என்ஐஇ-யின் புதிய பிளவு அணுகல் அல்ல, ஆழம் பற்றியதாக இருக்கலாம்

நிறுவன ஏ.ஐ புதிய சமத்துவமின்மை கட்டத்துக்குள் நுழையக்கூடும்

வணிக ஏ.ஐ தழுவலின் முதல் அலை அணுகலை மையமாக கொண்டது. எந்த நிறுவனங்கள் கருவிகளை நிறுவின? எத்தனை பணியாளர்களுக்கு seats இருந்தன? ஊழியர்கள் chat interfaces-இல் கூட பரிசோதனை செய்தார்களா? OpenAI-யின் புதிய B2B Signals ஆய்வு அந்தக் கேள்விகள் இப்போது முன்னணியைப் பிடிக்கவில்லை எனக் காட்டுகிறது. அறிக்கையின் படி, உருவாகும் பிளவு நிறுவனங்கள் ஏ.ஐ-யைப் பயன்படுத்துகிறதா என்பது மட்டும் அல்ல, அதை அன்றாட வேலைகளுக்குள் எவ்வளவு ஆழமாகப் பயன்படுத்துகின்றன என்பதுதான்.

முக்கிய எண்ணிக்கை கணிசமானது. பயன்பாட்டின் 95வது percentile-இல் வரையறுக்கப்பட்ட frontier firms, இப்போது சாதாரண நிறுவனங்களை விட பணியாளருக்கு 3.5 மடங்கு அதிக intelligence-ஐப் பயன்படுத்துகின்றன; இது 2025 ஏப்ரலில் ஒரு வருடம் முன்பு 2 மடங்கு மட்டுமே இருந்தது. ஊழியர்கள் ஏ.ஐ-யிடம் எவ்வளவு வேலை செய்யச் சொல்கிறார்கள் என்பதை proxy ஆக tokens generated மூலம் OpenAI இந்த அளவை விவரிக்கிறது. Tokens-ஐ மதிப்பின் நேரடி அளவாக அல்ல, ஏ.ஐ பயன்பாட்டின் ஆழத்தை மதிப்பிடும் ஒரு வழியாகவே அது காட்டுகிறது.

அறிக்கையின் முக்கிய வாதம் என்னவென்றால், இந்த முன்னிலை தானாகவே பெருகுகிறது. நிறுவனங்கள் பரந்த அணுகலைத் தாண்டி, மேலும் சிக்கலான, production-oriented பயன்பாட்டுக்குள் செல்வதுடன், ஏ.ஐ-யை இன்னும் ஒரு lightweight assistant போலவே கருதிக்கொண்டிருக்கும் சக நிறுவனங்களிடமிருந்து அவர்கள் இடைவெளியை அதிகரிக்கிறார்கள்.

செய்திகளின் அளவு மட்டுமே முழுக் கதை அல்ல

அறிக்கையின் முக்கியமான கூற்றுகளில் ஒன்று, message volume frontier advantage-இன் 36% மட்டுமே விளக்குகிறது என்பதாகும். வேறு வார்த்தைகளில் சொன்னால், முன்னிலை நிறுவனங்கள் ஏ.ஐ-யிடம் அதிக கேள்விகள் கேட்பது மட்டுமல்ல; அவர்கள் richer, more complex work கேட்கிறார்கள், கூடுதல் context வழங்குகிறார்கள், மேலும் அதிக substantive outputs உருவாக்குகிறார்கள்.

இந்த வேறுபாடு முக்கியம், ஏனெனில் அது enterprise adoption-ஐ எப்படி மதிப்பிட வேண்டும் என்பதை மாற்றுகிறது. ஒரு நிறுவனம் அதிக செயல்பாட்டைக் காட்டிக்கொண்டே அதன் பயன்பாட்டில் relatively shallow ஆக இருக்கலாம். ஊழியர்கள் எளிய prompts அல்லது அவ்வப்போது drafting உதவிக்காக மட்டுமே ஏ.ஐ-யை நம்பினால், அதிக போட்டி முன்னிலை தரும் workflow transformation-ஐ நிறுவனம் பிடித்துக்கொள்ளாமல் இருக்கலாம்.

OpenAI-யின் framing, ஆழமே இப்போது அதிக தொடர்புடைய metric ஆகி வருவதை சுட்டுகிறது. frontier-இல் உள்ள நிறுவனங்கள் ஏ.ஐ-யை துணை வசதியாக அல்ல, உண்மையான processes-இல் ஒருங்கிணைப்பதாகத் தெரிகின்றன. அது governance, enablement, மற்றும் workflow design தேவைப்படுவதால் கடினமான மாற்றம்; software access மட்டும் போதாது.

