Un sistema de evaluación para la era de la IA
La pregunta que escucho a los directores financieros en todas partes es sencilla: ¿cómo obtenemos más valor de nuestra inversión en IA?
Durante años, el mercado midió el éxito del software por su adopción: puestos comprados, usuarios activos y licencias renovadas. Entender el valor de la IA exige una medida más potente: el trabajo realizado.
La cuestión económica básica para los directores financieros y otros líderes empresariales es si el valor del trabajo que completa la IA crece más rápido que el coste de producirlo.
Responder a esa pregunta requiere ir más allá de una métrica como el coste por token. Un modelo de menor coste puede tener tokens más baratos, pero conseguir grandes resultados puede requerir más intentos, más tiempo o más revisión humana. Un modelo más capaz puede tener tokens más caros, pero completar la misma tarea en una sola pasada. Lo que importa es el coste total de producir un resultado satisfactorio, medido frente al valor que crea ese resultado.
El sistema de evaluación definitivo para la era de la IA podría entenderse como «Inteligencia útil por euro». Esta métrica responde a cuatro preguntas clave:
- ¿Está completando la IA trabajo que importa?
- ¿Cuánto cuesta cada tarea realizada correctamente?
- ¿Se puede confiar en el resultado?
- ¿Produce cada euro invertido en IA más valor a medida que crece el uso?
Empieza por el propio trabajo.
¿Cuántas incidencias de clientes ayudó a resolver la IA? ¿Cuántos cambios de código ayudó a lanzar? ¿Cuántos contratos revisó? ¿Cuánto tiempo devolvió a las personas? ¿Cuántas decisiones mejoraron porque el contexto adecuado estaba disponible en el momento oportuno?
Los tokens crean valor cuando se transforman en trabajo que las personas pueden usar. A medida que los modelos ganan capacidad, pueden asumir tareas más largas y complejas: mantener el contexto, razonar en varios pasos, trabajar con distintas herramientas y adaptarse sobre la marcha.
El mejor punto de partida es un único flujo de trabajo. Define qué significa «terminado» y mide ese resultado en el sistema donde se realiza el trabajo.
Para un equipo de soporte, «terminado» podría significar una incidencia de cliente resuelta. Para un equipo de ingeniería, podría ser un cambio de código que supera sus pruebas. Para un equipo jurídico, podría ser un contrato revisado con precisión y a tiempo.
Pensemos en un equipo financiero que prepara una revisión de previsiones. Gran parte del trabajo se produce antes de tomar una decisión final: encontrar la previsión más reciente, trasladar datos a Excel o a Hojas de cálculo, identificar cambios, conciliar pestañas, rehacer presentaciones y comprobar que todo cuadra a la perfección.
ChatGPT Work puede asumir buena parte de ese proceso y dar al equipo más tiempo para centrarse en las preguntas que importan: ¿qué ha cambiado?, ¿por qué?, ¿qué debemos hacer a continuación?
Eso es la inteligencia útil por euro en la práctica. Se completa más trabajo, y más rápido, mientras las personas dedican más tiempo a aplicar criterio, creatividad y experiencia.
La siguiente pregunta es cuánto cuesta completar bien ese trabajo.
Las tareas que hace la IA varían mucho. Una respuesta rápida puede requerir poca computación. Un flujo de trabajo de programación, investigación o finanzas puede implicar un razonamiento más profundo, el uso de herramientas y muchas acciones. Esas tareas más complejas pueden requerir más computación, pero también crear mucho más valor.
A nivel de modelo, el coste por tarea realizada correctamente depende del precio, de la cantidad de computación utilizada y de la probabilidad de llegar al resultado correcto. Para una empresa, el coste total también incluye el tiempo de los empleados, la revisión humana, los reintentos y la repetición del trabajo.
El cálculo es sencillo:
- Suma el coste total de completar el trabajo.
- Cuenta las tareas que alcanzaron el nivel de calidad requerido.
- Divide el coste total entre el número de tareas realizadas correctamente.
Por eso el precio más bajo por token no siempre produce el menor coste por resultado. Un modelo de vanguardia puede ofrecer el mejor valor incluso para una petición rutinaria si produce la respuesta correcta en una sola pasada, reduciendo reintentos, latencia, revisión y computación total.
Una familia de modelos por niveles ofrece a los clientes más formas de optimizar esta ecuación. GPT‑5.6, que lanzamos la semana pasada, tiene tres niveles: Sol es nuestro buque insignia; Terra equilibra rendimiento y coste; Luna es nuestro modelo más rápido y asequible.
Estos niveles ofrecen puntos de partida útiles. La economía de la tarea en su conjunto debería determinar en última instancia el modelo adecuado. Un cliente podría usar Luna para un flujo de trabajo rápido y de gran volumen, Terra para trabajos que requieren más profundidad, o Sol cuando un razonamiento más riguroso ofrezca el mejor resultado con menos intentos.
Entrenamos GPT‑5.6 para obtener más trabajo útil de cada token. En el Artificial Analysis Coding Agent Index, GPT‑5.6 Sol con razonamiento máximo estableció un nuevo estándar de vanguardia al usar un 54 % menos de tokens de salida que otro modelo líder. El gráfico siguiente ilustra la comparación.
DeepSWE v1.1: tareas de ingeniería de largo alcance; GPT‑5.6 Sol alcanza una nueva alta del 72,7 %, por encima del 69,9 % de Claude Fable 5, con un coste estimado de API un 36,2 % inferior.
