Las empresas nativas de IA no piden consejo a los agentes, delegan todo el flujo de trabajo

Las últimas señales empresariales de OpenAI muestran que la IA empresarial está pasando de la asistencia a la ejecución a velocidades muy diferentes. Las empresas líderes —aquellas en el 10% superior de uso de IA— ahora generan 8,3 veces más tokens de salida por usuario activo que las empresas típicas, frente a las 2,6 veces de enero. Esa brecha cada vez mayor apunta a un cambio operativo más profundo: las empresas líderes conectan a los agentes con el contexto y las herramientas de la empresa, delegan un trabajo más sustantivo y facilitan la repetición de flujos de trabajo exitosos. Para los líderes, el verdadero desafío es convertir esa profundidad en un trabajo en el que la gente pueda confiar, medir y mejorar, sin dejar de dar espacio para experimentar con casos de uso cuyo valor no es obvio al primer intento.

📌 Este artículo se basa en dos piezas de investigación recientes de OpenAI — Señales empresariales: cómo se amplía la ventaja nativa de la IA y Cómo las empresas nativas de IA convierten los flujos de trabajo en capacidad operativa. Hemos resumido sus hallazgos a continuación y hemos enlazado a la investigación original a lo largo del texto.

Durante el último año, la brecha entre las empresas que realmente han puesto a trabajar a los agentes de IA y el resto se ha ampliado considerablemente. El último informe Enterprise Signals de OpenAI encontró que las empresas en el 10% superior de uso de IA ahora generan 8.3 veces más tokens de salida por usuario activo que una empresa típica, frente a solo 2.6 veces en enero. Esa brecha no se trata del acceso a mejores modelos; las empresas líderes y las típicas usan los mismos modelos subyacentes. Se reduce a cómo los equipos líderes han organizado el trabajo de IA agentica en torno a agentes, contexto y herramientas.

Esto es lo que separa a las empresas nativas de IA del resto, según los datos y estudios de caso de OpenAI, y cómo un espacio de trabajo de agentes de IA como BridgeApp encaja en esa imagen.

La IA empresarial es cada vez más agentica

La IA empresarial está pasando de responder preguntas a realmente hacer el trabajo. Ese cambio comenzó en el desarrollo de software, impulsado por Codex. Ahora ChatGPT Work está llevando la IA agentica más allá de la ingeniería, permitiendo a los empleados de toda una organización pasar de pedir ayuda a delegar tareas sustantivas directamente.

Para junio de 2026, la IA agentica (medida aquí a través de tokens de Codex) representó el 64% de los tokens de salida combinados de Codex y ChatGPT entre los clientes empresariales. ChatGPT y la IA agentica funcionan con los mismos modelos fundacionales subyacentes; la diferencia radica en cómo se aplica esa inteligencia.

ChatGPT ayuda a las personas a hacer preguntas, desarrollar ideas y resolver problemas. La IA agentica (Codex, ChatGPT Work) le da a la modelo herramientas para actuar directamente en su computadora: puede buscar información, editar archivos y realizar tareas de varios pasos de forma autónoma o bajo supervisión. Las tareas largas y complejas tienden a demandar significativamente más cómputo, lo que ayuda a explicar por qué el uso de tokens en el trabajo agentico ha crecido tan rápido.

La adopción de agentes también se está extendiendo mucho más allá del desarrollo de software en sí. Desde febrero, el número de usuarios empresariales activos de IA agentica creció 108x en el sector legal, 41x en ventas y reclutamiento, y 26x en marketing, en comparación con "solo" 5x en ingeniería. El software fue el primer lugar donde los agentes de IA se afianzaron porque tiene un contexto claro (código) y una señal clara de aprobación/fallo (pruebas). Esa misma lógica ahora se está extendiendo a cualquier trabajo de conocimiento que pueda describirse con la misma precisión.

