OpenAI показала три паттерна агентных процессов: от онбординга до продаж и разработки

1 сентября OpenAI опубликовала статью с примерами Basis, Clay и Exa Labs. Компании используют агентов для адаптации новых сотрудников, подготовки действий по клиентским аккаунтам и поиска технических интеграций. Самый ценный вывод для бизнеса не в обещании автономности, а в конструкции процесса: у агента есть чёткий триггер, ограниченный набор источников и полномочий, наблюдаемый результат и момент, когда решение остаётся за человеком.

Это не независимое исследование окупаемости и не доказательство того, что аналогичный результат повторится в другой компании. Но материал полезен как набор трёх проверяемых организационных паттернов, которые можно превратить в пилот с собственными KPI.

OpenAI описала три практики компаний, построивших часть операционной работы вокруг агентов.

Basis — разработчик ИИ-агентов для бухгалтерских фирм — перевела первый день адаптации сотрудника в навык для Codex. По данным OpenAI, сотрудник получает доступ к Codex и корпоративному onboarding skill; агент знакомит с понятиями компании и в фоне завершает настройку интеграций. Basis сообщает, что первый день онбординга теперь занимает 30 минут вместо двух часов. Исключения и частые вопросы остаются материалом для обновления навыка HR-командой.

Clay применяет постоянное рабочее пространство и отдельного подагента для каждого аккаунта. Ночью он просматривает доступные первичные источники и обновляет папку сделки; утром координирующий агент собирает список следующих шагов. В качестве примера OpenAI приводит одну GTM-инженерку Clay: по данным компании, подход экономит ей примерно час вечерней сортировки входящей информации. Рекомендации должны быть подкреплены источниками, которые продавец может проверить перед действием.

Exa Labs описана как пример агентного процесса для экосистемы разработчиков. Codex мониторит приоритетные возможности интеграции, собирает контекст из Slack и Notion, готовит pull request, запускает тесты и формирует обновления. Люди определяют приоритеты и обязательства перед внешними партнёрами, а тесты и ревью позволяют увидеть результат до отправки или релиза.

Новость не о выпуске отдельной функции. Новый факт — свежая, датированная 1 сентября подборка OpenAI, которая связывает три сценария в общую операционную схему: сначала фиксируется стабильная работа, затем агенту дают контекст и инструменты, а расширение самостоятельности допускают только вместе с доказательствами и правом человека остановить действие.

OpenAI также приводит внутренний показатель Enterprise Signals: компании из верхних 10% по использованию ИИ создают на активного пользователя в 8,3 раза больше output tokens, чем типичные организации; в январе разрыв составлял 2,6 раза. Этот показатель отражает объём взаимодействия с ИИ, а не выручку, производительность или качество работы, поэтому его нельзя трактовать как измеренный финансовый эффект.

Для малого или среднего бизнеса разумнее начинать не с «универсального сотрудника-агента», а с одного повторяющегося процесса. Подходят подготовка к передаче клиента, первичная проверка пакета документов, сбор статуса проекта или адаптация нового сотрудника.

1. Опишите триггер, ожидаемый результат и владельца KPI. Например: «после подписания договора подготовить карточку запуска клиента не позднее следующего рабочего дня».
2. Составьте список разрешённых источников. Если агент использует CRM, почту и базу знаний, определите, какие поля можно читать, какие нельзя, и где хранится итог.
3. Ограничьте действия. На первом этапе агент может собирать доказательства и готовить черновик; отправка клиенту, изменение CRM-статуса и публикация должны требовать подтверждения человека.
4. Введите измерение: время цикла, доля принятых без доработки предложений, количество исключений, ошибки доступа и нагрузка на проверяющего.
5. После нескольких циклов обновляйте инструкцию по журналу исключений, а не по впечатлениям от одной удачной демонстрации.

Общий рынок движется от чат-интерфейсов к агентам, подключённым к корпоративным системам. Однако преимущество не подтверждает сам факт подключения: Salesforce, SAP, Microsoft и другие поставщики также развивают агентные сценарии. Сопоставлять их по одному числу токенов или по демонстрации нельзя: важны права доступа, журналируемость, качество исходных данных, стоимость проверки и реальный результат на конкретной операции.

Все количественные результаты в примерах Basis и Clay приведены OpenAI со слов компаний. Независимой методики, периода измерений, исходных базовых значений, размера выборки и финансового расчёта на странице не раскрыто. Внешняя публикация AI Briefing подтверждает появление материала OpenAI, но не является независимым аудитом этих показателей. Для российского бизнеса также не подтверждены доступность конкретных продуктов, договорные условия, локализация данных и поддержка на русском языке.

Наиболее переносимая идея этих кейсов — не купить «агента для всего», а сделать работу проверяемой. Если процесс нельзя объяснить в виде триггера, источников, допустимого действия, критерия готовности и владельца исключений, он пока плохо подходит для автономного исполнения. Напротив, такая карта быстро показывает, где автоматизация даст полезный эффект: на повторяемом участке с ясным результатом и ограниченной ценой ошибки.

OpenAI предлагает переносить удачные практики в повторяемые навыки и рабочие пространства, сохраняя контекст, права, метрики, владельцев и точки проверки. Для читателя следующий шаг — выбрать один процесс с понятной базовой метрикой и провести ограниченный пилот до расширения прав агента. Открытые вопросы — качество работы на длительной дистанции, стоимость контроля и применимость решений в конкретной юрисдикции и ИТ-ландшафте.

Источники:
1. OpenAI — How AI-native companies turn workflows into operating capability, 01.09.2026. Первичный источник; точное время публикации не указано.
2. AI Briefing — пересказ публикации OpenAI, 02.09.2026. Внешнее подтверждение выхода материала, не независимая верификация кейсов или их метрик.

Нет. В статье есть два заявленных операционных результата, но нет независимого аудита, методики и финансового расчёта. Их следует использовать как гипотезы для собственного пилота.

Не стоит без отдельного контроля. В описанном примере Exa результат проходит тесты и человеческое ревью, а Clay сохраняет для продавца проверяемые источники рекомендаций.

Повторяемый процесс с явным началом и готовым результатом: подготовка карточки клиента, онбординг, сверка статуса проекта или сбор доказательств для решения. У процесса должны быть владелец и базовая метрика.

Проверенные в источниках условия доступности, оплаты, локализации данных и поддержки в России отсутствуют. Их нужно уточнять у поставщиков и по договорным документам до пилота.