En toda la familia GPT‑5.6, el objetivo es el mismo: más trabajo realizado correctamente por euro. Una mayor eficiencia hace más asequibles las tareas existentes. Una mayor capacidad hace posibles tipos de trabajo completamente nuevos.
Cada nueva generación de modelos debería mejorar ambos lados de esa ecuación. Los clientes deberían poder realizar trabajos más valiosos y, al mismo tiempo, seguir reduciendo el coste de completar cada tarea.
La tercera medida es la fiabilidad.
La adopción de la IA tiende a profundizarse por etapas. Primero, la IA ayuda a redactar borradores. Después identifica el contexto y razona entre herramientas y datos. Con el tiempo, empieza a actuar, gestionar excepciones y completar flujos de trabajo, mientras que las personas aportan criterio y control cuando hace falta.
Cada paso crea más valor y exige más al sistema.
La fiabilidad tiene un valor económico directo. Cuando los resultados son precisos, están bien fundamentados, son coherentes y se pueden ampliar adecuadamente, las personas dedican menos tiempo a revisar, corregir y repetir el trabajo. Las tareas realizadas correctamente cuestan menos y las organizaciones ganan confianza para usar la IA en flujos de trabajo más importantes.
Los equipos pueden concretarlo siguiendo tres resultados:
- Listo para usar: el resultado cumplía con los requisitos de calidad tal y como se entregó.
- Necesita corrección: el resultado requirió otro intento o ediciones humanas.
- Necesita derivarse: una persona tuvo que intervenir y terminar el trabajo.
Estas medidas cuentan una historia más completa que la precisión del modelo por sí sola. Muestran si la IA está reduciendo de verdad el trabajo necesario para completar el proyecto.
La fiabilidad también requiere límites claros. Antes de que la IA pase de redactar borradores a actuar, las organizaciones deberían definir lo siguiente:
- A qué datos puede acceder el sistema.
- Qué sistemas puede usar o modificar.
- Cuándo debe una persona revisar o aprobar una acción.
La seguridad, la privacidad y el control crean la base para un uso más profundo. Las personas necesitan entender cómo se comporta el sistema, cómo se gestionan sus datos y cómo se gobiernan sus acciones.
ChatGPT Work se basa en la seguridad, privacidad, cumplimiento normativo y gestión del área de trabajo de ChatGPT Enterprise. Esto permite a las organizaciones dar a la IA más contexto y acceso a flujos de trabajo más valiosos, al tiempo que se mantiene una supervisión adecuada.
La capacidad consigue el primer uso. La fiabilidad hace que la IA forme parte de cómo se hace el trabajo.
La pregunta final es si la economía mejora a gran escala.
Las empresas pueden medir esto siguiendo el mismo flujo de trabajo a lo largo del tiempo. Haz un seguimiento de cuántas tareas alcanzaron el nivel de calidad, el coste total de completarlas y el coste por tarea realizada correctamente. Si el trabajo completado crece más rápido que el coste total mientras la calidad se mantiene o mejora, cada euro de IA está produciendo más valor.
La computación está en el centro de esta ecuación.
La computación impulsa la investigación y cada tarea que completa la IA. Da forma a la calidad del producto, la velocidad, la fiabilidad, la disponibilidad y el coste. La computación de entrenamiento desarrolla la capacidad futura. La computación de inferencia entrega trabajo útil hoy. Ambas deberían traducirse en mejores resultados para los clientes.
Mejores modelos, una inferencia más eficiente, hardware diseñado a medida, mayor utilización, derivación más inteligente y un diseño de producto más robusto mejoran el retorno de la computación. Cada generación de infraestructura ayuda a entrenar modelos más capaces. A partir de ahí, unos mejores algoritmos, hardware y software ayudan a ofrecer esos modelos de forma más eficiente.
Los clientes perciben esas mejoras en términos humanos: mejores respuestas, resultados más rápidos, menos correcciones, productos más fiables y un menor coste para el trabajo que necesitan realizar.
Los beneficios se multiplican. Una infraestructura mejor acelera la investigación. La investigación produce modelos más capaces y eficientes. Unos modelos mejores contribuyen a la mejora de los productos. Unos productos mejores impulsan la adopción, el aprendizaje y los ingresos. Ese crecimiento permite seguir invirtiendo en la próxima generación de investigación, computación, implementación y seguridad.
OpenAI reúne estas piezas en una plataforma de inteligencia compartida. Las personas la usan a través de ChatGPT y ChatGPT Work. Los desarrolladores crean con ella mediante Codex y la API. Las empresas la implementan en los sistemas donde se realiza el trabajo.
Cuando una capa mejora, todos los productos y clientes pueden beneficiarse.
En conjunto, estas cuatro medidas nos dicen si la inteligencia útil por euro está mejorando.
El trabajo útil nos dice qué produce la IA. El coste por tarea realizada correctamente nos dice qué hace falta para llegar al resultado. La fiabilidad nos dice qué parte del trabajo pueden usar las personas con confianza. El valor a gran escala nos dice si cada euro y cada unidad de computación logran más con el tiempo.
El objetivo es una IA que ayude a las personas a hacer un trabajo más significativo, tomar mejores decisiones y dedicar más tiempo a las partes de su empleo que requieren un criterio y una creatividad claramente humanos.
Nuestro trabajo es mejorar esa ecuación con cada generación: modelos más capaces, resultados más rápidos y fiables, y costes menores para el trabajo que los clientes necesitan realizar.
Así es como la IA se vuelve más útil para más personas y organizaciones con el tiempo.
