Los datos de OpenAI muestran que los principales usuarios empresariales adoptan habilidades de IA reutilizables seis veces más a menudo.

Why it matters

For startup operators, OpenAI's data suggests repeatable agent workflows depend on shared instructions, controlled access and review systems. The findings come from OpenAI's own customers, and output tokens say little about ROI.

OpenAI, dirigida por el cofundador y CEO Sam Altman (@sama), publicó dos estudios el 12 de agosto en los que argumenta que la brecha de IA empresarial está cada vez más determinada por cómo las empresas organizan el trabajo alrededor de agentes. Sus usuarios más intensivos adoptan skills reutilizables aproximadamente seis veces más que los clientes típicos y usan Plugins a más del doble de la tasa, según el anuncio de OpenAI.

OpenAI en X

Para fundadores y operadores independientes, los informes ofrecen un manual de despliegue con una limitación importante: este es el análisis de OpenAI sobre su propia telemetría de clientes, en lugar de un estudio independiente o que abarque varios proveedores sobre la IA empresarial.

Altman studied computer science at Stanford for two years before leaving to co-found Loopt, una empresa de redes sociales basada en ubicación. Más adelante pasó de fundador a inversionista semilla y presidente de Y Combinator. En una entrevista de YC de 2018, describió que extrañaba la intensidad de operar mientras invertía desde la barrera. La investigación empresarial más reciente de OpenAI tiene ese enfoque de operador: el acceso a un modelo poderoso se trata como la condición inicial, mientras que el despliegue repetible es el trabajo.

Esa perspectiva también sirve a la estrategia comercial de OpenAI. Los informes presentan ChatGPT Work, Codex, Plugins, skills y connected apps como piezas de un sistema operativo para agentes empresariales. OpenAI quiere que los clientes vayan más allá de conversaciones aisladas y den a los agentes las instrucciones, los datos de la empresa y las herramientas necesarias para completar asignaciones de varios pasos.

Qué mide la brecha de uso

El Enterprise Signals report de OpenAI divide a los clientes en dos grupos. "Frontier firms" son el 10% superior cada mes por tokens de salida generados por usuario activo. "Typical firms" se sitúan entre los percentiles 45 y 55.

Según esa medida, las frontier firms generaron 8.3 veces más tokens de salida por usuario activo que las typical firms en junio, frente a una brecha de 2.6 veces en enero. El resultado muestra que los usuarios intensivos se están distanciando más en la métrica usada para identificarlos. No establece que estén produciendo mejor trabajo ni obteniendo mayores retornos.

OpenAI reconoce esa limitación. Una respuesta larga puede tener poco valor, mientras que una respuesta corta puede resolver una pregunta costosa. El volumen de tokens es un proxy de cuánto trabajo entregan los usuarios a la IA, y las asignaciones de agentes más largas generan naturalmente más tokens que los intercambios cortos de chat.

Los datos de capacidades añaden una distinción más útil. Entre los usuarios activos semanalmente, 21% en frontier firms usaron Plugins, comparado con 9% en typical firms. Las skills, que empaquetan instrucciones reutilizables para trabajo recurrente, alcanzaron 19% en frontier firms y 3% en typical firms. OpenAI dice que 95% de sus propios empleados activos usan Plugins cada semana, una comparación interna que sirve también como objetivo para los clientes.

Un Plugin de ventas, por ejemplo, puede combinar el playbook de una empresa con acceso a su sistema de gestión de relaciones con clientes. Un agente puede entonces recuperar el historial de la cuenta, consultar propuestas previas y preparar una respuesta personalizada para que una persona la revise. El flujo de trabajo mueve el conocimiento útil fuera del historial privado de prompts de un empleado y hacia un proceso compartido.

Esa es la apuesta central de producto de OpenAI. La capa empresarial duradera se construirá a partir de permisos, integraciones, instrucciones reutilizables y sistemas de revisión alrededor del modelo. OpenAI está usando su propia telemetría de clientes para decirles a los ejecutivos qué comprar y a los equipos de despliegue qué construir.

Codex se expande más allá de la ingeniería

Codex generó 64% de los tokens de salida combinados de Codex y ChatGPT entre los clientes empresariales de OpenAI en junio. Esa cifra refleja tanto la adopción como el mayor volumen producido por agentes que completan tareas más largas, por lo que no puede leerse como una cuota simple de usuarios o asignaciones.

