Agenci Codex od OpenAI dominują teraz wewnętrzne wykorzystanie tokenów AI
OpenAI twierdzi, że Codex generuje obecnie 99,8% jego wewnętrznych tygodniowych tokenów wyjściowych — zmianę podkreśloną przez niedawny materiał Google News dotyczący wydatków przedsiębiorstw na AI.
Ta liczba nie pokazuje wydatków, przychodów ani produktywności. Mierzy tokeny wyjściowe, czyli fragmenty tekstu generowane przez model, wewnątrz firmy sprzedającej tę technologię. Mimo to uchwyca znaczącą zmianę w sposobie korzystania z AI przez pracowników OpenAI.
ChatGPT wcześniej obsługiwał większość wewnętrznej pracy z AI. Codex, agent zdolny wykonywać dłuższe zadania i korzystać z narzędzi, dominuje teraz aktywność w inżynierii, dziale prawnym, finansach i rekrutacji.
Najważniejsza rywalizacja nie toczy się już między OpenAI a innym dostawcą modeli. Chodzi o pomoc opartą na czacie kontra delegowaną pracę agentów. Chatbot odpowiada na prośbę, natomiast agent może analizować pliki, wywoływać narzędzia, zmieniać swoje podejście i działać przez minuty lub godziny.
OpenAI przedstawia tę zmianę jako dowód, że produktywna praca przesuwa się w stronę agentów. Ta sama zmiana utrudnia jednak przewidywanie, przypisywanie, zabezpieczanie i ocenę wykorzystania AI.
Nabywcy korporacyjni stają więc przed bardziej precyzyjnym pytaniem, niż sugeruje nagłówek Google News. Muszą ustalić, czy rosnące wykorzystanie tokenów oznacza wartościową delegowaną pracę, czy kosztowną pętlę generującą aktywność bez porównywalnego rezultatu.
Co faktycznie pokazuje zmiana w wykorzystaniu tokenów przez OpenAI
Wewnętrzne dane OpenAI pokazują zdecydowaną zmianę zachowań, ale nie dowodzą, że każda firma osiągnie takie same wyniki.
OpenAI opublikowało swoją analizę 12 sierpnia 2026 roku. Firma zbadała aktywność Codex wśród klientów indywidualnych, użytkowników organizacyjnych oraz własnej kadry.
Do sierpnia 2025 roku przeciętny pracownik OpenAI kierował do Codex mniej niż 10% swoich tokenów. W tym okresie ChatGPT pozostawał domyślnym interfejsem do wewnętrznego korzystania z AI.
Równowaga zmieniła się, gdy Codex zyskał możliwość dłuższego wykonywania zadań, lepsze modele i obsługę zadań równoległych. OpenAI twierdzi, że przeciętny pracownik generuje obecnie ponad 85% tokenów wyjściowych za pośrednictwem Codex.
Według danych OpenAI o adopcji agentów Codex odpowiada za 99,8% tygodniowych tokenów wyjściowych w całej firmie. Różnica między tymi dwiema wartościami ma znaczenie.
Pierwsza liczba opisuje proporcję aktywności przeciętnego pracownika między Codex a ChatGPT. Druga odzwierciedla całą pulę wygenerowanych tokenów, na którą silnie wpływają intensywni użytkownicy agentów.
Agenci z natury generują więcej tokenów niż tradycyjne czaty. Wielokrotnie odczytują kontekst, planują działania, analizują wyniki, wywołują narzędzia i poprawiają swoją pracę.
Jeden pracownik może również uruchamiać kilka agentów jednocześnie. To sprawia, że udział tokenów wyjściowych jest miarą aktywności obliczeniowej, a nie bezpośrednią liczbą pracowników czy ukończonych zadań.
Najintensywniejsi wewnętrzni użytkownicy OpenAI ilustrują tę różnicę. Do czerwca 2026 roku pracownicy z 99. percentyla regularnie generowali ponad 60 godzin tur agentów Codex dziennie.
Nie oznacza to, że jedna osoba pracowała przez 60 godzin. Odzwierciedla to wiele agentów działających równolegle, podczas gdy ich ludzki operator kierował pracą lub ją weryfikował.
Wśród badanych użytkowników indywidualnych powszechne stały się także dłuższe zadania. Do maja 2026 roku 80,6% z nich złożyło co najmniej jedno zapytanie do Codex, które OpenAI oszacowało jako odpowiadające ponad 30 minutom pracy człowieka.
