OpenAI: cómo las grandes empresas escalan la IA con confianza, control y calidad

OpenAI ha publicado una guía breve sobre cómo las grandes empresas pasan la IA de los pilotos a una infraestructura de trabajo. La conclusión principal: escalar no se frena por el acceso a modelos potentes, sino por la confianza, la capacidad de gestión, el rediseño de procesos y unos estándares de calidad claros.

No se trata de lanzar un modelo

En su nuevo material, OpenAI reunió entrevistas con directivos de Philips, BBVA, Mirakl, Scout24, JetBrains y Scania. Pese a las diferencias entre sectores, de la medicina y la banca al e-commerce y el desarrollo de software, sus problemas resultaron casi idénticos. El más llamativo es la brecha entre lo que los modelos actuales ya saben hacer y lo que las empresas pueden implantar de forma segura en producción. OpenAI llama a esa brecha capability gap: los pilotos no escalan, las soluciones se superponen a procesos antiguos y los experimentos no se convierten en efecto operativo.

De ahí el cambio clave de enfoque. Las empresas líderes no tratan la IA como una simple actualización de software ni como un despliegue centralizado de arriba abajo. La tratan como una nueva capa operativa: primero construyen confianza, involucran a seguridad, legal y TI desde la fase de diseño, y solo después amplían el alcance. Importa no la velocidad por la velocidad, sino la capacidad de implantar la IA de modo que los empleados entiendan los límites, vean el beneficio en su trabajo diario y no pierdan calidad donde el coste del error es alto.

Cinco condiciones para escalar

OpenAI identifica cinco patrones recurrentes que ayudaron a las empresas a pasar de los experimentos a un efecto sostenido. No es una lista de funciones ni la elección de un modelo concreto, sino más bien un marco de gestión en torno al cual convergen casos distintos. En el centro están la cultura, la propiedad del proceso y la disposición a frenar un lanzamiento si la calidad aún no llega.

• Cultura antes que herramientas: la formación y los experimentos seguros importan más que la compra masiva de licencias.
• Gobernanza como acelerador: seguridad, legal, compliance y TI se incorporan al principio, no al final.
• Apropiación en lugar de consumo: los equipos no solo usan la IA, sino que rediseñan sus workflows en torno a ella.
• Calidad antes que escala: los criterios de "bueno" se definen de antemano y se prueban antes del lanzamiento.
• Protección del juicio experto: la IA refuerza la revisión, el razonamiento y la toma de decisiones, y no solo aumenta el throughput.

Se ve bien que no se trata de automatizar a cualquier precio. Scout24, por ejemplo, al lanzar su búsqueda conversacional de inmuebles, apostó por marcos de pruebas propios inspirados en OpenAI Evals y retrasó lanzamientos si el sistema no superaba el umbral de calidad. Para empresas de sectores regulados y sensibles es casi una condición obligatoria: la confianza no se puede "añadir después" de un lanzamiento fallido.

«Definir qué significa "bueno" antes de escalar la IA es críticamente importante: es la calidad

lo que convierte un experimento en algo en lo que los usuarios realmente confían».

Casos de empresas

El ejemplo más claro de enfoque organizativo es Philips. No se trató de un equipo reducido de entusiastas: la compañía intentó integrar la IA en el trabajo diario de unos 70 mil empleados en salud y tecnología. En lugar de presentar la IA como una habilidad de nicho, la dirección empezó por la alfabetización en IA y la confianza de los usuarios, y formó primero a los líderes sénior.

En BBVA, una lógica parecida funcionó a través de la gobernanza: un asistente interno en Perú, usado por más de 3 mil empleados, redujo el tiempo medio de tramitación de solicitudes de 7,5 minutos a aproximadamente uno. Después el enfoque se amplió: ChatGPT Enterprise se despliega ya en el banco para más de 120 mil empleados en todo el mundo.

Mirakl fue aún más lejos y permitió que los equipos construyeran agentes y rediseñaran procesos por sí mismos. El resultado: un 70% más de rapidez en la creación de documentación técnica interna, un 37% más de eficiencia en soporte manteniendo un 96% de satisfacción de clientes y un 91% más de rapidez en la incorporación de catálogos con aproximadamente la mitad de errores.

JetBrains, por su parte, no apuesta por la generación masiva de código, sino por escenarios híbridos en los que la IA ayuda al desarrollador a analizar, revisar y diseñar. Y Scania integra la IA directamente en los workflows operativos, de las tareas de ingeniería al servicio, en lugar de mantenerla como una herramienta aparte «al lado».

Qué significa

Para el mercado es una señal importante: la era de los experimentos con la «productividad personal» cede paso a la IA dentro de procesos de negocio de extremo a extremo y a escenarios de agentes bajo control humano. Ganarán no quienes primero compraron acceso a un modelo, sino quienes aprendieron a diseñar workflows, medir la calidad y repartir la responsabilidad por el resultado.