La dirección sigue siendo clara. Desde febrero, OpenAI dice que los usuarios activos semanales de Codex en empresas aumentaron 108 veces en legal, 41 veces en ventas, 41 veces en reclutamiento y 26 veces en marketing. Ingeniería creció cinco veces desde una base más establecida.

El análisis más amplio de Enterprise Signals de OpenAI se basa en más de 10 millones de mensajes y encuentra que la codificación, junto con las operaciones del sistema y de agentes, representan casi tres cuartas partes de los mensajes de agentes. Las operaciones del sistema y de agentes representan 32% de los mensajes de agentes en reclutamiento, 26% en ventas, 25% en políticas y 24% en comunicaciones.

El patrón de adopción respalda el impulso de Altman para distribuir Codex más allá de un producto solo para desarrolladores. El crecimiento empresarial depende cada vez más de poner las mismas herramientas de ejecución frente a abogados, reclutadores, mercadotecnia y equipos financieros.

Un estudio sobre la fuerza laboral con una perspectiva distinta

OpenAI publicó un documento de trabajo complementario, "How Organizations Use AI: Evidence from ChatGPT", que examina registros de cuentas, roles de trabajadores, clasificaciones de mensajes y datos financieros de compañías públicas hasta marzo de 2026.

La muestra de características de los trabajadores del documento abarca 1,764 organizaciones y 17,446,551 mensajes. Los investigadores usaron datos desidentificados, mapearon títulos de trabajo a categorías generales y clasificaron el contenido de los mensajes automáticamente; no revisaron manualmente mensajes individuales. A los seis meses después de la adopción, los trabajadores en etapas tempranas de carrera y los aprendices enviaron aproximadamente ocho a nueve mensajes más por semana que el usuario activo promedio dentro de la misma empresa. Los ejecutivos enviaron menos mensajes, pero el documento no reporta una brecha de 13 mensajes entre los grupos.

El documento también encontró que las compañías públicas de EE. UU. que adoptaron ChatGPT Enterprise tendían a ser más grandes, emplear a más personas y gastar más en investigación y desarrollo que las compañías sin una coincidencia de ticker de ChatGPT Enterprise. El grupo de comparación no debe tratarse como empresas que no usan IA, una limitación que los investigadores reconocen. Esas características complican cualquier afirmación de que el acceso a la IA por sí solo produce compañías más fuertes. Las organizaciones ya equipadas con capital, personal técnico y capacidad de gestión pueden tener más facilidad para adoptar la IA en profundidad.

Enterprise Signals tiene una restricción relacionada. OpenAI analiza a los clientes que ya pagan por sus productos, por lo que los resultados son un estudio de adopción dentro de la base de clientes de OpenAI en lugar de un punto de referencia para todo el mercado empresarial. La metodología agregada del informe también deja sin especificar el tamaño y la composición de las cohortes de clientes frontier y typical.

El playbook empresarial de OpenAI

Los informes dan a los operadores una secuencia práctica: encontrar empleados que ya estén construyendo flujos de trabajo efectivos, conectar agentes a datos y herramientas aprobadas, definir dónde las personas deben revisar decisiones y convertir experimentos exitosos en sistemas compartidos. La gobernanza se vuelve parte del despliegue porque los agentes con acceso a registros de clientes, sistemas financieros o comunicaciones internas requieren límites explícitos y acciones auditables.

Para equipos de startups, la lección útil es operacional más que comparativa. Instrucciones compartidas, acceso controlado y procedimientos de revisión pueden convertir un experimento efectivo de un empleado en un proceso repetible de la empresa, pero los datos de OpenAI no muestran que estas prácticas mejoren los ingresos o la productividad.

Para OpenAI, la investigación respalda un cambio mayor de vender acceso al modelo a poseer la capa donde las empresas configuran y supervisan el trabajo de la IA. La financiación del 31 de marzo de OpenAI trajo $122 mil millones con una valuación post-money de $852 mil millones, según OpenAI. Ese capital elevó los incentivos comerciales alrededor de la distribución empresarial y el uso recurrente.

El resultado más contundente en los nuevos datos es la brecha en el comportamiento organizacional. Compañías que compran acceso a los mismos modelos están produciendo patrones de uso marcadamente diferentes. Los usuarios intensivos empaquetan conocimiento en skills, conectan agentes a sistemas operativos y difunden métodos de trabajo entre equipos. Si esos hábitos generan ganancias correspondientes en ingresos, calidad o productividad laboral sigue fuera de la evidencia de los estudios. OpenAI ha mostrado dónde el uso se compone. Los clientes todavía tienen que demostrar dónde está el valor.