Durante meses hemos hablado de agentes de IA como si fueran una promesa técnica: modelos capaces de razonar, usar herramientas, consultar sistemas, ejecutar tareas y colaborar con personas.
Pero la pregunta importante para una empresa no es si un agente puede hacer algo en una demo.
La pregunta importante es si puede hacerlo dentro de un proceso real, con clientes reales, datos reales, excepciones reales y consecuencias reales.
Ahí es donde OpenAI Presence resulta interesante.
OpenAI lo presenta como una plataforma gestionada para desplegar agentes de voz y chat en flujos empresariales de alto volumen y alto riesgo: atención al cliente, soporte interno, reclamaciones, recursos humanos, IT help desk, procurement o generación de demanda.
No es un producto self-service. Está disponible en limited general availability para clientes enterprise elegibles, con despliegues acompañados por equipos de OpenAI y socios integradores.
Y ese detalle importa mucho.
Porque Presence no representa solo un nuevo canal para usar modelos de IA. Representa una idea más profunda: la IA empresarial empieza a venderse como una capa operativa gobernada.
El problema ya no es demostrar que un agente funciona
OpenAI lo formula de forma bastante clara: para las empresas, el reto ya no es probar que los agentes pueden funcionar, sino hacerlos suficientemente fiables para trabajar en producción.
Esa frase resume bien el momento actual.
Muchas organizaciones ya han visto que la IA puede responder preguntas, redactar textos, resumir documentos, buscar información o ayudar a resolver tareas. La fase de sorpresa está bastante superada.
El problema aparece cuando esa capacidad se conecta a procesos reales.
Un agente que responde mal en una prueba interna genera una anécdota. Un agente que responde mal a un cliente, cambia un dato en un sistema, aplica una política incorrecta o escala tarde una incidencia genera un problema operativo.
Por eso el salto de "chatbot inteligente" a "agente en producción" no depende solo del modelo.
Depende de todo lo que rodea al modelo.
Depende de qué conocimiento puede consultar. De qué acciones puede ejecutar. De cuándo necesita aprobación. De cuándo debe escalar a una persona. De cómo se evalúa su comportamiento antes del lanzamiento. De cómo se corrige cuando el negocio cambia.
Ese es el terreno donde Presence quiere colocarse.
La IA empresarial se está moviendo hacia la capa de operación
Hasta ahora, gran parte de la conversación sobre IA en empresas se ha centrado en elegir modelos: cuál razona mejor, cuál cuesta menos, cuál tiene más contexto, cuál integra mejor voz, imagen o herramientas.
Eso sigue importando.
Pero cada vez será menos suficiente.
Cuando una empresa despliega agentes en procesos críticos, el valor no está solo en la inteligencia del modelo. Está en la capacidad de convertir esa inteligencia en una operación controlada.
OpenAI Presence combina modelos con políticas, permisos, procedimientos, guardrails, acciones aprobadas, simulaciones, herramientas de evaluación, monitorización y procesos de mejora continua.
Dicho de forma sencilla: no intenta vender solo "un agente". Intenta vender el sistema para que ese agente pueda trabajar dentro de una organización sin romper sus reglas.
Y eso apunta a una evolución clara del mercado.
Los proveedores de IA no quieren quedarse en ser el motor. Quieren participar también en la implantación, el gobierno, el aprendizaje operativo y la mejora de los agentes dentro de la empresa.
Ahí hay una oportunidad, pero también una pregunta estratégica muy seria.
Lo que aprende el agente también importa
Uno de los puntos más relevantes de Presence es su lógica de mejora continua.
OpenAI explica que las sesiones de producción, las escaladas y las señales de calidad permiten detectar dónde el agente funciona bien y dónde necesita ajustes. Codex puede investigar esas señales y sugerir cambios, que los equipos prueban y aprueban antes de desplegarlos.
Esto tiene mucho sentido operativo.
Un agente no puede quedarse congelado. Los productos cambian, las políticas cambian, los clientes cambian, los equipos cambian y los casos excepcionales aparecen precisamente cuando el sistema empieza a usarse de verdad.
Pero aquí aparece una cuestión que muchas empresas todavía no están mirando con suficiente profundidad: ¿quién captura el aprendizaje generado por la operación?
Cada conversación, corrección, escalado, fallo, mejora y evaluación contiene conocimiento sobre cómo funciona realmente la empresa.
No es solo dato. Es aprendizaje operativo.
Si ese aprendizaje se convierte en una ventaja dentro de la organización, puede mejorar procesos, reducir fricción y acelerar la adopción. Si queda completamente absorbido por una plataforma externa, puede aumentar la dependencia del proveedor.
La pregunta no es si usar o no estas plataformas. Sería una lectura demasiado simple.
La pregunta es qué parte del aprendizaje debe quedarse bajo control de la empresa, qué parte puede delegarse, cómo se audita y cómo se evita que la implantación de agentes termine creando una nueva forma de lock-in.
Gobernar agentes no es escribir una política
Presence también deja claro otro cambio: la gobernanza de IA deja de ser solo un documento.