Kolejne 70,2% złożyło zapytanie oszacowane na ponad godzinę. Następne 25,6% złożyło co najmniej jedno zapytanie oszacowane na ponad osiem godzin.
Szacunki te dotyczą ludzkiego wysiłku związanego z zadaniem, a niekoniecznie czasu działania agenta ani ilości wyeliminowanej pracy. Metoda klasyfikacji OpenAI nie może też dowieść, że każdy wygenerowany wynik został zaakceptowany lub był użyteczny.
Nawet przy tych ograniczeniach kierunek jest jasny. Użytkownicy proszą AI o obsługę większych jednostek pracy, zamiast zamawiać pojedyncze odpowiedzi.
Interakcja na czacie może wygenerować podsumowanie, szkic lub fragment kodu. Agent może przeanalizować repozytorium, zmodyfikować kilka plików, uruchomić testy, zinterpretować błędy i podjąć próby ich naprawy.
To rozróżnienie wyjaśnia, dlaczego aktywność AI w przedsiębiorstwie może rosnąć znacznie szybciej niż liczba pracowników lub wolumen wiadomości. Każde delegowane zadanie obejmuje kilka interakcji z modelem ukrytych za jednym żądaniem użytkownika.
To centralne odwrócenie w tym wydarzeniu. Widoczny prompt staje się mniejszą częścią pracy, podczas gdy autonomiczne wykonanie pochłania większą część obliczeń.
Dla organizacji zmienia to znaczenie adopcji AI. Liczenie licencji i wiadomości nie opisuje już tego, jak głęboko modele uczestniczą w pracy operacyjnej.
Zmienia się też granica ryzyka. Chatbot zazwyczaj proponuje odpowiedź, natomiast agent może wykonywać działania w połączonych systemach.
Ten szerszy zakres uprawnień sprawia, że projektowanie uprawnień, rejestry audytowe, bramki przeglądu i kontrola kosztów stają się częścią wdrożenia. Nie są już drugorzędnymi szczegółami administracyjnymi.
Dlaczego sygnały z Google News wykraczają poza chatboty
Materiał Google News ma znaczenie, ponieważ dane OpenAI łączą rosnący popyt na tokeny z rozprzestrzenianiem się agentów poza inżynierią oprogramowania.
Codex zaczynał jako produkt kojarzony z programowaniem. Inżynierowie byli pierwszymi pracownikami, którzy przenieśli większość swojego wykorzystania OpenAI z ChatGPT do agenta.
Przeciętny inżynier OpenAI przekroczył ten próg do grudnia 2025 roku. OpenAI twierdzi obecnie, że przeciętny inżynier generuje 99% tokenów wyjściowych za pośrednictwem Codex, a nie ChatGPT.
Bardziej wymowna zmiana nastąpiła gdzie indziej. Działy prawne, finansowe i rekrutacyjne przeszły na większościowe wykorzystanie Codex około kwietnia 2026 roku, gdy inżynierowie zdążyli już ustanowić ten wzorzec.
OpenAI podaje, że przeciętny prawnik lub rekruter generuje teraz ponad 85% tokenów wyjściowych za pośrednictwem Codex. Nie oznacza to, że pracownicy ci spędzają większość dnia na programowaniu.
Zamiast tego Codex stał się ogólnym środowiskiem wykonywania zadań. Użytkownicy nietechniczni wykorzystują go do automatyzacji, ustrukturyzowanej analizy, transformacji danych, debugowania i wewnętrznych narzędzi.
Podział według zawodów przedstawiony przez OpenAI wzmacnia tę interpretację. Ponad jedna czwarta pracy w Codex generowanej przez pracowników funkcji biznesowych należała do kategorii inżynierii lub programowania.
W finansach i operacjach biznesowych inżynieria lub programowanie stanowiły 31% sklasyfikowanych wyników Codex. Praca oparta na wiedzy stanowiła 34%, a analiza finansowa odpowiadała za 16%.
Wśród pracowników produktu, marketingu i operacji praca oparta na wiedzy stanowiła 51% sklasyfikowanych wyników. Inżynieria lub programowanie odpowiadały za kolejne 25%.
Kategorie te sugerują, że agenci obniżają praktyczną barierę między zleceniem pracy technicznej a bezpośrednią próbą jej wykonania. Nie pokazują, że specjaliści nie są już potrzebni.
