OpenAI dice que las empresas nativas de IA están convirtiendo los flujos de trabajo en capacidad operativa

OpenAI está señalando una nueva fase en la adopción de IA empresarial: las empresas están yendo más allá de los asistentes que responden preguntas y avanzando hacia agentes de IA que ejecutan flujos de trabajo repetibles. En un nuevo informe de OpenAI News, la compañía perfila a Basis, Clay y Exa Labs como ejemplos de organizaciones que integran agentes en la incorporación de empleados, la gestión de cuentas y las integraciones para desarrolladores.

El informe sostiene que el cambio importante no es simplemente un mayor uso de la IA. Es la conversión de experimentos exitosos en procesos operativos repetibles con desencadenantes definidos, acceso al contexto de la empresa, herramientas conectadas, resultados medibles y revisión humana explícita. Esa distinción importa para los compradores empresariales que deciden si la IA debe seguir siendo una herramienta de productividad individual o convertirse en parte de cómo se ejecuta el trabajo.

Del uso a la capacidad operativa

El análisis Enterprise Signals que acompaña a OpenAI dice que las empresas del 10% superior en uso de IA ahora generan 8,3 veces más tokens de salida por usuario activo que las empresas típicas, frente a 2,6 veces en enero. OpenAI presenta la ampliación de la brecha como evidencia de que las organizaciones líderes están conectando agentes al contexto interno y a herramientas, delegando trabajo más sustancial y haciendo que los flujos de trabajo eficaces sean más fáciles de repetir.

Esas cifras provienen de los propios proveedores y, por sí solas, no muestran que una mayor producción de tokens genere mejores resultados comerciales. La propia guía de OpenAI reconoce que las organizaciones necesitan medir tareas completadas, calidad, costo, tiempo de ciclo, riesgo, excepciones y esfuerzo de revisión, en lugar de tratar el volumen de actividad como un sustituto del valor.

El modelo práctico se parece más a una descripción de puesto para software. Un equipo define qué inicia el trabajo, qué información y permisos necesita el agente, qué significa que esté “terminado”, qué evidencia debe producir y dónde debe hacerse cargo una persona.

Tres flujos de trabajo, tres niveles de delegación

En Basis, que construye agentes de IA para firmas contables, OpenAI dice que la incorporación de empleados se ha reducido de dos horas a 30 minutos. Los nuevos empleados reciben acceso a Codex y a una habilidad de incorporación específica de la empresa, descrita como un conjunto reutilizable de instrucciones y recursos para un flujo de trabajo concreto. El agente presenta los conceptos de la empresa y completa la configuración de integración, mientras RR. HH. actualiza la habilidad cuando aparecen nuevas excepciones.

El ejemplo muestra cómo una demostración puntual puede convertirse en un proceso reutilizable. El flujo de trabajo tiene un desencadenante, pasos conocidos, acceso a herramientas y una condición de finalización. El personal humano sigue disponible para casos inusuales o delicados, pero la incorporación ya no depende por completo de la disponibilidad de una sola persona.

Clay aplica un patrón diferente a las ventas. Según OpenAI, la empresa usa un espacio de trabajo persistente y un subagente dedicado para cada cuenta. Estos subagentes revisan fuentes primarias y actualizan carpetas de oportunidades durante la noche. Luego, un agente coordinador produce prioridades diarias, como responder una pregunta de un cliente o identificar a un miembro faltante del comité de compras.

Clay dice que el proceso ahorra a un ingeniero de go-to-market aproximadamente una hora de triage nocturno del buzón. Esa es una afirmación de la empresa, no un estudio de productividad verificado de forma independiente. Su importancia operativa reside en la evidencia de apoyo: los vendedores pueden inspeccionar el material fuente detrás de una recomendación antes de actuar, mientras que el contexto de la cuenta permanece disponible para otros equipos autorizados.

Exa Labs utiliza agentes para perseguir su objetivo “Exa everywhere” para su API de búsqueda. OpenAI dice que Codex supervisa posibles integraciones, recopila contexto de sistemas como Slack y Notion, crea pull requests, ejecuta pruebas y prepara actualizaciones semanales. También puede redactar anuncios, pero las personas deciden qué oportunidades importan y a qué debe comprometerse la empresa externamente.

