流崛起
– 高端工具优势最大：Codex 人均消息量前沿对典型为16倍，ChatGPT Agent、Apps in ChatGPT、Deep Research、GPTs 等也呈相同趋势。
– 意味着企业在将AI委派多步骤任务、处理代码与文档、并结合公司上下文方面取得领先。
– 案例：Cisco 用 Codex 缩短构建时间约20%，每月节省1500+工程师工时，缺陷修复吞吐提升10–15倍。
AI在职能中的专业化应用
– 使用最广的领域仍是写作与沟通，但IT/安全偏向流程类指导，开发/数据科学偏向代码生成，财务偏向分析与计算。
– 不同行业/团队有不同入手点：扩大量级、加深使用、采用代理工具或将AI内嵌进产品/系统。
– 案例：Travelers 的 AI Claim Assistant 可引导报案并直接在公司系统内创建理赔，预计首年处理约10万次首次报案。
向前沿迁移的实践建议
– 衡量“深度使用”而非仅衡量覆盖人数或消息次数。
– 建立允许生产化使用的治理框架。
– 将赋能视为基础设施，推动学习与技能培养。
– 识别并放大前沿团队的成功做法，把聊天型助手升级为可委派的代理工作流。
未来展望
– B2B Signals 将定期发布企业AI行为洞见，帮助组织理解哪些实践能把AI采纳转化为业务价值。
方法学说明
– 分析基于去标识化、聚合的企业使用数据，消息内容由自动系统分类，未有OpenAI员工人工审阅单个企业数据。
企业迈向AI前沿不再是铺设席位，而是把AI嵌进能做实事的工作流并建立相应治理与学习机制。