Rekruter może poprosić agenta o przekształcenie danych z kilku źródeł w wewnętrzny proces pracy. Pracownik finansów może zlecić mu uzgodnienie plików, stworzenie powtarzalnej analizy lub przetestowanie małego narzędzia.
Pracownik nadal odpowiada za kontekst, osąd, autoryzację i weryfikację. Ścieżka wykonania może jednak obejmować kod bez konieczności tworzenia tradycyjnego projektu programistycznego.
Adopcja wśród osób niebędących programistami szybko rosła we wszystkich trzech populacjach badanych przez OpenAI. Od sierpnia 2025 roku do początku czerwca 2026 roku tygodniowa liczba użytkowników niebędących programistami wzrosła 137-krotnie wśród użytkowników indywidualnych.
OpenAI odnotowało wzrost 189-krotny wśród użytkowników organizacyjnych i 12-krotny wśród własnej kadry. Te mnożniki zaczynały się od różnych poziomów bazowych, więc nie należy ich porównywać jako równorzędnych poziomów adopcji.
Mimo to potwierdzają ten sam kierunkowy wniosek. Wykorzystanie agentów rozszerza się poza odbiorców technicznych, którzy jako pierwsi przyjęli Codex.
Wzorzec ten pasuje także do szerszego raportowania przedsiębiorstw przez OpenAI. Jego badanie wykorzystania w przedsiębiorstwach wskazuje, że wolumen wiadomości ChatGPT wzrósł ośmiokrotnie, podczas gdy zużycie tokenów rozumowania na organizację korzystającą z API wzrosło rok do roku około 320-krotnie.
Wcześniejsze badanie obejmowało więcej niż Codex. Uwzględniało zagregowane wykorzystanie produktów biznesowych OpenAI oraz ankietę wśród 9 000 pracowników z prawie 100 organizacji.
OpenAI podało również, że ma ponad milion klientów biznesowych i ponad siedem milionów stanowisk pracy. Niemal 200 organizacji przetworzyło każda ponad jeden bilion tokenów.
Łącznie liczby te opisują dwie krzywe adopcji. Wolumen wiadomości kierowanych przez ludzi rośnie, ale obliczenia w zintegrowanych i wieloetapowych procesach pracy rosną znacznie szybciej.
Dlatego czat staje się niepełną jednostką pomiaru AI w przedsiębiorstwach. Jedna wiadomość może zainicjować długi ciąg wnioskowania, pobierania informacji, użycia narzędzi, walidacji i poprawek.
Ta zmiana wywiera presję na kilka grup jednocześnie. Zespoły finansowe muszą prognozować zmienne zużycie. Zespoły bezpieczeństwa muszą zarządzać dostępem do systemów. Menedżerowie muszą zdecydować, która praca zasługuje na dalszą przepustowość.
Pracownicy również stają wobec nowej formy odpowiedzialności operacyjnej. Uruchamianie wielu agentów może wyglądać na produktywne, ale równoległa aktywność nie jest tym samym co ukończona, zaakceptowana praca.
Organizacje będą potrzebować wspólnych dowodów na to, co wydarzyło się podczas działania agenta. Przeszukiwalna baza wiedzy AI może zachować istotny kontekst, ale nie zastąpi uprawnień ani formalnej oceny.
Szansa jest realna. Agenci mogą pomóc pracownikom przekraczać granice techniczne i realizować zadania, które wcześniej utknęły w kolejce innego zespołu.
Wyzwanie zarządcze jest równie realne. Przedsiębiorstwa muszą określić, gdzie autonomia tworzy powtarzalną wartość, a gdzie jedynie mnoży wywołania modeli.
Pomoc na czacie i wykonywanie zadań przez agentów podlegają innej ekonomii
Agenci przekształcają AI w przedsiębiorstwie z usługi działającej głównie w tempie użytkownika w zmienne obciążenie, którego zużycie zależy od zachowania podczas wykonywania zadań.
Tradycyjny czat nakłada naturalne ograniczenie na aktywność. Osoba zadaje pytanie, czeka na odpowiedź, ją ocenia i decyduje, czy kontynuować.
Wykonywanie zadań przez agentów usuwa część tych przerw. System może wybrać kolejne działanie, przywrócić wcześniejsze wyniki do kontekstu i kontynuować, aż osiągnie warunek zatrzymania.
