Cómo gestionar las inversiones en IA en la era de los agentes

El objetivo de OpenAI es hacer que la IA sea más accesible, capaz y asequible con el tiempo. Desde GPT‑4 hasta GPT‑5.4, el precio por millón de tokens cayó un 97 %. GPT‑5.6⁠ continúa ese progreso y ofrece un mejor rendimiento en el Índice de Agentes de Codificación de Artificial Analysis, con un 54 % menos de tokens de salida y un 57 % menos de tiempo por tarea.

Pero el precio del token por sí solo no indica si la IA está generando valor. Los líderes deben fijarse en el trabajo útil por dólar invertido: tareas completadas, tiempo ahorrado, mejores decisiones y flujos de trabajo listos para escalar.

A medida que los equipos pasan del chat a flujos de trabajo de mayor duración, los administradores necesitan una visibilidad más clara de la demanda, el gasto y el riesgo. 

Estas son cinco formas de invertir con confianza.

Los líderes empresariales necesitan una visión clara del uso de la IA: quién la usa, qué productos o modelos utilizan, cuánta capacidad consumen y qué tipo de trabajo respaldan. Sin esa visibilidad, es difícil interpretar una factura que sigue aumentando. Podría reflejar desperdicio, experimentación productiva o un flujo de trabajo que empieza a volverse crítico para el negocio.

ChatGPT Work⁠ admite tareas más largas y de varios pasos, por lo que el uso puede variar considerablemente según el flujo de trabajo. Los administradores necesitan ver el trabajo que hay detrás de ese uso, no solo los créditos consumidos. Esto es posible gracias a una vista compartida de la demanda en todo ChatGPT. Los análisis de uso y controles de gasto⁠ actualizados en la Consola de administración⁠(se abre en una nueva ventana) ayudan a los administradores a ver la adopción, el uso de créditos y el gasto por usuario, producto y modelo; hacer un seguimiento de las tendencias a lo largo del tiempo; identificar patrones emergentes; y comprender cuándo el uso refleja una adopción amplia, un flujo de trabajo de usuario avanzado o un proceso empresarial recurrente que podría merecer una mayor inversión.

La información en distintos niveles ayuda a orientar las decisiones de inversión y habilitación:

• Espacio de trabajo: ¿la adopción y el gasto avanzan a la par?
• Equipo y usuario: ¿dónde está creciendo la demanda y quién podría necesitar más apoyo?
• Producto y modelo: ¿dónde se está usando la inteligencia más costosa y se mantiene esa demanda?

En conjunto, estas vistas ayudan a los administradores a decidir dónde invertir, brindar orientación o establecer límites.

El precio por token más bajo no siempre genera el costo total más bajo. Un modelo más económico puede fallar, volver a intentarlo o generar trabajo que necesite corrección. Un modelo más capaz puede costar más por token, pero llegar a un resultado aceptable más rápido, con menos intentos y menos revisión.

Evalúa los modelos según el trabajo que deben realizar. Usa evaluaciones que reflejen tareas reales⁠, incluidos casos límite, y define qué significa "lo suficientemente bueno" antes de hacer pruebas. Luego, mide el costo total de alcanzar ese estándar: uso de modelos y herramientas, intentos, tasa de finalización, latencia y revisión humana.

Para flujos de trabajo prioritarios, haz seguimiento del costo por resultado aceptado. En asistencia al cliente, eso podría ser un caso resuelto. En ingeniería, podría ser un cambio probado que pasa la revisión. Asocia ese costo con valor para el negocio, como tiempo ahorrado, tiempo de ciclo reducido, ingresos protegidos, riesgo evitado o capacidad creada.

La elección del modelo es solo parte de la ecuación. Las instrucciones claras, las herramientas enfocadas, el contexto reutilizable y las condiciones explícitas de detención pueden reducir los bucles y el gasto innecesario. El objetivo es adaptar el modelo y el flujo de trabajo a la tarea: usar modelos más pequeños o más rápidos cuando cumplan con el nivel de calidad, y reservar la inteligencia de vanguardia para trabajos complejos, ambiguos o de alta importancia.