Delegated work முன்னணியின் அடையாளமாகிறது

அறிக்கை advanced tools மற்றும் agentic workflows-ஐ மிகப் பெரிய வேறுபாடுகள் தென்படும் பகுதி எனக் குறிப்பிடுகிறது. OpenAI கூறுவதன்படி, frontier firms சாதாரண நிறுவனங்களை விட பணியாளருக்கு 16 மடங்கு அதிக Codex messages அனுப்புகின்றன. enterprise AI-யின் அடுத்த கட்டம் simple chat assistance-ஐ விட delegated work-ஐ மையமாக்கலாம் என்பதற்கு dataset-இல் இது மிகத் தெளிவான சிக்னல்களில் ஒன்று.

வணிக ஏ.ஐ maturity-யை விவரிக்கும் முறையில் இது ஒரு முக்கிய மாற்றம். ஆரம்பகால enterprise adoption ஊழியர்கள் உதவி கேட்பதைப் பற்றியது என்றால், frontier adoption இப்போது ஊழியர்கள் வேலை ஒப்படைப்பதைப் போலத் தெரிகிறது. இதனால் ஏ.ஐ productivity layer என்ற வகையிலிருந்து operational infrastructure-க்கு நெருக்கமாக மாறுகிறது. delegated workflows-க்கு பொதுவாக tighter controls, clearer success criteria, மற்றும் outputs-இல் அதிக நம்பிக்கை தேவைப்படுவதால் implementation-இன் பங்கும் அதிகரிக்கிறது.

OpenAI-யின் கூற்றுப்படி, முன்னணி நிறுவனங்கள் production use-க்கான governance-ஐ உருவாக்குகின்றன, enablement-இல் முதலீடு செய்கின்றன, depth-ஐ அளக்கின்றன, செயல்படும் அம்சங்களை scale செய்கின்றன, மேலும் chat-based உதவியிலிருந்து agents உடன் delegated workflows-க்குச் செல்கின்றன. அது விவரிக்கும் pattern தொழில்நுட்பமானது மட்டுமல்ல; organizational-மும் கூட. frontier என்பது tool choice-ஆல் மட்டுமல்ல, ஒரு நிறுவனம் ஏ.ஐ பயன்பாட்டை scattered habit-ஆக அல்லாமல் managed system-ஆக மாற்ற முடியுமா என்பதாலும் வரையறுக்கப்படுகிறது.

தரவு எவ்வாறு வழங்கப்பட்டது

B2B Signals என்பது enterprise use of OpenAI products-இல் இருந்து பெறப்பட்ட privacy-preserving, aggregated signals அடிப்படையில், வணிகங்களில் ஏ.ஐ பரவல் எவ்வாறு நடைபெறுகிறது என்பதற்கான recurring measure என விவரிக்கப்படுகிறது. இந்த பகுப்பாய்வுகள் de-identified, aggregated enterprise usage data-வை நம்புகின்றன என நிறுவனம் கூறுகிறது. மேலும், message content automated systems மூலம் வகைப்படுத்தப்பட்டது, மற்றும் பகுப்பாய்வின் ஒரு பகுதியாக எந்த OpenAI ஊழியரும் தனிப்பட்ட enterprise, business, அல்லது API customer data-வைப் பார்க்கவில்லை என்றும் அது சொல்கிறது.

இந்த முறையியல் குறிப்புகள் முக்கியமானவை, ஏனெனில் enterprise AI reporting பெரும்பாலும் trust problem-ஐ சந்திக்கிறது. நிறுவனங்கள் benchmarking மற்றும் adoption signals-ஐ விரும்புகின்றன; அதே நேரத்தில், संवेदनशील business use கைமுறையாக ஆய்வு செய்யப்படவில்லை என்பதில் நம்பிக்கையும் தேவை. OpenAI aggregation மற்றும் de-identification-க்கு அளிக்கும் முக்கியத்துவம், பயன்பாட்டு pattern-களின் விரிவான பார்வையை ஆதரிக்கும்போதே அந்த tension-ஐ கையாள உதவுகிறது.