Każdy cykl może dodawać tokeny wejściowe, gdy agent ponownie odczytuje instrukcje, pliki, odpowiedzi narzędzi i zgromadzoną historię. Tokeny wyjściowe obejmują tylko część całego tego obciążenia.
Długie zadania napotykają również rozgałęzienia. Agent może wypróbować jedną implementację, przeanalizować błąd, zmienić plan i uruchomić kolejny test.
Takie ponowne próby mogą być produktywne, ponieważ rzeczywista praca rzadko przebiega zgodnie z idealnym pierwszym planem. Mogą też stać się marnotrawstwem, gdy agentowi brakuje informacji, uprawnień lub możliwości potrzebnych do ukończenia zadania.
To sprawia, że najtańszy model jest niepełną odpowiedzią na kwestię kontroli kosztów. Mniej zdolny model może zużywać mniej zasobów na jedno wywołanie, ale wymagać większej liczby prób i większej liczby poprawek ze strony człowieka.
OpenAI przedstawia ten argument w swoich wytycznych dotyczących inwestycji w AI. Zaleca mierzenie ukończonych zadań, zaoszczędzonego czasu, ulepszonych decyzji i procesów pracy gotowych do skalowania.
Firma twierdzi, że cena za milion tokenów spadła o 97% między GPT-4 a GPT-5.4. Podaje również, że GPT-5.6 zużył o 54% mniej tokenów wyjściowych w indeksie agentów programistycznych i kończył zadania o 57% szybciej.
Są to zgłoszone przez OpenAI wyniki benchmarków, a nie gwarancja dla obciążenia każdego klienta. Własny kontekst firmy, narzędzia, kryteria oceny i koszty błędów mogą zmienić rezultat.
Spadające koszty jednostkowe nie muszą koniecznie obniżać łącznych wydatków. Wykorzystanie może rosnąć szybciej, niż poprawia się efektywność, szczególnie gdy agenci działają dłużej i równolegle.
Ta dynamika bardziej przypomina chmurę obliczeniową niż tradycyjne licencjonowanie oprogramowania. Popyt zależy od zachowania w czasie wykonywania, projektu obciążenia, wyboru modelu, wielkości kontekstu i wielokrotnego uruchamiania.
Wprowadza też problem pomiaru. Wysoka liczba tokenów może wskazywać na wartościową automatyzację, trudne zadanie, niepotrzebny kontekst, powtarzające się niepowodzenia albo agenta, który nie potrafi skutecznie zakończyć pracy.
Niezależne badania dają nabywcom powód, by ostrożnie podchodzić do zużycia. Artykuł z 2026 roku analizujący zadania programistyczne wykazał, że obciążenia agentowe zużywały znacznie więcej tokenów niż czat dotyczący kodu lub rozumowanie nad kodem.
Badacze odnotowali w warunkach eksperymentu różnice w zużyciu sięgające 1 000 razy. Wykonania tego samego zadania różniły się nawet 30-krotnie.
Większe zużycie tokenów nie przekładało się konsekwentnie na wyższą dokładność. Wyniki często osiągały szczyt na poziomie pośrednim, a następnie stabilizowały się mimo wzrostu zużycia.
Badanie wykazało również, że modele miały trudność z przewidywaniem własnego zapotrzebowania na tokeny. Zgłaszane korelacje sięgały jedynie 0,39, a szacunki systematycznie zaniżały rzeczywiste wykorzystanie.
Wnioski te pochodzą z konkretnego zestawu zadań programistycznych i modeli. Nie należy uogólniać ich na uniwersalny mnożnik dla każdego agenta przedsiębiorstwa.
Pokazują jednak, dlaczego prosty budżet na prompt staje się niewiarygodny. To samo żądanie może prowadzić do istotnie różnych ścieżek wykonania i potrzeb zasobowych.
Reakcja przedsiębiorstw jest już widoczna. W czerwcu 2026 roku OpenAI dodało do Global Admin Console skonsolidowany widok zużycia kredytów ChatGPT i Codex.
Administratorzy mogą analizować wykorzystanie według użytkownika, produktu i modelu. Mogą także ustawiać domyślne wartości dla przestrzeni roboczej, limity grupowe i indywidualne wyjątki za pomocą narzędzi kontroli wydatków firmy.
