OpenAI: компании переводят ИИ от ответов к выполнению задач

OpenAI описала, как крупные компании используют ChatGPT и Codex для многошаговой работы. Главный сдвиг — от подсказок сотруднику к выполнению ограниченных задач под контролем человека.

Корпоративные ИИ-агенты выполняют многошаговые задачи с помощью ChatGPT и Codex
Корпоративные ИИ-агенты выполняют многошаговые задачи с помощью ChatGPT и Codex
Visit of Ursula von der Leyen, President of the European Commission, to India (P-065755-00-36).jpg | by Europäische Kommission — Audiovisueller Dienst, CE — Service audiovisuel, EC — Audiovisual Service, Dati Bendo | wikimedia_commons | CC BY 4.0

OpenAI представила обзор того, как компании используют корпоративные продукты на базе искусственного интеллекта. В центре материала — переход от сценария «сотрудник задаёт вопрос и получает ответ» к делегированию ИИ более длинной цепочки действий.

По версии OpenAI, наиболее активно этот переход происходит в организациях, которые уже встроили ChatGPT или Codex в рабочие процессы. Такие компании применяют модели не только для подготовки текста, поиска информации или написания кода, но и для выполнения задач, разбитых на несколько этапов. При этом исследование отражает данные и интерпретацию самого поставщика, а не независимую оценку всего рынка.

От чат-бота к исполнителю задачи

Обычный корпоративный сценарий генеративного ИИ предполагает, что человек сохраняет за собой почти все действия: формулирует запрос, проверяет ответ, переносит результат в другую систему и принимает решение. ИИ в таком случае выступает советником или инструментом подготовки черновика.

Агентный сценарий устроен иначе. Пользователь задаёт цель, после чего программная система может последовательно обращаться к разрешённым данным и инструментам, создавать документы, анализировать результаты и возвращаться к предыдущим шагам. Человек при этом должен определить границы полномочий и проверить итог перед чувствительным действием.

Именно эту разницу OpenAI описывает как движение от помощи к исполнению. Речь не обязательно идёт о полностью автономной программе. На практике агент может подготовить результат, предложить следующее действие или выполнить только те операции, которые заранее разрешены в рабочем процессе.

MIT Sloan определяет агентные системы сходным образом: они могут воспринимать информацию, рассуждать и взаимодействовать с другими программами с минимальным участием пользователя. Но термин «агент» не означает, что система стала полноценным сотрудником. Она по-прежнему зависит от качества данных, заданных ограничений и человеческой проверки.

Где используются ChatGPT и Codex

В материалах OpenAI отдельно упоминаются ChatGPT и Codex. ChatGPT компании применяют как интерфейс для работы с корпоративными знаниями, подготовки документов, анализа информации и выполнения повторяющихся офисных операций. Конкретный набор возможностей зависит от подключённых источников данных, прав доступа и настроек организации.

Codex ориентирован на разработку программного обеспечения. В агентном режиме модель может работать с репозиторием, изучать структуру проекта, предлагать изменения, создавать или обновлять код и помогать с проверкой результата. Многошаговой такой работу делает не отдельная генерация фрагмента кода, а последовательность действий: понять задачу, найти связанные файлы, внести изменения, запустить проверки и подготовить описание результата.

Для разработчиков это меняет точку оценки. Важен уже не только ответ модели на один запрос, но и то, насколько надёжно она проходит весь процесс. Ошибка на раннем шаге может повлиять на последующие действия, особенно если системе разрешён доступ к инструментам или внутренним данным.

OpenAI утверждает, что самые активные корпоративные пользователи чаще задействуют подключённые агентные возможности и получают больше результата от многошаговых рабочих процессов в Codex. Однако это утверждение нельзя автоматически переносить на весь рынок: компания анализирует собственную клиентскую базу, а методика и полный набор исходных данных в доступном описании ограничены.

Почему передовые компании уходят вперёд

Разрыв между организациями, которые экспериментируют с ИИ, и теми, кто внедряет его в операции, связан не только с выбором модели. Компании-лидеры обычно заранее определяют, какой процесс нужно улучшить, какие данные разрешено использовать и где требуется подтверждение человека.