La brecha en la frontera sigue creciendo

Cada mes, OpenAI clasifica a sus clientes empresariales por tokens de salida por usuario activo. Las empresas de frontera son el 10% superior en uso mensual de IA; las empresas típicas se encuentran entre el percentil 45 y 55. Para junio, las empresas de frontera estaban generando 8,3 veces más tokens de salida por usuario activo que las empresas típicas, frente a una brecha de 2,6 veces en enero.

Esa brecha también se manifiesta industria por industria. Es más amplia en información y tecnología (11,7x) y más estrecha en manufactura (5,3x). Las empresas típicas, por el contrario, parecen bastante similares en todas las industrias, y su uso de tokens ha crecido solo modestamente durante el último año, entre 1,9x y 2,8x. Esto apunta a algo específico: muchas organizaciones todavía usan la IA como un simple asistente de chat, y tienen un margen real para crecer al delegar a los agentes un trabajo más complejo.

Lo que diferencia a las empresas líderes

Un detalle destaca en la investigación de OpenAI: las empresas líderes utilizan capacidades extendidas —habilidades y complementos que dan a un agente acceso a los datos y herramientas adecuados— con mucha más frecuencia. Entre los usuarios activos de las empresas líderes, el 21% utiliza complementos y el 19% utiliza habilidades semanalmente, en comparación con solo el 9% y el 3% en las empresas típicas. En otras palabras, los líderes no solo abren una ventana de chat con más frecuencia, sino que están dando sistemáticamente a sus agentes contexto y permiso para realizar acciones específicas.

Tres flujos de trabajo reales: Basis, Clay y Exa Labs

En un artículo complementario, OpenAI desglosa cómo tres empresas —Basis, Clay y Exa Labs— convirtieron experimentos dispersos de IA en flujos de trabajo operativos duraderos. El patrón es consistente en las tres: primero, enseñe a un agente un proceso estable, dele un contexto persistente a medida que el trabajo cambia día a día, y solo entonces permítale llevar las oportunidades a un resultado probado por sí mismo.

• Basis (agentes de IA para firmas de contabilidad) redujo la incorporación del primer día de los empleados de dos horas a 30 minutos. Los nuevos empleados tienen acceso inmediato a un agente y a una habilidad de incorporación preconstruida que les presenta la empresa y configura las integraciones en segundo plano.
• Clay (un motor de ingresos de autoaprendizaje para equipos de comercialización) asigna a cada cuenta un espacio de trabajo persistente y un subagente dedicado. Cada subagente actualiza su carpeta de acuerdos durante la noche a partir de los registros de CRM, correos electrónicos, llamadas y Slack; cada mañana, un agente coordinador convierte esas actualizaciones en una breve lista de acciones prioritarias para el vendedor.
• Exa Labs (infraestructura de búsqueda para agentes de IA) tiene un agente que monitorea su ecosistema en busca de oportunidades de integración, abre solicitudes de extracción, ejecuta pruebas y redacta resúmenes de actualizaciones, mientras que un humano siempre toma la decisión final sobre lo que realmente se envía externamente.

En los tres casos, el agente no se deja sin supervisión. Los derechos de acceso se definen de antemano, se incorporan puntos de control y los resultados se validan mediante pruebas o revisión humana antes de que afecten a cualquier cosa fuera del flujo de trabajo.

Por qué esto necesita infraestructura, no solo una ventana de chat

La línea de fondo en ambos informes de OpenAI es la misma: para que un agente haga un trabajo real —no solo responda preguntas— necesita tres cosas a la vez: contexto, herramientas y la capacidad de llevar una tarea a su finalización sin un constante vaivén con un humano. Muchos herramientas ofrecen una de estas cosas de forma aislada. El problema comienza cuando una empresa intenta conectarlas entre sí —historial de tareas, permisos de herramientas, memoria, validación de resultados y reintentos automáticos en caso de fallo— y descubre que no hay un lugar natural para hacerlo. Hecho a mano, eso se convierte en un montón de scripts y conocimiento tribal que no sobrevive a las vacaciones de una persona.