Databricks wprowadził podobne mechanizmy w Unity AI Gateway. System może nakładać limity, wykrywać niekontrolowane zużycie i rekomendować tańsze modele do odpowiednich zadań.
Ta wyłaniająca się warstwa kontroli pokazuje, dokąd zmierza rynek. Sam dostęp do modeli staje się niewystarczający dla wdrożeń przedsiębiorstw.
Organizacje potrzebują przypisania odpowiedzialności, polityk, ewaluacji i możliwości interwencji wokół tego dostępu. Muszą połączyć zużycie z odpowiedzialnym zespołem i zdefiniowanym procesem biznesowym.
Najsilniejszą jednostką pomiaru nie jest więc token. Jest nią ukończony rezultat spełniający uzgodnione wymagania dotyczące jakości, ryzyka i przeglądu.
W przypadku agenta programistycznego może to być zaakceptowana zmiana, która przechodzi testy i przegląd bezpieczeństwa. W finansach może to być uzgodniony raport z możliwymi do prześledzenia danymi wejściowymi.
W rekrutacji może to być przepływ pracy, który ogranicza wysiłek administracyjny bez podejmowania nieautoryzowanych decyzji dotyczących kandydatów. Każdy rezultat wymaga innych dowodów.
Ten model ekonomiczny sprzyja przepływom pracy, które często się powtarzają i można je jasno ocenić. Karze zaś niejasne zadania, których powodzenie zależy od subiektywnych wrażeń.
Zmiana związana z agentami nie czyni pomiaru tokenów bezużytecznym. Sprawia, że liczba tokenów staje się jednym z kilku sygnałów operacyjnych, a nie wskaźnikiem zastępczym wartości biznesowej.
Czego Nie Dowodzą Liczby Tokenów
Dramatyczne dane OpenAI dotyczące wewnętrznej adopcji pokazują popyt i intensywność użycia, ale nie rozstrzygają kwestii produktywności, jakości ani bezpieczeństwa.
Pierwszym ograniczeniem jest selekcja. OpenAI jest twórcą Codex, zatrudnia osoby swobodnie korzystające z eksperymentalnej AI i może zapewniać im wyjątkowo bezpośrednie wsparcie produktowe.
Jego pracownicy nie są reprezentatywną próbką banków, szpitali, agencji rządowych, producentów ani małych firm. Organizacje te działają w innych ograniczeniach technicznych i regulacyjnych.
OpenAI odnosi również korzyść, gdy klienci interpretują wyższe wykorzystanie jako dowód głębszej adopcji. Dane firmy zasługują na uwagę, lecz czytelnicy powinni odróżniać zmierzone zachowania od szerszej prognozy przedsiębiorstwa.
Drugie ograniczenie dotyczy tokenów jako miary sukcesu. Wolumen wyników pokazuje, że modele wygenerowały tekst lub kod. Nie ujawnia, ile z tego użytkownicy faktycznie zachowali.
Agent może stworzyć duży patch, który programista odrzuci. Może wygenerować analizę, którą pracownik przepisze, albo stworzyć automatyzację, która nigdy nie trafi do produkcji.
Szacunki OpenAI dotyczące zadań długoterminowych wiążą się z podobnym zastrzeżeniem. Zadanie zaklasyfikowane jako osiem godzin pracy człowieka nie oszczędza automatycznie ośmiu godzin.
Użytkownik może nadal poświęcać czas na przygotowanie danych wejściowych, monitorowanie wykonania, sprawdzanie źródeł, rozwiązywanie błędów i integrowanie wyniku. Część pracy mogłaby w ogóle nie powstać bez agenta.
Ten rozszerzony wynik nadal może być wartościowy. Uniknięta praca jest jednak tylko jedną z możliwych korzyści i wymaga bezpośredniego pomiaru.
Trzecim ograniczeniem jest niezawodność. Dłuższe zadania tworzą więcej okazji do błędów, nieaktualnych założeń, niewłaściwych wyborów narzędzi albo wczesnych pomyłek wpływających na późniejsze etapy.
Agenci mający dostęp do systemów przedsiębiorstwa tworzą też szerszą granicę bezpieczeństwa. Błędna odpowiedź jest szkodliwa, ale nieautoryzowane działanie może być znacznie trudniejsze do odwrócenia.
