AI-нативные компании не просят агентов о советах — они делегируют весь рабочий процесс

Последние данные Enterprise Signals от OpenAI показывают, что корпоративный ИИ переходит от помощи к выполнению задач с резко отличающейся скоростью. Передовые компании — те, что входят в топ 10% по использованию ИИ — теперь генерируют в 8,3 раза больше выходных токенов на активного пользователя, чем обычные компании, по сравнению с 2,6 раза в январе. Этот растущий разрыв указывает на более глубокий операционный сдвиг: ведущие фирмы подключают агентов к корпоративному контексту и инструментам, делегируют более существенную работу и облегчают повторение успешных рабочих процессов. Для лидеров настоящая задача состоит в том, чтобы превратить эту глубину в работу, которой люди могут доверять, измерять и улучшать — при этом оставляя место для экспериментов с вариантами использования, ценность которых не очевидна с первой попытки.

📌 Эта статья основана на двух недавних исследованиях OpenAI — Enterprise Signals: как растет преимущество AI-native компаний и Как AI-native компании превращают рабочие процессы в операционные возможности. Ниже мы обобщили их выводы и дали ссылки на оригинальные исследования.

За последний год разрыв между компаниями, которые фактически внедрили ИИ-агентов, и всеми остальными резко увеличился. Последний отчет OpenAI Enterprise Signals показал, что компании, входящие в топ 10% по использованию ИИ, теперь генерируют в 8,3 раза больше выходных токенов на активного пользователя, чем типичные компании — по сравнению с 2,6 раза в январе. Этот разрыв не связан с доступом к лучшим моделям; передовые и типичные компании используют одни и те же базовые модели. Он объясняется тем, как ведущие команды организовали агентскую работу с ИИ вокруг агентов, контекста и инструментов.

Вот что отличает AI-native компании от остальных, согласно данным и кейсам OpenAI — и как рабочая среда ИИ-агентов, такая как BridgeApp, вписывается в эту картину.

Корпоративный ИИ становится все более агентским

Корпоративный ИИ переходит от ответа на вопросы к фактическому выполнению работы. Этот сдвиг начался в разработке программного обеспечения, благодаря Codex. Теперь ChatGPT Work выводит агентский ИИ за пределы инженерии, позволяя сотрудникам всей организации переходить от запросов о помощи к делегированию существенных задач.

К июню 2026 года агентский ИИ (измеряемый здесь по токенам Codex) составлял 64% от общего количества выходных токенов Codex и ChatGPT среди корпоративных клиентов. ChatGPT и агентский ИИ работают на одних и тех же базовых передовых моделях — разница заключается в способе применения этого интеллекта.

ChatGPT помогает людям задавать вопросы, развивать идеи и решать проблемы. Агентский ИИ (Codex, ChatGPT Work) дает модели инструменты для прямого действия на вашем компьютере — он может искать информацию, редактировать файлы и выполнять многошаговые задачи автономно или под наблюдением. Длительные, сложные задачи, как правило, требуют значительно больше вычислительной мощности, что помогает объяснить, почему использование токенов для агентской работы так быстро росло.

Внедрение агентов также выходит далеко за рамки разработки программного обеспечения. С февраля количество активных корпоративных пользователей агентского ИИ выросло в 108 раз в юридической сфере, в 41 раз в продажах и рекрутинге, и в 26 раз в маркетинге, по сравнению с «только» 5-кратным ростом в инженерии. Программное обеспечение было первым местом, где прижились ИИ-агенты, потому что оно имеет четкий контекст (код) и четкий сигнал pass/fail (тесты). Та же логика теперь распространяется на любую интеллектуальную работу, которая может быть описана так же точно.

Разрыв между лидерами продолжает расти

Каждый месяц OpenAI ранжирует своих корпоративных клиентов по выходным токенам на активного пользователя. Передовые компании — это 10% лучших по ежемесячному использованию ИИ; типичные компании находятся между 45-м и 55-м процентилями. К июню передовые компании генерировали в 8,3 раза больше выходных токенов на активного пользователя, чем типичные компании — по сравнению с 2,6-кратным разрывом в январе.

Этот разрыв проявляется и в разных отраслях. Он наиболее широк в сфере информации и технологий (11,7x) и наиболее узок в производстве (5,3x). Типичные компании, напротив, выглядят довольно похоже в разных отраслях, и их использование токенов выросло лишь умеренно за последний год — где-то между 1,9x и 2,8x. Это указывает на нечто конкретное: многие организации по-прежнему используют ИИ как простого чат-помощника, и имеют реальные возможности для роста, передавая агентам более сложную работу.

Что отличает передовые компании

Одна деталь выделяется в исследовании OpenAI: ведущие компании гораздо чаще используют расширенные возможности — навыки и плагины, которые дают агенту доступ к нужным данным и инструментам. Среди активных пользователей в передовых компаниях 21% используют плагины и 19% используют навыки еженедельно, по сравнению с всего 9% и 3% в типичных компаниях. Другими словами, лидеры не просто чаще открывают окно чата — они систематически предоставляют своим агентам контекст и разрешение на выполнение конкретных действий.

Три реальных рабочих процесса: Basis, Clay и Exa Labs

В сопутствующем материале OpenAI подробно описывает, как три компании — Basis, Clay и Exa Labs — превратили разрозненные эксперименты с ИИ в устойчивые операционные рабочие процессы. Схема постоянна для всех трех: сначала обучите агента стабильному процессу, затем предоставьте ему постоянный контекст по мере изменения работы изо дня в день, и только после этого позвольте ему самостоятельно довести возможности до протестированного результата.

