Databricks integra GPT-5.5 en sus agentes de IA corporativos tras su récord en OfficeQA Pro

Databricks anunció el 15 de mayo de 2026 que abre GPT-5.5 a los flujos agénticos corporativos. El motivo es el mejor resultado del modelo en OfficeQA Pro, el benchmark de la compañía para el trabajo exigente con documentos. En esta prueba no importan las respuestas vistosas, sino la precisión en cada paso.

Por qué importa esta prueba

OfficeQA Pro no evalúa la cultura general del modelo, sino todo el circuito de trabajo: si es capaz de parsear un documento, extraer las cifras necesarias, localizar el fragmento relevante, combinar varias fuentes y dar una respuesta basada en los datos.

Para los agentes de IA corporativos, este es un punto débil. Los sistemas en producción suelen fallar no porque el modelo «no sepa razonar», sino porque se confunde con las tablas, pierde una cifra en un escaneo o lee mal un PDF antiguo.

El informe técnico de Databricks describe OfficeQA Pro como un conjunto de 133 preguntas sobre un corpus de boletines del Tesoro de Estados Unidos que abarca casi 100 años, de 1939 a 2025. Reúne unas 89 mil páginas y más de 26 millones de valores numéricos.

Este conjunto reproduce bien un entorno corporativo real: archivos, documentos largos, tablas digitalizadas de forma irregular, formatos obsoletos y datos en los que un error en un solo número cambia toda la conclusión del agente.

El resultado de GPT-5.5

Según el caso de estudio de OpenAI con Databricks, GPT-5.5 redujo los errores un 46% frente a GPT-5.4 en el entorno agéntico de pruebas y se convirtió en el primer modelo en superar el 50% de precisión en OfficeQA Pro. En otro texto sobre el lanzamiento de GPT-5.5, OpenAI ofrece una cifra más precisa: 54,1% en este benchmark.

Frente a resultados anteriores, el salto es notable: en el informe de marzo sobre OfficeQA Pro, los agentes frontier con acceso directo al corpus obtenían de media solo un 34,1%.

Databricks subraya que la mayor mejora se dio en los escenarios con parsing intensivo. GPT-5.5 lee mejor los documentos antiguos y los PDF escaneados, extrae las cifras con más precisión y hace menos búsquedas innecesarias dentro de una tarea de varios pasos. Según el equipo, el modelo es más fiable tanto en la extracción de contexto como en la orquestación de varios pasos sin supervisión adicional.

«Con

Codex y 5.5 obtuvimos el mejor resultado de todos los agentes y modelos», resumió Arnav Singhvi, ingeniero investigador de Databricks.

Cómo se implementa

Databricks abre ahora GPT-5.5 a los casos de uso de sus clientes a través de Unity AI Gateway. El modelo puede utilizarse dentro de flujos de trabajo construidos con Agent Bricks y Supervisor API.

Según la documentación de Databricks, Supervisor API libera a los equipos de parte de la orquestación de bajo nivel: el desarrollador define el modelo, las herramientas y las instrucciones en una sola petición, y la propia plataforma ejecuta el bucle agéntico, llama a las herramientas, elige los siguientes pasos y compone la respuesta final.

En la práctica, Databricks no integra GPT-5.5 como un widget de chat independiente, sino como una capa de control sobre los datos corporativos y los subagentes especializados.

En torno al modelo, Databricks construye un entorno enterprise típico:

• un punto único de conexión de modelos y agentes a través de Unity AI Gateway
• observabilidad, límites, rutas de fallback y auditoría de peticiones
• integración con Agent Bricks, servidores MCP, funciones de Unity Catalog y otras herramientas
• control de permisos de acceso, para que cada usuario vea solo las fuentes y subagentes autorizados

Databricks todavía marca como beta en su documentación parte de estos componentes, entre ellos Unity AI Gateway y Supervisor API. Pero la dirección ya está clara: el modelo no se evalúa de forma aislada, sino como componente de un sistema corporativo gestionado, verificable y seguro.

Qué significa

Databricks apunta a un enfoque bastante pragmático para la IA corporativa: no gana simplemente el modelo más locuaz, sino el que lee de forma consistente documentos defectuosos, no pierde cifras y sostiene un flujo de trabajo largo sin errores innecesarios.

Si GPT-5.5 mantiene este nivel en producción, se adoptará no para hacer demos, sino para automatizar procesos documentales y analíticos reales.