Uprawnienia powinny więc odpowiadać zadaniu, a nie maksymalnym możliwościom agenta. Dostęp do odczytu, dostęp do zapisu, komunikacja zewnętrzna i nieodwracalne działania zasługują na odrębne mechanizmy kontroli.
Zespoły bezpieczeństwa potrzebują również zapisów łączących żądanie człowieka z każdym działaniem narzędzia. Bez tego łańcucha reagowanie na incydenty i rozliczalność stają się trudne.
Monitorowanie kosztów może tworzyć kolejne napięcie. Firmy potrzebują wystarczającej widoczności, aby identyfikować marnotrawstwo i przejęte dane uwierzytelniające, lecz szczegółowa inwigilacja pracowników może osłabiać zaufanie.
Administrator może potrzebować wiedzieć, że przepływ pracy wielokrotnie wywołuje kosztowny model. Niekoniecznie potrzebuje nieograniczonego dostępu do wrażliwych treści.
Dobre zarządzanie oddziela metadane operacyjne od treści biznesowych wszędzie tam, gdzie to możliwe. Określa też, kto może analizować każdą warstwę i w jakich okolicznościach.
Czwarte ograniczenie dotyczy uogólniania poza programowanie. Codex może pomagać osobom nietechnicznym, ale dane OpenAI nadal wskazują programowanie i inżynierię jako główne kategorie.
Ustrukturyzowana praca techniczna oferuje stosunkowo jasną walidację. Można uruchamiać testy, porównywać pliki, a błędy mogą uruchamiać kolejną próbę.
Analizy prawne, wsparcie rekrutacji, strategia i interpretacja finansowa często zawierają więcej subiektywnych wymagań. Błędy mogą utrzymywać się dłużej, ponieważ automatyczna walidacja jest słabsza.
Ta różnica sprawia, że ocena rezultatów staje się ważniejsza, gdy agenci wchodzą do funkcji biznesowych. Przedsiębiorstwa nie powinny zakładać, że tempo adopcji równa się gotowości.
Nastroje publiczne już przesunęły się w stronę tego rozróżnienia. Analiza wydatków na AI opublikowana w lipcu opisała rosnący opór wobec „tokenmaxxingu”, czyli praktyki traktowania wysokiego zużycia jako osiągnięcia.
Analityk Moody's, Vincent Gusdorf, ostrzegł, że AI może ułatwiać tworzenie pracy, której organizacja nie potrzebuje. Ta krytyka bezpośrednio wskazuje słabość sygnałów statusu opartych na tokenach.
Duże zużycie może być racjonalne, gdy agent tworzy wartościowy rezultat. Trudniej je uzasadnić, gdy żaden właściciel nie potrafi połączyć aktywności z zaakceptowanym wynikiem.
Właściwe sceptyczne stanowisko nie polega na uznaniu agentów jedynie za marnotrawne chatboty. Dane OpenAI dotyczące adopcji są zbyt znaczące, by można było je w ten sposób odrzucić.
Bardziej uzasadniony wniosek jest węższy. Agenci rozszerzają ilość i zakres pracy, jakiej może podjąć się AI, podczas gdy dowody na faktycznie zrealizowaną wartość dla przedsiębiorstw pozostają nierówne.
Firma powinna więc przetestować tezę OpenAI we własnym środowisku. Wymaga to wartości bazowych, zestawów ewaluacyjnych, kosztów przeglądu, wskaźników niepowodzeń i mierzalnych rezultatów.
Powinna też porównać przepływ pracy z agentem z realistycznymi alternatywami. Obejmują one wykonanie przez człowieka, konwencjonalne oprogramowanie, krótszą interakcję czatową i mniejszy model.
Dopiero wtedy liderzy mogą ustalić, czy rosnące zużycie tokenów oznacza dźwignię, czy tarcie. Wewnętrzne wskaźniki OpenAI nie mogą odpowiedzieć na to pytanie za nich.
Trzy Sygnały, Które Nabywcy Korporacyjni Powinni Obserwować Następnie
O kolejnej fazie zdecyduje raportowanie rezultatów, utrzymanie użytkowników nietechnicznych i kontrole bezpieczeństwa, a nie kolejny rekord liczby tokenów.
Pierwszym sygnałem jest to, czy dostawcy łączą zużycie agentów z ukończonymi rezultatami biznesowymi. Panele wykorzystania obecnie podkreślają kredyty, użytkowników, modele i trendy.
