Sarang Gupta, ingeniero de OpenAI, ayuda a las empresas a encontrar clientes y aumentar las ventas

La trayectoria de Sarang Gupta ilustra cómo cambia el papel del ingeniero en la era de la IA generativa. Hoy un buen especialista técnico no solo hace falta en un equipo de investigación, sino también allí donde la empresa explica el valor del producto al mercado, mide la eficacia de los canales y ayuda a los clientes a obtener resultados más rápido. En OpenAI, Gupta trabaja en la intersección de datos, marketing y ventas, y crea modelos que ayudan a las empresas a atraer compradores y a entender mejor qué impulsa realmente el crecimiento.

Su interés por este tipo de problemas viene de mucho antes de OpenAI. De niño, en la India, le gustaba desmontar y arreglar objetos domésticos, y a los 11 años ya se había pasado al software. Estudió Basic y Logo, escribió programas sencillos e incluso creó una solución para un restaurante local que automatizaba los pedidos en línea y la facturación.

Esa mirada práctica no hizo sino reforzarse: en el colegio eligió física, química y matemáticas, pero siempre vio la ingeniería no como una ciencia abstracta, sino como una herramienta que debe funcionar en la vida real. Por eso, tras graduarse en 2012, ingresó en la Hong Kong University of Science and Technology en un programa doble que combinaba ingeniería industrial y administración de empresas.

Esa combinación de técnica y comercio se nota en sus primeros proyectos. Durante la carrera, Gupta creó una aplicación móvil que ayudaba a los estudiantes a subir su horario y a encontrar compañeros con quienes almorzar. El proyecto no despegó, pero le dio experiencia en desarrollo de producto. En paralelo, lanzó un pequeño negocio, Pulp Ads: imprimía publicidad de organizaciones estudiantiles en servilletas y otros soportes de papel para las cafeterías del campus.

Tras la universidad, en 2016, entró en Goldman Sachs, donde se ocupó de procesos operativos de operaciones con valores. Su tarea consistía en encontrar cuellos de botella en los flujos de trabajo y eliminarlos. Un caso destacado fue la automatización de la conciliación de operaciones bursátiles: en lugar de revisar a mano hojas de cálculo y distintos sistemas, creó herramientas internas que extraían los datos por sí solas, los validaban y señalaban únicamente los casos problemáticos. Fue un ejemplo temprano de cómo un buen trabajo con los datos libera a las personas de la rutina y les permite centrarse en decisiones complejas.

Esa experiencia lo empujó a profundizar en data science e IA. En 2019, Gupta empezó un máster en data science en la Columbia University, donde se centró en el aprendizaje automático aplicado, el deep learning y las redes neuronales. Entre sus proyectos más importantes destaca el trabajo con el Brown Institute y la redacción de The Philadelphia Inquirer.

El equipo creó herramientas que extraían de los textos informativos las menciones geográficas (calles, barrios, condados) y visualizaban en un mapa la cobertura del periódico. Eso ayudó a identificar los llamados news deserts, es decir, comunidades a las que la redacción prestaba muy poca atención. Para el sector periodístico, no fue solo un experimento analítico, sino una forma de distribuir los recursos de reporteo con más criterio.

El caso explica bien el estilo de Gupta: no le atraen los modelos en sí, sino las situaciones en las que cambian procesos y producen un efecto medible.

Tras el máster, en 2020, se mudó a San Francisco y se incorporó a Asana como product data scientist. Al principio se encargó de las pruebas A/B de nuevas funciones y después lideró el lanzamiento de Asana Intelligence, una iniciativa interna que debía integrar capacidades de IA en el producto en seis meses. El equipo logró lanzar varias funciones, entre ellas resúmenes automáticos de proyectos, avisos de riesgos y retrasos, recomendaciones de próximos pasos y Smart Status, una herramienta que redactaba por sí sola actualizaciones de estado a partir de las tareas, los plazos y la actividad del proyecto.

Importa no solo el lanzamiento, sino también que el equipo convirtiera después su trabajo en marcos reutilizables y documentación para poder lanzar funciones de IA más rápido dentro de la empresa.

Cuando ChatGPT llegó al mercado, el foco de su trabajo pasó de desarrollar modelos propios a evaluar e implantar grandes modelos de lenguaje. En septiembre de 2025 se incorporó a OpenAI.

En OpenAI, Gupta trabaja en el equipo de data science junto con el área de go-to-market. Se ocupa de modelos que ayudan a entender la eficacia de los canales de marketing, a determinar qué contribuye más al resultado y a cómo las empresas pueden transmitir mejor el valor de ChatGPT y otros productos a los clientes. No es la parte más visible de la industria de la IA, pero sí una de las más prácticas: sin este tipo de analítica, incluso un buen producto cuesta más escalarlo.

La historia de Gupta importa porque refleja un cambio dentro de la propia industria de la IA. Se crea gran valor no solo donde se entrenan nuevos modelos, sino también donde se convierten en una herramienta de negocio comprensible, se mide su retorno y se lleva a un uso masivo. Para OpenAI, estos especialistas son un puente entre la tecnología y el mercado; para el resto de las empresas, un recordatorio de que la adopción de IA no empieza con una interfaz de moda, sino con una tarea clara, buenos datos y disciplina en los procesos.