Durante mucho tiempo, muchas empresas han tratado la gobernanza como una capa posterior: una política interna, una checklist, una guía de uso, una revisión legal o un comité.
Eso es necesario, pero se queda corto cuando la IA empieza a actuar.
Un agente conectado a sistemas internos necesita gobernanza incorporada en el propio funcionamiento: permisos acotados, reglas de escalado, evaluaciones previas, pruebas con casos límite, límites de acción, registros, revisión humana y despliegues controlados.
No basta con decir "el agente debe seguir la política".
Hay que convertir esa política en comportamiento verificable.
Y esto cambia el tipo de conversaciones que las empresas deberían tener antes de desplegar agentes.
- ¿Qué puede automatizar la IA?
- ¿Qué no debe poder hacer?
- ¿Qué necesita aprobación humana?
- ¿Qué pasa cuando no entiende el caso?
- ¿Cómo sabemos si está mejorando o simplemente pareciendo más convincente?
- ¿Quién responde si ejecuta una acción incorrecta?
- ¿Qué datos necesita realmente para cumplir su tarea?
Estas preguntas son menos llamativas que un nuevo modelo, pero son mucho más importantes para una adopción seria.
El despliegue real empieza por trabajos concretos
Otro punto interesante es que OpenAI habla de empezar cada despliegue con un trabajo específico.
Por ejemplo: resolver incidencias de facturación, apoyar reclamaciones de seguros o gestionar solicitudes internas de IT.
Esto parece obvio, pero no lo es.
Muchas empresas todavía intentan introducir IA con enfoques demasiado amplios: "queremos un agente para atención al cliente", "queremos automatizar soporte", "queremos IA para operaciones".
El problema es que los agentes funcionan mejor cuando el trabajo está bien definido.
Un buen caso de uso no es solo un departamento. Es una combinación concreta de tarea, datos, permisos, criterios de éxito, excepciones y responsables.
La IA puede ayudar mucho cuando el proceso está lo bastante claro como para delegar una parte. Pero cuando el proceso ya es ambiguo para las personas, el agente no elimina la ambigüedad. Muchas veces la amplifica.
Por eso la implantación de agentes obliga a mirar la empresa con más honestidad.
No se trata solo de añadir tecnología. Se trata de entender qué procesos están suficientemente maduros para automatizarse y cuáles necesitan primero rediseño, limpieza o decisión interna.
La oportunidad para las empresas
Presence apunta hacia un futuro bastante probable: muchas empresas no construirán sus agentes críticos desde cero. Los desplegarán sobre plataformas gestionadas, con modelos potentes, integraciones, evaluaciones y acompañamiento especializado.
Eso puede acelerar muchísimo la adopción.
Pero también exige más criterio comprador.
Antes de poner un agente a trabajar en un proceso real, una empresa debería tener claras varias cosas:
- qué tarea exacta va a resolver;
- qué sistemas necesita consultar o modificar;
- qué permisos tendrá y cuáles no;
- qué casos debe escalar siempre a una persona;
- cómo se evaluará su rendimiento antes y después del lanzamiento;
- qué registros quedarán disponibles para auditoría;
- quién aprueba cambios en su comportamiento;
- cómo se gestiona el aprendizaje operativo que genera.
La diferencia entre una buena y una mala adopción de agentes no estará solo en la herramienta elegida.
Estará en la calidad del diseño operativo.
La lectura de fondo
OpenAI Presence no debería leerse como una simple noticia de producto.
La lectura más interesante es que la IA empresarial está entrando en una fase menos vistosa, pero más decisiva.
La fase en la que no basta con tener acceso al mejor modelo. Hay que convertirlo en una capacidad fiable, gobernada y alineada con el negocio.
Eso implica tecnología, sí.
Pero también procesos, permisos, datos, responsabilidad, supervisión, métricas y criterio.
Al final, los agentes no fallan solo porque el modelo se equivoque. También fallan cuando la empresa no ha definido bien qué está delegando.
Y esa probablemente será una de las grandes diferencias entre las organizaciones que usan IA como una capa decorativa y las que la convierten en una ventaja operativa real.
Fuentes
- OpenAI — Introducing OpenAI Presence: https://openai.com/index/introducing-openai-presence/
- OpenAI Business — OpenAI Presence: https://openai.com/business/openai-presence/
- OpenAI Help Center — OpenAI Presence overview: https://help.openai.com/en/articles/20001405
- Business Insider — OpenAI Presence Is About to Take Another Leap Into Corporate Software: https://www.businessinsider.com/openai-presence-corporate-software-customer-service-sales-2026-7
- The Wall Street Journal — OpenAI's High-Stakes, High-Touch Push to Make AI Work for Business: https://www.wsj.com/cio-journal/openais-high-stakes-high-touch-push-to-make-ai-work-for-business-7f08b7d4
Este artículo tiene finalidad informativa y refleja el estado público de la información en su fecha de publicación. Las capacidades, disponibilidad y condiciones de OpenAI Presence pueden variar según cliente, región, plan y evolución del producto.