CyberAgent setzt ChatGPT Enterprise als sicheren Standard-Assistenten für Recherche, Entwürfe und Verdichtungen ein und nutzt Codex als Agenten für Design-Diskussionen, Code-Reviews und technische Dokumentation. Laut OpenAI erreicht das Unternehmen damit eine monatliche aktive Nutzung von 93% in ChatGPT Enterprise. Der Kern dahinter ist nicht ein einzelner Prompt, sondern ein Betriebsmodell aus Governance, Training und Feedback-Schleifen, das Nutzung erleichtert, statt sie zu erzwingen.
Übersicht:
Vom KI-Projekt zur Arbeitsgrundlage
CyberAgent ist ein japanisches Internetunternehmen mit Schwerpunkten in Onlinewerbung, Medien und IP sowie Games, aktiv in der Region Asia-Pacific und Ozeanien. Der Ansatz ist, KI nicht als Sonderprogramm zu behandeln, sondern als Basistechnologie für Wachstum und Prozessdesign, mit Menschen als letzter Entscheidungsinstanz.
Die Ausgangslage in drei Bausteinen
- Forschungsanker seit 2016: Mit dem „AI Lab“ bündelt das Unternehmen KI-Forschung und Entwicklung, zunächst stark rund um Digitalmarketing.
- Operations-Struktur seit 2023: Ein „AI Operations Office“ schafft Rahmen, damit generative KI nicht nur getestet, sondern im Alltag betrieben werden kann.
- Vorlauf vor GenAI seit 2020: Mit „Kiwami Prediction AI“ wurde KI bereits in die Werbemittel- und Kreativproduktion integriert, bevor generative Systeme 2022 in die Breite gingen.
Was im Alltag konkret passiert
- ChatGPT Enterprise: Recherche, Textentwürfe, Strukturierung von Notizen, Verdichtung in Entscheidungsgrundlagen.
- Codex: Beschleunigung in technischen Abstimmungen, Review-Prozessen und beim Schreiben, Pflegen und Nachschärfen von Entwicklungsdokumentation.
Mehr Kontext zu den Produkten: ChatGPT Enterprise, Codex, sowie die Entwicklerübersicht Codex in der OpenAI-Plattform-Doku.
Sichere Nutzung als Beschleuniger
Mit wachsender Nutzung wurde nicht die Modellqualität zum Engpass, sondern die Frage, welche Informationen in KI-Tools eingegeben werden dürfen. Unsicherheit führt in Unternehmen fast immer zu zwei Effekten: zögerliche Nutzung bei riskanten Aufgaben und Wildwuchs bei unkritischen Aufgaben, beides verhindert Skalierung.
Das typische Adoptionsproblem
- Unklare Grenzen: Mitarbeitende wissen nicht, welche Daten tabu sind, die Folge ist Vermeidung oder riskante Improvisation.
- Uneinheitliche Nutzung: Teams sammeln Erfahrungen isoliert, Best Practices bleiben lokal, Governance bleibt blind.
- Wissensverlust: Gute Prompts, Muster und Ergebnisse versanden in Chats, statt in den Prozess zurückzufließen.
Was CyberAgent laut OpenAI dagegen setzt
- Enterprise-Administration: Account- und Zugriffsverwaltung, plus bessere Sichtbarkeit über Nutzung, um Support und Regeln operativ zu machen.
- Interne Leitlinien: Klare Vorgaben zum Umgang mit vertraulichen Informationen, damit Mitarbeitende ohne Dauerabstimmung arbeiten können.
- „Erlaubtes Feld“ statt Grauzone: Der Nutzungsrahmen ist so definiert, dass breite Arbeitsthemen möglich sind, vertrauliche Inhalte aber außen vor bleiben.
Klare Entscheidungsregel für die Einführung
- Wenn Datenklassifizierung nicht in einem Satz erklärbar ist, zuerst Regeln und Tool-Setup schaffen, dann erst flächig ausrollen.
- Wenn Teams Ergebnisse teilen sollen, Metriken und Lernformate parallel aufbauen, sonst bleibt Nutzung Zufall.
