El problema de una tecnología tan novedosa como lo es la de la inteligencia artificial, es su implementación en las organizaciones, sean estas empresas, administraciones públicas, o de otro tipo, y el escalado desde la fase de pruebas hasta una implementación plena, salvando obstáculos y cambiando la política y la cultura de la organización. Es por ello que OpenAI ha publicado un documento en el que detalla, precisamente, como adoptar y escalar la IA en las empresas.
La nueva guía “Identifying and Scaling AI Use Cases” está basada en 300 implementaciones reales que afectan a más de dos millones de usuarios corporativos, describiendo un proceso que parte de la detección de oportunidades, continúa con la formación de los equipos y culmina con la priorización de proyectos.
El primer paso en el camino consiste en localizar labores en las que la tecnología pueda actuar como “súper-asistente”: tareas repetitivas de bajo valor, cuellos de botella derivados de carencias de habilidades, y situaciones de ambigüedad que bloquean decisiones. Ejemplos prácticos van desde la elaboración automática de memorias técnicas, hasta la generación de prototipos interactivos sin apoyo del equipo de desarrollo.
La guía subraya que el liderazgo corporativo debe impulsar este análisis y que los empleados han de enumerar los procesos que les resultan tediosos, demorados o poco claros. A partir de ahí se construye un inventario inicial de casos de uso potenciales.
Seis primitivos de uso
Tras detectar las oportunidades, la metodología propone enseñar a los equipos seis “primitivos” que sirven de andamiaje para casi cualquier aplicación: creación de contenido, investigación, programación, análisis de datos, ideación estratégica y automatizaciones.
En la creación de contenido, firmas como Promega han reducido, en seis meses, 135 horas al redactar borradores de campañas y traducir mensajes a distintos canales. En programación, el equipo de Tinder emplea IA para generar sintaxis inicial en lenguajes complejos, acelerando tareas que antes se posponían.
Para el análisis de datos, Poshmark cruza millones de filas con código generado automáticamente y emite informes semanales para la dirección, mientras que el BBVA agiliza la evaluación de riesgo crediticio extrayendo datos no estructurados de fuentes públicas.
Y en el terreno de la ideación, Match Group experimenta con simulaciones de grupos de usuarios que interactúan con maquetas de producto.
Además, las automatizaciones ganan tracción gracias a la posibilidad de estandarizar instrucciones y reutilizar flujos en asistentes personalizados, una tendencia que la propia guía anticipa como preludio de agentes capaces de ejecutar proyectos completos.
Una vez familiarizados con los primitivos, los autores recomiendan aplicar la matriz Impacto/Esfuerzo para clasificar los casos de uso: las “victorias rápidas” combinan un retorno elevado y bajo coste de implementación, resultando idóneas para generar tracción interna; los proyectos de alto valor y gran esfuerzo requieren planificación adicional, pero pueden ser transformadores.
La experiencia de Indeed, que tardó meses en afinar una explicación automática de recomendaciones de empleo y logró un aumento del 20% en solicitudes iniciadas, ilustra esta categoría.
La guía sugiere revisar trimestralmente la matriz, dado que la evolución de las capacidades de la IA puede desplazar iniciativas, hoy complejas, hacia cuadrantes de menor esfuerzo.
Hacia flujos de trabajo impulsados por agentes
El documento concluye animando a mapear flujos de trabajo de extremo a extremo. En marketing, por ejemplo, un proceso podría arrancar con la investigación de mercado, pasar a la estimación de audiencia, continuar con la estrategia de campaña, generar los mensajes y, por último, optimizar automáticamente la localización de contenidos por canal.
Según la guía, la consolidación de esta visión integral prepara a las organizaciones para una próxima ola de agentes autónomos capaces de orquestar tareas secuenciales con supervisión mínima.
En síntesis, la publicación ofrece un itinerario que parte de la identificación de fricciones cotidianas y culmina en la transformación de procesos completos, con el objetivo de convertir a la IA en un auténtico músculo operativo y no en un simple experimento.