Este flujo de trabajo va más allá hacia la ejecución que el ejemplo de Basis, pero sigue limitado por pruebas y revisión. El agente puede llevar una oportunidad desde el descubrimiento hasta un artefacto probado sin tomar la decisión final comercial o de relación.

Lo que la evidencia sí muestra y lo que no

La evidencia más sólida del informe es descriptiva: OpenAI documenta cómo tres startups han estructurado flujos de trabajo concretos. Las cifras de rendimiento provienen de las propias empresas o del análisis de OpenAI, y la fuente no ofrece validación independiente, bases comparables entre empresas ni evidencia de que los mismos resultados se transferirán a empresas más grandes.

Aun así, los casos identifican decisiones de diseño recurrentes. Basis formaliza un proceso estable como una habilidad reutilizable. Clay da a un agente contexto persistente y un ritmo de actualización para trabajo que cambia con el tiempo. Exa conecta señales con herramientas, pruebas y revisión antes de que algo llegue a producción o a una audiencia externa.

OpenAI también cita una investigación que muestra que, seis meses después de la adopción, los empleados de carrera temprana enviaban 13 mensajes más por semana que los ejecutivos. La empresa usa ese hallazgo para argumentar que los empleados más cercanos al trabajo diario deberían tener espacio para probar nuevas aplicaciones. Esa conclusión es plausible, pero la experimentación solo creará valor duradero cuando los equipos capturen el proceso subyacente, la evidencia, los controles y la responsabilidad.

Qué significa esto para los desarrolladores y las empresas

Para los desarrolladores de IA, el informe refuerza que el problema difícil del producto no es solo la capacidad del modelo. Es el diseño del flujo de trabajo. Los agentes necesitan acceso confiable a las fuentes correctas, límites de permisos, métodos de evaluación, manejo de excepciones y una entrega clara a las personas. Sin esos elementos, la automatización puede aumentar la actividad mientras hace que la responsabilidad sea más difícil de localizar.

Para las empresas, los ejemplos sugieren empezar con un flujo de trabajo importante en lugar de intentar un programa amplio de automatización. El candidato debe repetirse con suficiente frecuencia como para generar retroalimentación y ser lo bastante importante como para justificar un rediseño. Los líderes deberían nombrar a un responsable, establecer una línea base y seguir tanto los resultados comerciales como la carga operativa de revisar el trabajo del agente.

Los casos también muestran por qué el despliegue debería expandirse gradualmente. Un agente que resume la actividad de una cuenta puede más adelante recomendar acciones, preparar cambios o abrir un pull request. Cada paso aumenta la importancia de los permisos, la evidencia, las pruebas y los derechos de decisión. El hecho de que un agente pueda realizar una acción no establece que deba realizarla sin aprobación.

Qué vigilar a continuación

Las próximas señales serán si OpenAI o las empresas destacadas publican datos de resultados independientes más allá del uso de tokens y las afirmaciones de ahorro de tiempo. Los compradores empresariales también deberían buscar métodos de evaluación más claros que cubran tasas de error, frecuencia de excepciones, carga de revisión y el costo de mantener el contexto del agente.

Los equipos de producto deberían examinar si Codex y herramientas similares obtienen controles más sólidos para permisos, registros de auditoría, habilidades reutilizables y pruebas entre sistemas. Más ejemplos de agentes que pasen de recomendaciones a ejecución limitada indicarían que el patrón se está convirtiendo en operativo y no promocional.

Perspectiva de Creati.ai

El informe de OpenAI es más útil cuando se lee como un estudio de caso de diseño de flujos de trabajo, no como prueba de que los agentes de IA estén ofreciendo ganancias empresariales uniformes. Basis, Clay y Exa Labs están mostrando distintas versiones del mismo principio operativo: la automatización se vuelve más valiosa cuando el contexto, las herramientas, la evidencia y el juicio humano se diseñan juntos.

La pregunta competitiva para las empresas nativas de IA será qué tan rápido pueden convertir experimentos exitosos con agentes en sistemas mantenibles sin perder el control. Los equipos que documenten la responsabilidad, los permisos, la evaluación y los puntos de revisión estarán mejor posicionados para escalar la ejecución que aquellos que midan la adopción solo por cuánto les piden los empleados a los modelos que hagan.