OpenAI: cómo las grandes empresas escalan AI mediante confianza, control y calidad

OpenAI lanzó una breve guía sobre cómo las grandes empresas hacen la transición de la IA desde el modo piloto a la infraestructura operacional. La conclusión clave: el escalado no depende del acceso a modelos poderosos, sino de confianza, gobernanza, rediseño de procesos y estándares de calidad claros.

No se trata de Lanzar un Modelo

En su nuevo material, OpenAI recogió entrevistas con ejecutivos de Philips, BBVA, Mirakl, Scout24, JetBrains y Scania. A pesar de las diferencias entre sectores — desde sanidad y banca hasta e-commerce y desarrollo de software — enfrentaron desafíos casi idénticos. El más notable: la brecha entre lo que los modelos modernos ya pueden hacer y lo que las empresas realmente pueden desplegar con seguridad en producción.

OpenAI llama a esto capability gap: los pilotos no escalan, las soluciones se superponen a los procesos antiguos, y los experimentos no se convierten en impacto operacional. De ahí el cambio clave de enfoque. Las empresas líderes no ven la IA como otra actualización de software o un despliegue centralizado de arriba hacia abajo.

La tratan como una nueva capa operacional: primero generan confianza, involucran seguridad, legal e IT en la fase de diseño, y luego expanden el alcance. Lo que importa no es la velocidad por la velocidad, sino la capacidad de implementar IA de forma que los empleados entiendan los límites, vean valor en el trabajo diario y no pierdan calidad donde el costo del error es alto.

Cinco Condiciones para el Escalado

OpenAI identifica cinco patrones recurrentes que ayudaron a las empresas a pasar de experimentos a impacto sostenido. Esto no es una lista de características ni la elección de un modelo específico, sino un marco de gobernanza que converge en diferentes casos. En el centro: cultura, propiedad del proceso y disposición a retrasar el lanzamiento si la calidad aún no ha alcanzado el umbral.

• Cultura antes que herramientas: la capacitación y los experimentos seguros importan más que las compras masivas de licencias.
• Gobernanza como acelerador: seguridad, legal, compliance e IT se involucran desde el principio, no al final.
• Propiedad sobre consumo: los equipos no simplemente usan IA, rediseñan sus flujos de trabajo alrededor de ella.
• Calidad antes del escalado: los criterios de éxito se definen por adelantado y se prueban antes del lanzamiento.
• Proteger el juicio experto: la IA amplifica revisión, razonamiento y toma de decisiones, no solo throughput.

Queda claro que no se trata de automatización a cualquier costo. Scout24, por ejemplo, al lanzar búsqueda conversacional de propiedades, apostó por sus propios marcos de prueba inspirados en OpenAI Evals, y retrasó lanzamientos si el sistema no cumplía los umbrales de calidad. Para empresas en sectores regulados y sensibles, esto es casi una condición obligatoria: la confianza no puede "añadirse después" tras un lanzamiento fallido.

"Definir qué significa 'bueno' antes de escalar la IA es crítico: es

la calidad la que convierte un experimento en algo en lo que los usuarios realmente confían."

Casos de Empresas

El ejemplo más instructivo de enfoque organizacional es Philips. No se trataba de un grupo reducido de entusiastas: la empresa intentaba incorporar IA en el trabajo diario de aproximadamente 70 mil empleados en sanidad y tecnología. En lugar de posicionar la IA como una habilidad especializada, el liderazgo comenzó con alfabetización en IA y confianza del usuario, capacitando primero a líderes sénior.

En BBVA, una lógica similar funcionó a través de gobernanza: un asistente interno en Perú utilizado por más de 3 mil empleados redujo el tiempo promedio de procesamiento de solicitudes de 7,5 minutos a aproximadamente uno, y luego el enfoque se escaló: ChatGPT Enterprise en el banco ahora se despliega en más de 120 mil empleados en todo el mundo. Mirakl fue aún más lejos, dando a los equipos la capacidad de ensamblar agentes por sí solos y remodelar procesos. El resultado: 70% más rápido en la creación de documentación técnica interna, 37% de mejora en la eficiencia de soporte manteniendo 96% de satisfacción del cliente, y 91% más rápido en incorporación de catálogos con aproximadamente la mitad de la tasa de error.

JetBrains, por su parte, se enfoca no en el volumen de generación de código, sino en escenarios híbridos donde la IA ayuda a los desarrolladores a analizar, revisar y diseñar. Y Scania incorpora la IA directamente en flujos de trabajo operacionales — desde tareas de ingeniería hasta servicio — en lugar de mantenerla como una herramienta separada "a un lado."

Qué Significa Esto

Para el mercado, esta es una señal importante: la era de experimentos de productividad personal está dando paso a la IA integrada dentro de procesos comerciales de extremo a extremo y escenarios de agentes bajo control humano. Los ganadores no serán quienes compraron acceso a un modelo primero, sino quienes aprendieron a diseñar flujos de trabajo, medir calidad y distribuir responsabilidad por los resultados.