Widoki te pomagają administratorom wykrywać nieoczekiwany popyt. Nadal nie pokazują jednak, czy przepływ pracy przyniósł zaakceptowany rezultat.
Nabywcy powinni szukać raportowania powiązanego z zatwierdzonymi zmianami w kodzie, rozwiązanymi zgłoszeniami wsparcia, ukończonymi analizami lub innymi wynikami specyficznymi dla danej dziedziny. Koszt na zaakceptowany rezultat uczyniłby porównania bardziej znaczącymi.
Jeśli dostawcy zapewnią wiarygodne przypisanie rezultatów, argument OpenAI stanie się mocniejszy. Przedsiębiorstwa mogłyby finansować przepływy pracy o wysokim zużyciu, gdy widoczna jest wynikająca z nich wartość.
Jeśli raportowanie pozostanie skoncentrowane na tokenach i szacowanym czasie, sceptycyzm będzie narastał. Organizacje będą miały trudność z odróżnieniem intensywnej produktywnej pracy od intensywnej nieudanej pracy.
Drugim sygnałem jest trwałe wykorzystanie Codex poza inżynierią. OpenAI raportuje uderzający wzrost wśród pracowników działów prawnych, finansowych, rekrutacyjnych, marketingowych i operacyjnych.
Kolejne pytanie brzmi, czy użytkownicy ci pozostaną aktywni po początkowych eksperymentach. Retencja ma większe znaczenie niż szybki wzrost z małej bazy początkowej.
Przedsiębiorstwa powinny obserwować, które zadania nietechniczne stają się powtarzalnymi przepływami pracy. Powinny także śledzić, jak często specjaliści muszą ratować lub przebudowywać pracę wygenerowaną przez agenta.
Dalsze wykorzystanie przy stabilnej jakości wspierałoby twierdzenie OpenAI, że agenci pozwalają pracownikom przekraczać granice funkcjonalne. Spadająca retencja sugerowałaby, że największa wartość nadal koncentruje się w zespołach technicznych.
Trzecim sygnałem jest dojrzałość kontroli wokół działań agentów. Limity wydatków pojawiają się szybko, ale koszt stanowi tylko jedną część ryzyka operacyjnego.
Organizacje potrzebują także uprawnień na poziomie zadań, punktów kontrolnych zatwierdzania, audytowalnych wywołań narzędzi, izolacji danych uwierzytelniających i niezawodnego zatrzymywania działania, gdy zachowanie wykracza poza zdefiniowane granice.
Zabezpieczenia te muszą działać w wielu modelach i narzędziach. Przedsiębiorstwa rzadko na zawsze standaryzują każdy przepływ pracy na jednym dostawcy.
Postęp w tym obszarze ułatwiłby uzasadnienie szerszego delegowania, szczególnie w branżach regulowanych. Słabe lub rozproszone mechanizmy kontroli spowolniłyby adopcję niezależnie od możliwości modeli.
Te trzy sygnały są ze sobą powiązane. Raportowanie rezultatów wyjaśnia, dlaczego agent zasługuje na zasoby. Retencja pokazuje, czy pracownicy uznają go za użyteczny po wygaśnięciu efektu nowości.
Bezpieczeństwo i zarządzanie określają, czy organizacja może pozwolić temu agentowi wykonywać działania o istotnych konsekwencjach. Brak któregokolwiek z tych trzech elementów może uniemożliwić udane wdrożenie.
Nagłówek Google News odzwierciedla rzeczywiste przejście od czatu do agentów, ale udział tokenów to początek historii. Nie jest to końcowy wynik.
OpenAI pokazało, że jego pracownicy coraz częściej delegują Codex długie i złożone zadania. Nie wykazało, że 99,8% tokenów wyjściowych zapewnia równoważny udział w wartości organizacyjnej.
Nabywcy korporacyjni powinni zadać praktyczne pytanie, zanim zaczną świętować lub ograniczać to zużycie: które ukończone rezultaty stały się możliwe i jakie dowody potwierdzają, że były warte ryzyka?
To pytanie oferuje lepszy przewodnik niż sam wolumen tokenów. Pozwala organizacjom rozwijać przepływy pracy, które działają, ograniczać te, które zbaczają z kursu, i oceniać adopcję agentów na podstawie rezultatów, a nie aktywności.