Los líderes empresariales deberían tratar la gobernanza como la capa operativa que determina qué iniciativas de IA pueden escalar. El trabajo práctico consiste en definir qué contexto puede usar ChatGPT, a qué herramientas puede acceder, qué acciones puede realizar, quién aprueba los pasos de alto riesgo y cómo se otorga capacidad adicional cuando los equipos encuentran flujos de trabajo valiosos.

Esto se vuelve más importante a medida que los equipos adoptan complementos, conectores, uso de computadoras y otras capacidades de vanguardia que pueden operar en distintos sistemas empresariales. ChatGPT Work⁠ brinda a los administradores controles centralizados para el acceso, el contexto aprobado, las herramientas conectadas, las acciones permitidas, el uso y el gasto. Los controles de gasto, como los valores predeterminados del espacio de trabajo, los límites por grupo, las excepciones individuales y las solicitudes de revisión con contexto del proyecto, ayudan a los líderes a respaldar el trabajo de alto valor sin aumentar los límites de forma generalizada.

Para las implementaciones prioritarias, los ingenieros de implementación⁠(se abre en una nueva ventana) de IA de OpenAI pueden trabajar directamente con los clientes en evaluaciones, arquitectura, latencia, confiabilidad y diseño de flujos de trabajo para mejorar tanto el rendimiento como la eficiencia de costos. La privacidad y la gobernanza deben formar parte de ese trabajo desde el inicio: los flujos de trabajo sensibles necesitan los controles de acceso adecuados, una estrategia de retención, visibilidad del cumplimiento normativo y rutas de aprobación antes de que escalen. Cuando corresponda, los controles de privacidad empresarial de OpenAI, incluidas las opciones de retención cero de datos⁠(se abre en una nueva ventana), pueden ayudar a los clientes a implementar IA en entornos de alta confianza.

Los líderes empresariales deberían gestionar las inversiones en IA como un portafolio: acceso amplio para la productividad cotidiana, flujos de trabajo específicos por función que mejoren el trabajo repetible y un número menor de apuestas estratégicas creadas en torno al contexto propio de la empresa. Los candidatos más sólidos son los flujos de trabajo que se repiten a una escala significativa, tienen responsables claramente definidos y pueden medirse en términos de calidad, riesgo y valor para el negocio.

El financiamiento debe avanzar con la madurez. La exploración debe probar si el modelo puede manejar la tarea; la validación debe probar casos representativos frente a un estándar de calidad claro; el financiamiento para producción debe respaldar las integraciones, los controles, la confiabilidad y la gestión del cambio necesarios para escalar. Las capacidades compartidas, como identidad, conectores de confianza, conocimiento curado, evaluaciones, observabilidad, enrutamiento de modelos y patrones de agentes reutilizables, deben financiarse de manera centralizada para que cada nuevo flujo de trabajo sea más fácil y seguro de poner en marcha.

Una vez que un flujo de trabajo demuestra su valor, los líderes deben alinear el producto, la capacidad y el modelo de soporte con su demanda. ChatGPT Work⁠ ofrece capacidades listas para usar para chat, programación, flujos de trabajo con agentes, conectores, plugins, uso de computadora y administración. Las empresas pueden extender esa base con datos propios, permisos, evaluaciones y lógica de flujo de trabajo en los casos en que esos elementos aporten valor diferencial.

Para las cargas de trabajo de producción, la estructura comercial debe ajustarse a los patrones de uso: Capacidad garantizada⁠ para sistemas y agentes de producción que necesitan acceso garantizado, nivel de capacidad⁠ para cargas de trabajo de API predecibles y de alto volumen; y API por lotes⁠(se abre en una nueva ventana), procesamiento Flex⁠(se abre en una nueva ventana) o caché de prompts⁠ para cargas de trabajo asíncronas o contexto reutilizado.

Para implementaciones estratégicas de mayor escala, OpenAI Frontier⁠ y Deployment Company⁠(se abre en una nueva ventana) pueden ayudar a las empresas a crear, implementar y administrar colaboradores de IA en todos sus sistemas empresariales. Este enfoque permite a los líderes escalar el trabajo comprobado con el producto, la capacidad y el modelo de soporte adecuados, en lugar de hacer que cada flujo de trabajo reconstruya su propia infraestructura.