அதே சமயம், அறிக்கை என்ன கூறுகிறது, என்ன கூறவில்லை என்பதையும் வாசகர்கள் கவனிக்க வேண்டும். இது tokens-ஐ demanded intelligence-இன் proxy ஆகவே வழங்குகிறது; business outcomes-இன் நேரடி அளவாக அல்ல. அதாவது, முடிவுகளை பயன்பாட்டின் தீவிரம் மற்றும் maturity-யின் indicators ஆகப் புரிந்துகொள்ள வேண்டும்; ஒவ்வொரு கூடுதல் token-மும் productivity அல்லது profit-ஆக நேரடியாக மாறுகிறது என்பதற்கான ஆதாரமாக அல்ல.

நிறுவனத் தந்திரத்திற்கு இதன் பொருள் என்ன

OpenAI-யின் கண்டுபிடிப்புகள் பரவலாகச் சரிபட்டால், பல நிறுவனங்கள் தங்களை தவறான milestone-க்கு எதிராக benchmark செய்து கொண்டிருக்கலாம். வேறுபடுத்தும் அம்சம் இப்போது அடிப்படை deployment அல்ல. AI live workflows-இல் complex, context-rich, delegated tasks-ஐ கையாளும் அளவுக்கு ஆழமாக இணைக்கப்பட்டுள்ளதா என்பதுதான் முக்கியம்.

இதன் நடைமுறை விளைவுகள் உண்டு. frontier-க்கு நெருக்கமாக செல்ல விரும்பும் நிறுவனங்கள், அணுகலை மட்டுமே விரிவாக்குவதில் குறைவாகவும், training, governance, process redesign, மற்றும் ஆழமான பயன்பாட்டை தாங்கக்கூடிய tasks-ஐத் தேர்வு செய்வதில் அதிகமாகவும் முதலீடு செய்ய வேண்டியிருக்கலாம். advanced adoption rollout ஆன பிறகு தானாக ஏற்படவில்லை என்பதை அறிக்கை சொல்கிறது. அதை வளர்த்தெடுக்க வேண்டும்.

இதில் ஒரு feedback loop-ஐயும் அது சுட்டுகிறது. ஏ.ஐ-யை ஆழமாகப் பயன்படுத்த கற்றுக்கொள்ளும் நிறுவனங்கள், ஒப்படைக்கத் தகுந்த புதிய tasks-ஐ கண்டுபிடிக்கலாம்; அதுவே மேலும் infrastructure, governance, மற்றும் internal expertise-ஐத் தூண்டும். அறிக்கை சுட்டிக்காட்டும் அதுவே compounding advantage. ஒரு நிறுவனம் depth-இல் ஏ.ஐ-யை operationalize செய்யத் தொடங்கினால், அதன் முன்னிலை மெதுவாக ஏற்றுக் கொள்பவர்களுக்கு பிடிப்பது கடினமாகலாம்.

உருவாகும் போட்டி இடைவெளி

மிகப் பரந்த takeaway என்னவென்றால், enterprise AI competition இப்போது ஒரு அதிக structural phase-க்குள் நுழையக்கூடும். முன்னணியாளர்கள் மற்றும் சாதாரண நிறுவனங்களுக்கிடையிலான வேறுபாடு இனி experimentation versus non-experimentation மட்டுமல்ல. அது shallow usage மற்றும் integrated, delegated, production-grade use-க்கிடையேயான வேறுபாடு.

இது அதிகக் கடுமையான பிளவு, ஏனெனில் இது adoption optics மட்டும் அல்ல, capability-யைத் தொடுகிறது. ஆழமான ஏ.ஐ பயன்பாடு உள்ள நிறுவனம் அறிமுகமான tasks-இல் வெறும் வேகமாக வேலை செய்யாமல், வேலை ஒதுக்கல் மற்றும் செயல்படுத்தும் முறையையே மறுசீரமைக்க முடியும். இந்த pattern தொடர்ந்தால், OpenAI விவரிக்கும் frontier advantage தற்காலிக head start-ஆக அல்லாமல், ஒரு நீடித்த operating model-ஆக மாறக்கூடும்.

ஏ.ஐ-யை இன்னும் பரந்த ஆனால் இலகுவான productivity tool ஆகவே கருதும் enterprises-க்கு செய்தி நேரடியானது. அணுகல்தான் முதல் milestone. யார் உண்மையில் முன்னேறுகிறார்கள் என்பதை தீர்மானிப்பது ஆழமே இருக்கலாம்.

இந்தக் கட்டுரை OpenAI-யின் செய்திப்படிவத்தை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.