OpenAI hat in einem am 1. September veröffentlichten Beitrag drei Fallbeispiele für KI-gestützte Arbeitsabläufe vorgestellt: Basis nutzt Codex im Onboarding neuer Beschäftigter, Clay setzt auf einen persistenten Arbeitsbereich mit einem eigenen Subagenten pro Kundenkonto, und Exa Labs verwendet Codex für die Bewertung und Vorbereitung von Entwicklerintegrationen. Der Beitrag formuliert außerdem sechs Schritte, mit denen Unternehmen folgenreiche KI-Workflows erproben und erfolgreiche Ansätze ausweiten sollen.
Drei Abläufe, drei Einsatzfelder
Bei Basis erhalten Beschäftigte laut OpenAI am ersten Arbeitstag Zugang zu Codex und einer unternehmensspezifischen Onboarding-Funktion. Das Onboarding am ersten Tag dauere dadurch 30 Minuten statt zwei Stunden, heißt es im Beitrag.
Für Clay beschreibt OpenAI einen persistenten Arbeitsbereich und einen dedizierten Subagenten für jedes Konto. Nach Angaben von Clay spare der Ablauf einem GTM Engineer ungefähr eine Stunde nächtliche Inbox-Sichtung. Diese Zeitangabe ist eine Unternehmensangabe aus dem von OpenAI zitierten Fallbeispiel.
Exa Labs habe seine Abfolge zur Erkennung von Integrationsmöglichkeiten als definierten Codex-Workflow umgesetzt. Dieser verfüge über klare Prioritäten und Zugriff auf notwendige Quellen; bevor etwas ausgeliefert werde, finde eine menschliche Prüfung statt. Codex überwache dabei hochpriorisierte Integrationsmöglichkeiten, trage Kontext zusammen, erstelle Pull Requests, führe Tests aus und bereite wöchentliche Updates vor.
OpenAIs Empfehlung: testen und skalieren
OpenAI fasst seinen Ansatz unter der Überschrift „Sechs Schritte, um jetzt zu experimentieren und das Funktionierende zu skalieren“ zusammen. Aus den vorliegenden Informationen gehen die einzelnen sechs Schritte jedoch nicht hervor.
Der Schwerpunkt des Beitrags liegt damit nicht allein auf einzelnen KI-Funktionen, sondern auf wiederholbaren Arbeitsabläufen: Aufgaben werden strukturiert, mit Prioritäten und Informationsquellen versehen und teils mit menschlicher Kontrolle kombiniert. Das Exa-Beispiel zeigt ausdrücklich einen Review-Schritt vor der Auslieferung.
Einordnung der Nutzungsdaten
OpenAI verweist zudem auf eigene Nutzungsdaten: Firmen an der Spitze der KI-Nutzung – definiert als die obersten zehn Prozent – erzeugten pro aktivem Nutzer inzwischen 8,3-mal so viele Output-Token wie typische Unternehmen. Im Januar habe der Wert bei 2,6-mal gelegen.
Die Kennzahl misst Output-Token und nicht unmittelbar Geschäftserfolg, Produktivität oder Qualität. Auch liefern die vorliegenden Angaben keine unabhängige Prüfung der Fallstudien, keine Vergleichsgruppe und keine Details dazu, wie die jeweiligen Zeit- oder Nutzungseffekte erhoben wurden.
Was als Nächstes offen ist
Offen bleibt insbesondere, welche sechs konkreten Maßnahmen OpenAI empfiehlt und unter welchen Bedingungen die beschriebenen Abläufe auf andere Organisationen übertragbar sind. Ebenso fehlen in den vorliegenden Informationen Angaben zu Kosten, Fehlerquoten, Sicherheitsvorkehrungen oder langfristigen Resultaten der drei Implementierungen.
Für Unternehmen ist der Beitrag daher vor allem als Darstellung eines Anbieters und seiner Kundenbeispiele zu lesen. Die konkreten Muster – klar abgegrenzte Abläufe, Zugang zu relevanten Quellen und menschliche Prüfung vor folgenreichen Ergebnissen – lassen sich aus den Beispielen ableiten; ihre Wirkung müsste jedoch jeweils im eigenen Umfeld überprüft werden.
Wie es weitergeht
Organisationen, die ähnliche Abläufe prüfen, müssten die behaupteten Effekte in eigenen, klar begrenzten Workflows messen und Kontrollschritte für Ergebnisse mit operativen Folgen festlegen.
Änderungsvermerk: Erstfassung auf Basis einer einzigen primären OpenAI-Veröffentlichung; Unternehmensangaben und nicht unabhängig geprüfte Ergebnisse sind entsprechend eingeordnet.