Cómo gestionar las inversiones en IA en la era agéntica

El objetivo de OpenAI es hacer que la IA sea más accesible, capaz y asequible con el tiempo. De GPT‑4 a GPT‑5.4, el precio por millón de tokens se redujo un 97 %. GPT‑5.6⁠ continúa ese progreso y ofrece un mejor rendimiento en el Artificial Analysis Coding Agent Index, con un 54 % menos de tokens de salida y un 57 % menos de tiempo por tarea.

Pero el precio por token, por sí solo, no indica si la IA está creando valor. Los líderes deberían fijarse en el trabajo útil por euro: tareas completadas, tiempo ahorrado, decisiones mejoradas y flujos de trabajo listos para ampliar.

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.

Te presentamos cinco formas de invertir con confianza.

Los líderes empresariales necesitan una visión clara del uso de la IA: quién la utiliza, qué productos o modelos utilizan, cuánta capacidad consumen y qué tipo de trabajo respalda ese uso. Sin esa visibilidad, resulta difícil interpretar una factura cada vez más alta. Podría reflejar ineficiencias, experimentación productiva o un flujo de trabajo que empieza a ser crucial para el negocio.

ChatGPT Work⁠ admite tareas más largas y de varios pasos, por lo que el uso puede variar mucho en función del 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 visión 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 ventana nueva) 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 entender cuándo el uso refleja una adopción generalizada, el flujo de trabajo de un usuario avanzado o un proceso empresarial recurrente que podría justificar una mayor inversión.

Las perspectivas a distintos niveles ayudan a orientar las decisiones de inversión y habilitación:

• Área de trabajo: ¿la adopción y el gasto evolucionan a la par?
• Equipo y usuario: ¿dónde está creciendo la demanda y quién podría necesitar más respaldo?
• Producto y modelo: ¿dónde se está utilizando la inteligencia más costosa y se mantiene esa demanda?

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

El precio por token más bajo no siempre produce el coste total más bajo. Un modelo más barato puede fallar, reintentar o generar trabajo que haya que corregir. Un modelo más capaz puede tener un coste mayor por token, pero alcanzar 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 los casos límite, y define qué es «lo suficientemente bueno» antes de realizar las pruebas. A continuación, mide el coste total de alcanzar ese estándar: uso de modelos y herramientas, intentos, tasa de finalización, latencia y revisión humana.

Para los flujos de trabajo prioritarios, realiza un seguimiento del coste por resultado aceptado. En atención al cliente, podría ser un caso resuelto. En ingeniería, podría ser un cambio probado que supera la revisión. Asocia ese coste con valor empresarial, como tiempo ahorrado, reducción del tiempo de ciclo, ingresos protegidos, riesgos evitados o capacidad creada.

La elección del modelo es solo una parte de la ecuación. Unas instrucciones claras, herramientas bien enfocadas, contexto reutilizable y condiciones de parada explícitas 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 el nivel de calidad exigido, y reservar la inteligencia de vanguardia para trabajos complejos, ambiguos o de gran importancia.

Los líderes empresariales deberían tratar la gobernanza como la capa operativa que determina qué iniciativas de IA pueden ampliar. 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 mayor riesgo y cómo se concede capacidad adicional cuando los equipos identifican flujos de trabajo valiosos.

Esto cobra mayor importancia a medida que los equipos adoptan complementos, conectores, uso informático y otras capacidades de vanguardia que pueden operar en distintos sistemas empresariales. ChatGPT Work⁠ proporciona a los administradores controles centralizados sobre 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 área de trabajo, los límites de 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 implementaciones prioritarias, los ingenieros de implementación⁠(se abre en una ventana nueva) de OpenAI pueden trabajar directamente con los clientes en evaluaciones, arquitectura, latencia, fiabilidad y diseño de flujos de trabajo para mejorar tanto el rendimiento como la eficiencia de costes. La privacidad y la gobernanza deben formar parte de ese trabajo desde el principio: los flujos de trabajo sensibles necesitan los controles de acceso adecuados, una estrategia de retención, visibilidad sobre el cumplimiento normativo y flujos de aprobación antes de ampliar su uso. Cuando corresponda, los controles de privacidad empresarial de OpenAI, incluidas las opciones sin retención de datos⁠(se abre en una ventana nueva), pueden ayudar a los clientes a implementar IA en entornos de alta confianza.

Los líderes empresariales deben gestionar las inversiones en IA como una cartera: acceso amplio para la productividad diaria, flujos de trabajo específicos de cada función que mejoren el trabajo repetible y un número más reducido de apuestas estratégicas basadas en el contexto propio de la empresa. Los candidatos más sólidos son los flujos de trabajo que se repiten a una escala significativa, tienen una responsabilidad claramente asignada y pueden medirse en términos de calidad, riesgo y valor de negocio.

La financiación debería seguir la madurez. La exploración debería comprobar si el modelo puede manejar la tarea; la validación debería probar casos representativos frente a un estándar de calidad claro; la financiación para producción debería respaldar las integraciones, los controles, la fiabilidad y la gestión del cambio necesarios para ampliar su uso. Las capacidades compartidas, como la identidad, los conectores de confianza, el conocimiento seleccionado, las evaluaciones, la observabilidad, la derivación del modelo y los patrones de agentes reutilizables, deberían financiarse de forma 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 ajustar el producto, la capacidad y el modelo de soporte a su demanda. ChatGPT Work⁠ ofrece capacidades listas para usar para chat, programación, flujos de trabajo agénticos, conectores, complementos, uso de ordenador y administración. Las empresas pueden ampliar esa base con datos propios, permisos, evaluaciones y lógica de flujo de trabajo allí donde esos elementos aporten un valor diferencial.

Para las cargas de trabajo de producción, la estructura comercial debe ajustarse a los patrones de uso: capacidad garantizada⁠ para sistemas de producción y agentes que necesitan garantía de acceso, nivel de capacidad⁠ para cargas de trabajo de API previsibles y de gran volumen, y API por lotes⁠(se abre en una ventana nueva), procesamiento flexible⁠(se abre en una ventana nueva) o almacenamiento en caché de prompts⁠ para trabajo asíncrono o contexto repetido.

Para implementaciones estratégicas de mayor envergadura, OpenAI Frontier⁠ y Deployment Company⁠(se abre en una ventana nueva) pueden ayudar a las empresas a crear, implementar y gestionar compañeros de trabajo de IA en todos los sistemas empresariales. Este enfoque permite a los responsables ampliar iniciativas ya probadas con el producto, la capacidad y el modelo de soporte adecuados, en lugar de hacer que cada flujo de trabajo reconstruya su propia infraestructura.