Lietuvos „OpenAI“ išvestyje agentams

2026 m. spalio 14 d. paskelbtame „OpenAI“ ES tyrimo pristatyme nurodyta, kad Lietuvoje „Codex“ ir „ChatGPT Work“ sukūrė 85 % tirtų verslo paskyrų išvesties žetonų – didžiausią dalį tarp nagrinėtų ES valstybių. Šalių palyginimas internetiniame pristatyme siejamas su „ChatGPT Enterprise“ paskyromis. Rodiklis nusako šių įrankių vietą „OpenAI“ klientų išvestyje, o ne dalį visų Lietuvos įmonių, naudojančių agentinį DI.

2026 m. spalio 15 d. TV3.lt paskelbtoje BNS žinioje Ekonomikos ir inovacijų ministerijos ekonomistas Titas Budreika teigė: „Tai rodo, kad Lietuvos organizacijos neapsiriboja technologijų testavimu, bet vis aktyviau integruoja jas į kasdienius darbo procesus“. Tai jo vertinimas apie tirtas organizacijas; paskelbtas procentas matuoja sugeneruotą išvestį, o ne įrankių paplitimą visame šalies versle.

Kas įeina į Lietuvos 85 % rodiklį

Šalių palyginimo pagrindas yra išvesties žetonai – sistemos sugeneruoto turinio vienetai. Skaitiklis apima žetonus, kuriuos tirtose Lietuvos verslo paskyrose sugeneravo „Codex“ ir „ChatGPT Work“, o vardiklis – visą tame palyginime įskaitytą šių paskyrų išvestį. Todėl procentas gali keistis net ir tada, kai aktyvių įmonių skaičius nekinta: pakanka, kad vieni įrankiai sugeneruotų daugiau ar mažiau turinio už kitus.

Žetonas nėra nei vartotojas, nei užduotis. Viena ilga agento užduotis gali sukurti daugiau išvesties nei daugybė trumpų atsakymų, todėl ji labiau paveiks bendrą dalį. Panašiai kelios itin aktyvios organizacijos gali turėti didelį svorį šalies rezultate, nors įrankius būtų išbandžiusi tik nedidelė klientų dalis. Be paskyrų pasiskirstymo ir absoliutaus išvesties kiekio iš šio procento negalima apskaičiuoti, kiek darbuotojų naudojasi agentais arba kiek darbų jie sėkmingai baigė.

Imties ribą nustato ir tiekėjas: skaičiuojama tai, kas vyksta jo verslo paskyrose. Į vardiklį nepatenka įmonės, kurios „OpenAI“ paslaugų nenaudoja, ir kitų tiekėjų agentais atliekamas darbas. Todėl šalies reitingas apibūdina tirtų klientų veiklos sudėtį, o ne reprezentatyvų visų Lietuvos įmonių DI naudojimo pjūvį. Tai svarbu net tada, kai pats išmatuotas santykis yra tikslus: mažos ar savitai susiformavusios klientų grupės rodiklis gali skirtis nuo visos rinkos.

Lietuva ir Slovėnija: tas pats matas, skirtingos dalys

„OpenAI“ ataskaitos grafikuose 2026 m. rugsėjį agentinių įrankių išvesties dalis buvo 85 % Lietuvoje, 81 % Kipre, 79 % Vengrijoje ir 22 % Slovėnijoje; visoje tirtų ES verslo paskyrų išvestyje ji siekė 55 %. To paties šalių grafiko pastaboje kaip imtis įvardytos „ChatGPT Enterprise“ ir „Business“ paskyros – platesnė formuluotė nei internetiniame pristatyme. Dėl šio skirtumo viešai pateikti duomenys neleidžia tiksliai nustatyti, kokiu mastu „Business“ paskyros įtrauktos į Lietuvos reikšmę.

Lietuvos ir Slovėnijos rezultatus skiria 63 procentiniai punktai. Šis atstumas parodo, kaip skiriasi agentinių įrankių dalis kiekvienos šalies tirtų klientų išvestyje, bet ne kiek žetonų kiekviena šalis sugeneravo iš viso. Net jei šalis sukurtų mažiau turinio absoliučiai, jos agentinė dalis galėtų būti aukštesnė. Todėl pirmoji vieta pagal dalį nereiškia pirmosios vietos pagal naudotojų skaičių, įmonių skaičių ar visos šalies darbo našumą.

Mažų bei vidutinių įmonių grafikas matuoja kitą dalyką – savaitinių aktyvių „Codex“ arba „ChatGPT Work“ naudotojų pokytį. Jame Lietuvos lygis nuo gegužės pradžios iki rugsėjo pabaigos–spalio pradžios pakilo 6,8 karto, Slovėnijos – 9,2 karto, o bendras ES lygis – 8,1 karto. Sparčiau augęs Slovėnijos aktyvių naudotojų rodiklis neprieštarauja mažesnei jos išvesties daliai: vienas matuoja pokytį nuo ankstesnės naudotojų bazės, kitas – tam tikru laikotarpiu sugeneruoto turinio pasiskirstymą. Šių skirtingų grafikų negalima sujungti į vieną šalių įmonių paplitimo eilę.

Ką reitingas pasako apie Lietuvos verslą

Lietuvos rezultatas rodo, kad tirtų „OpenAI“ klientų veikloje agentiniai įrankiai užėmė didelę išvesties dalį. Jis gali atspindėti, kad dalis organizacijų šiuos įrankius naudoja intensyviai ir paveda jiems daugiau turinio sukuriančias užduotis. Tačiau vien žetonų santykis neatskleidžia priežasties: skirtumą tarp šalių gali lemti klientų sudėtis, užduočių pobūdis, įrankių naudojimo dažnis arba šių veiksnių derinys. Paskelbta šalių lentelė jų įtakos atskirai neišskiria.

Įmonių paplitimui įvertinti reikėtų kitokio vardiklio – visų nagrinėjamų Lietuvos įmonių, įskaitant tas, kurios agentų nenaudoja. Tokiame tyrime tektų vienodai apibrėžti, ką reiškia „naudoti agentą“, kokį laikotarpį stebėti ir ar skaičiuojamas bent vienas išbandymas, ar nuolatinis darbas. Be to, reikėtų įtraukti kitų tiekėjų produktus. Tik tada būtų galima lyginti, kokia šalies verslo dalis iš tiesų perėjo prie agentinių įrankių; dabartinis žetonų rodiklis šį klausimą palieka atvirą.

Atskirai paskelbti kiekvienos šalies įtrauktų paskyrų skaičiai ir jų išvesties pasiskirstymas leistų nustatyti, ar Lietuvos dalį palaiko platus klientų ratas, ar keli labai aktyvūs naudotojai. Kol tokio išskaidymo nėra, šio rezultato negalima sieti su agentų naudojimo mastu už tirtos klientų grupės ribų.

Taip pat skaitykite: