Michael JohnsonEl 22 de octubre, OpenAI publicó una descripción del trabajo de FDE, el equipo de ingeniería de implementación avanzada que adapta la IA a procesos concretos junto con clientes empresariales. Colin Jarvis, responsable del área, explica cómo los ingenieros estudian el trabajo del cliente, acuerdan criterios de calidad y convierten soluciones puntuales en componentes reutilizables.
Así describe la empresa la brecha entre el resultado de un modelo ante una consulta de prueba y la capacidad del sistema para realizar una tarea de forma fiable en un entorno real. Cuando el cuello de botella está relacionado con el producto o la integración, el equipo perfecciona la solución junto con el cliente; si el modelo no cumple los requisitos de la tarea, se suman al trabajo investigadores de OpenAI.
De la tarea del cliente a un resultado medible
En uno de los ejemplos, correspondiente a mediados de 2025, unos 15 ingenieros de OpenAI trabajaron con un gran fabricante de semiconductores en más de diez casos de uso: generación de pruebas dirigidas, identificación de las causas de fallos y asistencia en el diseño. Según la empresa, los casos llegaron a producción y a una fase inicial de uso durante los primeros tres a seis meses. OpenAI señala un ahorro de alrededor del 48 % del tiempo dedicado a generar pruebas y una reducción de la depuración de semanas a horas.
Estas cifras corresponden a los procesos de un cliente concreto descritos por OpenAI. Para implementar una solución, lo importante es el método: acordar de antemano los criterios de éxito con los especialistas que realizan el trabajo, recopilar casos reales y medir el resultado de todo el flujo de trabajo, incluida la revisión humana.
Reutilizar en lugar de crear integraciones puntuales
Las soluciones iniciales para el fabricante requerían mucho código personalizado. OpenAI afirma que, al reconstruir las aplicaciones en torno a Codex, sustituyó las interfaces particulares por herramientas, complementos y habilidades comunes. La empresa calcula que el código personalizado se redujo aproximadamente un 90 % en cada proyecto descrito. En un ejemplo de agosto de 2026, la primera implementación llevó dos meses, mientras que incorporar un segundo equipo tomó un día.
En un piloto propio, conviene contabilizar por separado el esfuerzo de la primera implementación y el de incorporar al siguiente departamento. Si es posible reutilizar conectores, instrucciones y controles de calidad, transferir la solución puede requerir menos desarrollo personalizado. Los plazos que presenta OpenAI corresponden a su ejemplo concreto y no garantizan el mismo ritmo para cualquier proyecto.
Del piloto con un cliente a un producto fiscal
Otro ejemplo de OpenAI es Tax AI para la firma de contabilidad Crete, creado en colaboración con Thrive Holdings. Según la empresa, durante el piloto el sistema procesó 7.000 declaraciones fiscales y la capacidad de procesamiento aumentó alrededor de un 50 %. Uno de los casos más complejos —las declaraciones por alquiler de inmuebles— requirió seis semanas de trabajo de ingeniería y revisión por especialistas para alcanzar un 90 % de precisión y exhaustividad en la detección.
OpenAI afirma que las plantillas obtenidas ayudaron después a ampliar Tax AI a otros anexos fiscales complejos. Para evaluar un piloto de este tipo, hay que tener en cuenta no solo la proporción de resultados correctos, sino también el volumen de revisión manual, la velocidad de procesamiento y el trabajo necesario para trasladar la solución a otro tipo de documentos.
Cuándo cambiar la integración y cuándo cambiar el modelo
En otro proyecto, independiente, con un gran operador de telecomunicaciones, el equipo desarrolló un servicio de atención por voz. Según OpenAI, el resultado inicial fue de alrededor del 60 % en pruebas internas clave que evaluaban la idoneidad del sistema para producción. A lo largo de seis meses subió al 80 % y, posteriormente, superó el 90 % tras la colaboración entre ingenieros de implementación, el cliente y el equipo de investigación. OpenAI atribuye la mejora a las pruebas de reconocimiento de voz, seguimiento de instrucciones y llamadas a funciones en situaciones de atención al cliente.
Este proceso ayuda a determinar dónde hace falta intervenir: en la integración y la interfaz, o en la capacidad del modelo para ejecutar la función solicitada. OpenAI describe sus evaluaciones internas y proyectos con clientes; estos resultados muestran cómo organiza la implementación, pero no constituyen una previsión universal para otros clientes.
Qué comprobar en tu piloto
Antes de ampliar la implementación, documenta el método actual para realizar la tarea, el volumen de revisión manual y los criterios de aceptación. Prueba el sistema con casos reales, incluidos errores poco frecuentes, y mide el tiempo hasta obtener un resultado aceptado, la proporción de correcciones y el coste de mantener la integración. Al trasladarlo a otro equipo, compara las mismas métricas y calcula por separado el coste de conectar las fuentes de datos y configurar los permisos de acceso.
El relato de OpenAI ofrece una orientación práctica: empezar con una tarea medible, probar la solución en condiciones de trabajo reales y diseñar componentes para que la siguiente implementación pueda aprovechar lo aprendido en la anterior. Así se conecta un piloto puntual con una implementación repetible.