Esa es la capa entre "tenemos un modelo potente" y "un agente realmente posee el proceso de principio a fin" — y es lo que una plataforma de orquestación de agentes de IA como BridgeApp está diseñada para cerrar.

Cómo el espacio de trabajo de BridgeApp lo pone en práctica

BridgeApp lleva a los agentes de IA a producción como un equipo completo — no un chatbot independiente, sino un flujo de trabajo multiagente gestionado donde las tareas, el contexto, el trabajo del agente, la validación y los siguientes pasos se conectan en un único proceso dentro de un mismo espacio de trabajo. Usted establece los objetivos y las reglas; el contexto no necesita moverse manualmente entre los pasos.

• Orquestación — El tablero es el flujo de trabajo en sí, mostrado como un grafo dirigido. Las tareas se ejecutan estrictamente en orden, no se duplican al activarse y pueden cancelarse y reiniciarse. El trabajo continúa después de un fallo, no "como sea" en un script en el portátil de alguien.
• Flujos y automatizaciones — Grafos de ejecución que usted mismo describe: nodos tipados con estado mantenido entre pasos. Las ejecuciones se activan por un evento del sistema o una programación. El historial de cada ejecución se puede consultar y verificar; no hay fallos silenciosos.
• Multi-agente — Los subagentes se ejecutan en el servidor y en paralelo, cada uno con su propio historial guardado, heredando exactamente el contexto que necesitan. Límites incorporados de profundidad, tiempos de espera y presupuestos de tokens/pasos.
• Memoria — Memoria a nivel de organización para cada agente, privada o compartida, con comportamiento seguro en caso de fallo. Limpieza en segundo plano mientras el agente está inactivo: deduplica, resuelve conflictos, olvida hechos obsoletos.
• Comprensión de código — Un nuevo repositorio se convierte en un grafo de código consultable: quién llama a qué, cadenas de llamadas, enlaces entre servicios, además de documentación capa por capa. Las ediciones llegan a los archivos correctos en lugar de simplemente parecer plausibles.
• Conocimiento / RAG — Búsqueda en su base de conocimiento con control de acceso por agente y re-clasificación de resultados. Los documentos tienen versiones y se re-fragmentan al publicarse, por lo que el conocimiento se mantiene actualizado sin reindexación manual.
• Gobernanza de acceso — Las reglas y habilidades se aplican por prioridad; el acceso a las herramientas pasa por un mecanismo MCP de varios niveles con registros de auditoría completos, y las habilidades se desbloquean para un agente gradualmente. El acceso se otorga centralmente, ningún empleado puede ampliar silenciosamente sus propios permisos.
• Ejecución segura — El código se ejecuta en micro-VMs aisladas. El acceso a Git se emite a corto plazo y se limita a una tarea específica; los secretos se cifran en reposo. Cada cambio de permiso se registra en el registro de auditoría.
• Capa de modelo — Una única capa sobre OpenAI, Anthropic, DeepSeek, Moonshot, Groq y otros, con profundidad de modelo y razonamiento seleccionable por conversación. Los reintentos automáticos con retraso creciente le brindan resiliencia contra interrupciones del proveedor.
• Economía de tokens — Un prefijo de prompt estable en bytes para el almacenamiento en caché, contabilidad de caché por proveedor y compresión cuidadosa de conversaciones largas sin perder significado, notablemente más barato por token que un bucle de agente ingenuo.

Eso se mapea casi directamente con la pregunta que la investigación de OpenAI sigue planteando: ¿cómo lograr que un agente haga el trabajo, no solo lo sugiera? 

El espacio de trabajo de BridgeApp es la capa de infraestructura —orquestación, memoria, control de acceso y ejecución— que convierte esa pregunta de una diapositiva de estrategia en algo que un equipo puede realmente ejecutar.