Для корпоративного внедрения недостаточно выдать сотрудникам доступ к чат-боту. Систему нужно связать с внутренней документацией, базами знаний, репозиториями, CRM или другими рабочими инструментами. Одновременно необходимо настроить права доступа, журналирование действий и механизм отката ошибочных изменений.

Опыт Glean показывает похожий подход: компания продвигает корпоративный поиск и ИИ-агентов, которые работают с внутренними знаниями и позволяют подразделениям собирать собственные рабочие сценарии. В опубликованных Glean примерах упоминаются Booking.com, Zillow, Ericsson и другие организации, но эти кейсы являются материалами самого поставщика и не заменяют независимого измерения экономического эффекта.

Для бизнеса это означает, что преимущество может появляться не из-за «самой умной» модели, а из-за более качественной организации процесса. Команда, у которой есть актуальная база знаний, понятные правила доступа и набор тестовых задач, быстрее поймёт, где агент действительно экономит время, а где создаёт дополнительную проверочную работу.

Автономность повышает требования к безопасности

Чем больше действий система может выполнить без нового подтверждения, тем выше цена ошибки. Агент, который только предлагает письмо, создаёт ограниченный риск. Система, способная менять записи в базе, отправлять сообщения или работать с производственной инфраструктурой, требует другого уровня контроля.

Отчёт METR за февраль—март 2026 года предупреждает, что внутренние агенты передовых разработчиков ИИ уже могли обладать возможностями для небольших несанкционированных развёртываний, хотя не умели делать такие операции высокоустойчивыми. Это исследование посвящено рискам агентных систем и не является прямым измерением корпоративных продуктов OpenAI.

Дополнительный сигнал дала Anthropic. После анализа 141 006 оценочных запусков компания сообщила о трёх случаях, когда модель Claude получила доступ к интернету из оценочной среды и затем взаимодействовала с реальными системами. Anthropic связала произошедшее с ошибкой настройки среды: тест должен был быть изолированным, но доступ к сети оказался открыт. Этот эпизод показывает, что безопасность зависит не только от поведения модели, но и от инфраструктуры, в которой она работает.

Поэтому корпоративный агент не должен получать широкие полномочия по умолчанию. Практическая схема для внедрения — ограниченный набор инструментов, отдельная тестовая среда, подтверждение необратимых действий, запись операций и регулярные проверки того, какие данные система действительно может прочитать или изменить.

Что проверить перед внедрением

Читателям, которые оценивают ChatGPT, Codex или другой агентный инструмент для команды, стоит начать не с общего вопроса о «способностях ИИ», а с конкретного процесса. Полезно проверить четыре пункта:

Какова конечная задача и какой результат считается приемлемым?

Какие системы и данные потребуются агенту для её выполнения?
3. Какие шаги можно автоматизировать, а какие должны подтверждаться человеком?
4. Как будет измеряться качество: время выполнения, количество исправлений, доля успешных запусков или стоимость проверки?

Особенно важно сравнивать не демонстрационный ответ, а полный рабочий цикл. Для Codex это может быть задача в отдельном репозитории с автоматическими тестами и обязательным просмотром изменений. Для ChatGPT — набор обезличенных документов, где можно проверить точность ссылок, соблюдение внутренних правил и устойчивость к неполным данным.

OpenAI описывает ускорение перехода к агентным сценариям как собственный вывод из использования её продуктов. Независимые публикации подтверждают общий интерес бизнеса к ИИ-агентам, но не доказывают, что все компании уже получают одинаковый результат. До появления сопоставимых данных по отраслям и затратам корректнее считать материал OpenAI сигналом о направлении рынка, а не окончательным измерением корпоративной продуктивности.

Источник: OpenAI News — https://openai.com/index/how-enterprises-put-ai-to-work

Дополнительный контекст: MIT Sloan — https://mitsloan.mit.edu/ideas-made-to-matter/agentic-ai-explained; METR — https://metr.org/blog/2026-05-19-frontier-risk-report/; Anthropic — https://www.anthropic.com/news/investigating-incidents-cybersecurity-evals.

Источники