Durante los últimos dos años muchas empresas han entendido la inteligencia artificial como una conversación. Abres una herramienta, escribes una instrucción, recibes una respuesta y decides qué hacer con ella.
Ese modelo sigue siendo útil. Pero empieza a quedarse corto para explicar lo que viene.
OpenAI ha publicado un estudio económico sobre Codex que apunta a un cambio más profundo: los agentes no están cambiando solo la calidad de las respuestas. Están cambiando la unidad básica del trabajo con IA. Pasamos de interacciones cortas a tareas delegadas, de prompts aislados a procesos que pueden durar minutos u horas, usar herramientas, iterar y avanzar en paralelo.
Para una empresa, esta es la parte importante: la adopción de IA ya no consiste solo en enseñar a la gente a escribir mejores prompts. Empieza a consistir en diseñar trabajo que pueda ser delegado con contexto, límites y supervisión.
El salto no es técnico, es operativo
Cuando hablamos de agentes, es fácil quedarse en la capa técnica: modelos más capaces, más contexto, mejor uso de herramientas, más autonomía. Todo eso importa. Pero no es lo más interesante desde el punto de vista empresarial.
Lo relevante es que cambia la forma de organizar el trabajo. Un chatbot responde. Un agente puede recibir un objetivo, consultar información, ejecutar pasos, corregirse, pedir ayuda si hace falta y entregar un resultado más parecido a una tarea completada que a una respuesta suelta.
La diferencia parece sutil hasta que se lleva a procesos reales. No es lo mismo pedirle a una IA que resuma un documento que encargarle que revise diez documentos, extraiga inconsistencias, prepare una tabla comparativa, proponga próximos pasos y deje un borrador listo para revisión humana.
La primera situación mejora una interacción. La segunda empieza a rediseñar un flujo de trabajo.
Qué muestra OpenAI con Codex
El estudio de OpenAI analiza cómo se está usando Codex, su agente orientado a tareas de desarrollo y trabajo técnico. Conviene leerlo con cuidado: los datos proceden de usuarios frontera y de la propia OpenAI, así que no representan todavía a la empresa media. Pero precisamente por eso funcionan bien como señal temprana.
Según OpenAI, Codex empezó siendo una herramienta muy ligada a ingeniería. Lo esperable. Pero con el tiempo su uso se ha extendido a departamentos no técnicos. Legal, Finance y Recruiting pasaron a usar Codex como herramienta principal de IA alrededor de abril de 2026. La compañía afirma que, para el trabajador medio de OpenAI, Codex representa ya más del 85% de los tokens de salida generados con herramientas de IA.
También hay un dato especialmente llamativo: desde agosto de 2025, los usuarios no desarrolladores crecieron 137 veces entre usuarios individuales, 189 veces entre usuarios organizacionales y 12 veces dentro de OpenAI.
La lectura no es que todo el mundo se haya convertido en programador. La lectura es más interesante: cuando una herramienta agentica baja suficiente la fricción, personas de áreas no técnicas empiezan a delegar trabajo que antes dependía de perfiles técnicos, automatizaciones internas o equipos de datos.
De tareas cortas a trabajo de largo recorrido
El cambio también aparece en la duración de las tareas. OpenAI estima que en mayo de 2026 el 80,6% de los usuarios individuales muestreados hizo al menos una petición a Codex equivalente a más de 30 minutos de trabajo humano. El 70,2% hizo al menos una petición estimada en más de una hora. Y el 25,6% hizo al menos una petición estimada en más de ocho horas.
Estas cifras no deben leerse como una medición exacta de productividad. OpenAI explica que son estimaciones direccionales, calculadas con un evaluador basado en modelo y una muestra de usuarios. Pero la dirección importa.
Los usuarios avanzados están dejando de usar la IA solo para resolver microtareas. Empiezan a delegar bloques de trabajo más largos, con más pasos, más incertidumbre y más necesidad de coordinación.
Ese es el punto donde la IA deja de parecer una caja de respuestas y empieza a parecer una capa operativa.
Por qué esto importa fuera de ingeniería
La mayoría de empresas asocia Codex con programación. Es lógico. Pero el estudio muestra algo más amplio: los agentes pueden ayudar a personas no técnicas a cruzar fronteras de tarea que antes dependían de otros equipos.
OpenAI menciona usos como automatización, transformación de datos, tooling, debugging y análisis estructurado. En áreas como operaciones, marketing, finanzas o legal, esto puede traducirse en tareas muy concretas: preparar comparativas, limpiar datos, generar borradores técnicos, revisar documentación, crear pequeños scripts internos o analizar información dispersa.
No significa que desaparezca la especialización. Significa que parte del cuello de botella cambia de sitio. Antes muchas tareas se quedaban paradas porque alguien no tenía acceso al perfil técnico adecuado. Ahora pueden avanzar hasta una primera versión, siempre que haya criterios claros de revisión.
Esto tiene una consecuencia potente: la productividad ya no depende solo de que cada persona sepa usar una herramienta de IA, sino de que la organización sepa qué trabajo puede moverse a un agente sin perder calidad, control ni responsabilidad.
La trampa: confundir acceso con adopción
Aquí muchas empresas van a tropezar.
Comprar licencias, activar un agente o permitir que el equipo use una herramienta no equivale a adoptar IA agentica. Eso es acceso. Y el acceso, por sí solo, suele generar usos dispersos, aprendizajes desiguales y mucho entusiasmo difícil de convertir en resultado.