- Wenn mehrere Einheiten im Konzern arbeiten, ein gemeinsames Mindestset an Governance definieren, die Toolwahl kann trotzdem dezentral bleiben.
Für Unternehmen, die den Einstieg prüfen: Kontakt zum Vertrieb.
Codex als Frühphase-Werkzeug für bessere Entscheidungen
Codex wird bei CyberAgent nicht nur für Code-Erzeugung genutzt, sondern als Werkzeug in der Phase vor der Implementierung. Der Effekt ist betriebswirtschaftlich simpel: Ein sauberer Entwurf spart später teure Korrekturschleifen, besonders in Werbesystemen, Media-Produkten und Games, wo Iteration zum Geschäftsmodell gehört.
Drei typische Einsatzmuster
- Design-Reviews aus mehreren Blickwinkeln: Vorschläge prüfen lassen, Risiken finden, Alternativen formulieren, bevor ein Ticket zur Umsetzung wird.
- Code-Review als Optionsgenerator: Nicht nur „Fehler finden“, sondern Varianten, Trade-offs und Verbesserungen explizit machen.
- Kontextdokumente pflegen: Wissensseiten und Arbeitsanweisungen, etwa Dateien wie „AGENTS.md“, werden erstellt und aktuell gehalten, damit Agenten und Teams konsistenter arbeiten.
Praxisbeispiel aus der Organisation
In der Game-Entwicklung nutzte ein Entwickler aus der GOODROID-Einheit Codex als Sparringspartner entlang der Kette aus Implementationsplanung, Umsetzung und Validierung. Das Spiel „WormEscape“ erreichte laut OpenAI nach rund einem Monat Entwicklungszeit einen Soft-Launch, der beschriebene Nutzen war vor allem schnelleres Vorankommen auch in Bereichen ohne tiefes Vorwissen.
Ein zweites Muster, das oft unterschätzt wird
Codex breitet sich zudem über Engineering hinaus aus, etwa für Spezifikationen, Mockups oder strukturierende Vorarbeit in produktnahen Rollen. Die Logik ist dieselbe: Je früher Unklarheiten sichtbar werden, desto weniger Kosten entstehen in Review, Umsetzung und Nacharbeit.
Wenn Codex im IDE-Workflow erwähnt wird, fällt häufig Cursor als Umgebung, siehe Cursor.
Mini-Modell zum Nachbauen und was es im Markt bedeutet
CyberAgents Vorgehen lässt sich als „3S-Modell“ beschreiben, Sicherheit, Sichtbarkeit, Selbstverstärkung. Im Markt ist das eine klare Positionierung: Wer KI nur als Tool einführt, gewinnt Minuten, wer KI als Betriebsmodell baut, gewinnt Iterationsgeschwindigkeit und Entscheidungsqualität.
Das 3S-Modell in der Praxis
- Sicherheit: Klare Grenzen und Administrierbarkeit senken Hemmschwellen, ohne sensible Daten zu riskieren.
- Sichtbarkeit: Nutzung wird messbar, Support kann gezielt nachfassen, Wissen kann gezielt verteilt werden.
- Selbstverstärkung: Prompts und Use Cases werden geteilt, Rankings machen Fortschritt sichtbar, Follow-ups holen Nichtnutzer ab, ohne Zwang.
Eine einfache Entscheidungsregel für Teams
- Wenn eine Entscheidung spätere Nacharbeit auslösen kann, zuerst Codex zur Gegenprüfung nutzen, erst dann implementieren.
- Wenn ein Text oder Konzept mehrere Stakeholder betrifft, zuerst mit ChatGPT Enterprise strukturieren lassen, dann menschlich freigeben.
Training als Multiplikator
Laut OpenAI wurden Workshops in verschiedenen Formaten durchgeführt, von Einsteiger-Sessions bis zu praktischen Codex-Formaten und Hackathons. Wichtig ist das Muster, nicht die Anzahl: Lernen wird als wiederholbarer Prozess geplant, nicht als einmalige Schulung.
Weiterführende Links aus dem OpenAI-Umfeld
Unternehmenshintergrund zu CyberAgent: CyberAgent, Inc. sowie ein Einblick in die genannte Organisationsstruktur im Integrated Report: Internet Ad Business im CyberAgent-Report.