• Basis (ИИ-агенты для бухгалтерских фирм) сократила адаптацию новых сотрудников с двух часов до 30 минут. Новые сотрудники получают немедленный доступ к агенту и предварительно созданному навыку адаптации, который знакомит их с компанией и настраивает интеграции в фоновом режиме.
• Clay (самообучающийся механизм получения дохода для команд по выходу на рынок) предоставляет каждому аккаунту постоянное рабочее пространство и выделенного субагента. Каждый субагент обновляет свою папку сделок в течение ночи на основе записей CRM, электронной почты, звонков и Slack; каждое утро координирующий агент превращает эти обновления в краткий список приоритетных действий для продавца.
• Exa Labs (инфраструктура поиска для ИИ-агентов) имеет агента, который отслеживает его экосистему на предмет возможностей интеграции, открывает запросы на слияние, запускает тесты и составляет сводки обновлений — при этом человек всегда принимает окончательное решение о том, что будет фактически выпущено извне.

Во всех трех случаях агент не остается без присмотра. Права доступа определяются заранее, предусмотрены контрольные точки, а результаты проверяются тестами или человеческим контролем, прежде чем они повлияют на что-либо вне рабочего процесса.

Почему для этого нужна инфраструктура, а не просто окно чата

Общая нить в обоих отчетах OpenAI одна и та же: чтобы агент выполнял реальную работу — а не просто отвечал на вопросы — ему нужны три вещи одновременно: контекст, инструменты и способность довести задачу до конца без постоянной обратной связи с человеком. Множество инструментов предлагают что-то одно из этого в изоляции. Проблема начинается, когда компания пытается связать их воедино — историю задач, разрешения инструментов, память, проверку результатов и автоматические повторные попытки при сбое — и обнаруживает, что для этого нет естественного места. Выполненное вручную, это превращается в кучу скриптов и племенных знаний, которые не переживут отпуск одного человека.

Это тот уровень между «у нас есть мощная модель» и «агент фактически владеет процессом от начала до конца» — и это то, что платформа оркестровки ИИ-агентов, такая как BridgeApp, создана для закрытия.

Как рабочее пространство BridgeApp применяет это на практике

BridgeApp внедряет ИИ-агентов в производство как полноценную команду — не как отдельный чат-бот, а как управляемый многоагентный рабочий процесс, где задачи, контекст, работа агентов, проверка и следующие шаги объединяются в единый процесс в рамках одного рабочего пространства. Вы устанавливаете цели и правила; контекст не нужно перемещать вручную между шагами.

• Оркестровка — Доска — это сам рабочий процесс, представленный в виде направленного графа. Задачи выполняются строго по порядку, не дублируются при срабатывании и могут быть отменены и перезапущены. Работа продолжается после сбоя — а не «как получится» в скрипте на чьем-то ноутбуке.
• Потоки и автоматизация — Графы выполнения, которые вы описываете сами: типизированные узлы с состоянием, сохраняющимся между шагами. Запуски активируются по системному событию или расписанию. Историю каждого запуска можно просмотреть и проверить — никаких скрытых сбоев.
• Многоагентность — Субагенты работают на сервере и параллельно, каждый со своей сохраненной историей, наследуя ровно тот контекст, который им нужен. Встроенные ограничения по глубине, таймаутам и бюджетам токенов/шагов.
• Память — Память на уровне организации для каждого агента, частная или общая, с безопасным поведением при сбое. Очищается в фоновом режиме, пока агент бездействует — дедуплицирует, разрешает конфликты, забывает устаревшие факты.
• Понимание кода — Новый репозиторий становится запрошенным графом кода: кто что вызывает, цепочки вызовов, связи между службами, плюс послойная документация. Изменения попадают в нужные файлы, а не просто выглядят правдоподобно.
• Знания / RAG — Поиск по вашей базе знаний с контролем доступа для каждого агента и переранжированием результатов. Документы версионируются и переразбиваются на фрагменты при публикации, поэтому знания остаются актуальными без ручного переиндексирования.
• Управление доступом — Правила и навыки применяются по приоритету; доступ к инструментам осуществляется через многоуровневый механизм MCP с полными журналами аудита, а навыки постепенно разблокируются для агента. Доступ предоставляется централизованно — ни один сотрудник не может незаметно расширить свои собственные разрешения.
• Безопасное выполнение — Код выполняется в изолированных микро-ВМ. Доступ к Git выдается кратковременно и ограничен конкретной задачей; секреты шифруются в состоянии покоя. Каждое изменение разрешения регистрируется в журнале аудита.
• Уровень модели — Единый уровень над OpenAI, Anthropic, DeepSeek, Moonshot, Groq и другими, с возможностью выбора глубины модели и рассуждений для каждого разговора. Автоматические повторные попытки с увеличивающейся задержкой обеспечивают устойчивость к сбоям провайдера.
• Экономика токенов — Стабильный по байтам префикс запроса для кэширования, учет кэша для каждого провайдера и тщательное сжатие длинных разговоров без потери смысла — заметно дешевле за токен, чем наивный цикл агента.

Это почти напрямую соответствует вопросу, который постоянно поднимается в исследованиях OpenAI: как заставить агента выполнять работу, а не просто предлагать ее? 

Рабочее пространство BridgeApp — это инфраструктурный уровень — оркестровка, память, контроль доступа и выполнение — который превращает этот вопрос из слайда стратегии в то, что команда может реально запустить.