La adopción real empieza cuando una empresa define qué trabajos son delegables, qué información necesita el agente, qué herramientas puede tocar, qué límites no debe cruzar, quién valida el resultado y cómo se mide si de verdad ha ahorrado tiempo o mejorado calidad.
Dicho de forma sencilla: un agente no mejora un proceso que nadie ha entendido. Lo acelera, sí. Pero también puede acelerar el desorden.
Qué debe revisar una empresa antes de delegar trabajo a agentes
Si una organización quiere pasar de la conversación a la delegación, debería empezar por preguntas bastante menos brillantes que el último lanzamiento de modelo, pero mucho más útiles.
- Contexto: qué documentos, sistemas, datos y reglas necesita el agente para hacer bien la tarea.
- Permisos: qué puede leer, qué puede escribir, qué puede ejecutar y qué acciones requieren aprobación humana.
- Supervisión: quién revisa el resultado, en qué punto del proceso y con qué criterio.
- Trazabilidad: qué queda registrado para entender qué hizo el agente y por qué.
- Gestión del fallo: qué ocurre cuando el agente se equivoca, se bloquea o produce un resultado incompleto.
- Métrica de valor: cómo se mide si la delegación reduce tiempo real, mejora calidad o libera capacidad del equipo.
Estas preguntas no son una barrera burocrática. Son la diferencia entre usar agentes como juguete avanzado o convertirlos en infraestructura de trabajo.
Qué procesos son buenos candidatos
No todo debe delegarse a un agente. De hecho, uno de los signos de madurez en IA será saber decir que no.
Los mejores candidatos suelen compartir algunas características: volumen suficiente, reglas relativamente claras, contexto accesible, riesgo controlable y una revisión humana que aporta criterio sin tener que rehacerlo todo desde cero.
En una empresa, eso puede aparecer en muchos lugares:
- preparación de informes internos a partir de datos y documentos ya existentes;
- comparación de propuestas, contratos o especificaciones;
- generación de borradores operativos para que una persona los revise;
- análisis preliminar de incidencias, tickets o conversaciones con clientes;
- automatización de tareas repetitivas entre herramientas;
- preparación de materiales de soporte, documentación o formación interna.
El patrón no es "dejar que la IA lo haga todo". El patrón es identificar dónde una primera versión hecha por un agente reduce fricción sin desplazar la responsabilidad humana donde sigue siendo necesaria.
La nueva función directiva: diseñar trabajo delegable
La conversación sobre IA en empresas suele centrarse en herramientas. Qué modelo usamos, qué plan contratamos, qué proveedor integra mejor con nuestro stack. Es normal. Pero cada vez será menos suficiente.
Si los agentes se convierten en una capa real de trabajo, una parte del management tendrá que aprender a diseñar tareas delegables. Eso implica describir mejor los resultados esperados, ordenar conocimiento interno, reducir ambigüedad, definir criterios de calidad y decidir dónde entra la supervisión humana.
Paradójicamente, la IA agentica puede obligar a muchas empresas a hacer algo que deberían haber hecho antes: entender mejor cómo trabajan.
Porque un agente necesita instrucciones claras, contexto útil y límites definidos. Si una tarea solo funciona porque una persona lleva años resolviendo ambigüedades invisibles, el agente no la va a arreglar mágicamente. Primero habrá que explicitar el proceso.
El cambio de mentalidad
El estudio de OpenAI no demuestra que todas las empresas vayan a operar como OpenAI. Sería una mala lectura. OpenAI es un entorno extremo: usuarios muy avanzados, herramientas propias, cultura técnica y acceso temprano a capacidades punteras.
Pero sí muestra una dirección probable. Cuando los agentes mejoran, se integran en herramientas de trabajo y bajan la fricción de uso, las personas empiezan a pedirles tareas más largas, más complejas y más transversales.
La consecuencia para empresas no es correr detrás de cada agente nuevo. Es preparar la organización para poder delegar trabajo con criterio cuando la tecnología encaje.
El salto no va de conversar más con la IA. Va de decidir qué parte del trabajo puede avanzar sin que una persona esté mirando cada paso.
En resumen
- Los agentes cambian la unidad de trabajo con IA: de respuestas puntuales a tareas delegadas de mayor duración.
- OpenAI muestra que Codex ya se usa como herramienta principal de IA en áreas no técnicas internas como Legal, Finance y Recruiting.
- Entre usuarios organizacionales, los usuarios no desarrolladores de Codex crecieron 189 veces desde agosto de 2025.
- El valor empresarial no está solo en tener acceso a agentes, sino en diseñar procesos con contexto, permisos, supervisión y trazabilidad.
- Los mejores casos de uso combinan volumen, reglas relativamente claras, riesgo controlable y revisión humana útil.
- La próxima ventaja no será escribir mejores prompts, sino saber diseñar trabajo delegable.
Fuentes
- OpenAI — How agents are transforming work: https://openai.com/index/how-agents-are-transforming-work/
- OpenAI Economic Research — The Shift to Agentic AI: Evidence from Codex: https://cdn.openai.com/pdf/5d1e1489-21c0-43e4-9d42-f87efdbf0082/the-shift-to-agentic-ai-evidence-from-codex.pdf
Este artículo tiene finalidad informativa y refleja el estado público de la información en su fecha de publicación. Los datos citados proceden de OpenAI y deben interpretarse como una señal temprana de adopción en usuarios frontera, no como una media representativa de todas las empresas.