Uber ha anunciado el despliegue de ChatGPT Work para más de 30.000 empleados después de probarlo inicialmente con 1.000 personas. La iniciativa alcanza a equipos de operaciones, finanzas, marketing, producto y desarrollo, y conecta el agente con herramientas de trabajo como Google Drive, Gmail, Google Calendar y Slack.
La cifra impresiona, pero el dato importante no es el número de licencias. Es el salto desde un piloto limitado hasta un uso general acompañado de una biblioteca interna de habilidades, integraciones aprobadas y formación específica. Ese conjunto revela una idea que muchas empresas pasan por alto: un agente corporativo no se despliega simplemente activando una cuenta. Hace falta decidir qué puede consultar, qué puede modificar, cómo se mide su utilidad y quién responde cuando se equivoca.
Respuesta breve: el caso de Uber muestra que la adopción empresarial de agentes de IA está entrando en una fase de escala. Sin embargo, OpenAI y Uber todavía no han publicado resultados cuantitativos sobre ahorro de tiempo, calidad, incidencias o retorno de la inversión. La lección práctica no es copiar el despliegue, sino combinar casos de uso concretos, permisos mínimos, formación, evaluación y métricas antes de ampliar el acceso.
Qué ha anunciado Uber y qué sigue sin demostrarse
El anuncio oficial publicado por OpenAI el 22 de octubre de 2026 describe ChatGPT Work como un agente integrado en ChatGPT Enterprise que puede realizar tareas complejas de varios pasos y entregar trabajo terminado. La disponibilidad se amplía desde un piloto de 1.000 empleados hasta más de 30.000 personas de la plantilla global de Uber.
Según el anuncio, el sistema puede investigar información, preparar resúmenes para reuniones, crear presentaciones, analizar datos y completar flujos entre aplicaciones. También ofrece acceso a modelos de frontera y mantiene Codex para los equipos de desarrollo. Uber apoyará el despliegue con tres elementos: una biblioteca interna de habilidades de IA, integraciones aprobadas y formación para empleados.
Esos son los hechos comunicados. Hay otros datos que todavía no se han publicado:
- No se conoce qué porcentaje de los 1.000 participantes del piloto utilizó el agente de manera recurrente.
- No se han divulgado horas ahorradas, reducción de errores, satisfacción de usuarios ni costes totales.
- No se han detallado los casos de uso descartados por riesgo o falta de valor.
- No existe aún una comparación pública entre tareas completadas por el agente y el mismo trabajo realizado sin él.
- Las empresas afirman que compartirán más información sobre adopción, casos y resultados medibles a medida que avance el despliegue.
Por tanto, hablar de “éxito” sería prematuro. Sí puede afirmarse que Uber ha considerado suficiente el aprendizaje del piloto para ampliar el acceso. Eso demuestra confianza operativa en la plataforma, no un retorno económico universal ni la ausencia de riesgos.
Por qué este despliegue es distinto de repartir un chatbot
Un asistente aislado responde preguntas dentro de una conversación. Un agente conectado puede buscar documentos, leer calendarios, preparar archivos o iniciar acciones en otras aplicaciones. Esa capacidad reduce pasos manuales, pero también amplía la superficie de error. Una respuesta incorrecta puede quedarse en un borrador; una acción incorrecta puede afectar a datos, comunicaciones o procesos reales.
El anuncio de Uber menciona integraciones aprobadas, no acceso indiscriminado. Esa distinción es esencial. La documentación oficial de controles administrativos para aplicaciones y plugins explica que los administradores pueden decidir qué herramientas están disponibles y aplicar controles por roles en los planes compatibles. Instalar una capacidad y autorizar el acceso a una fuente son decisiones separadas.
Además, los permisos de la aplicación conectada siguen importando. Una persona solo debería recuperar información a la que ya tiene acceso en el sistema de origen. Si un empleado puede leer una carpeta excesivamente amplia, conectar esa carpeta a un agente no corrige el problema; puede hacerlo más visible y más fácil de explotar. Antes de incorporar IA conviene revisar grupos, compartición, propietarios y cuentas de servicio.
Las cuatro capas de un despliegue empresarial responsable
1. Casos de uso con un resultado verificable
“Ser más productivos” no es un caso de uso. Preparar un informe semanal a partir de tres fuentes, clasificar solicitudes de soporte o reunir antecedentes para una reunión sí lo son. Cada flujo debe tener una entrada conocida, un resultado esperado y un criterio de aceptación.
La empresa puede empezar por tareas reversibles y frecuentes: resumir documentos, proponer un borrador, organizar información o detectar campos incompletos. No debería comenzar por pagos, cambios de permisos, decisiones laborales o comunicaciones externas sin revisión. Cuanto mayor sea el coste del error, más estrictos deben ser la supervisión y los límites.
También es útil separar generación de decisión. Una herramienta puede redactar tres opciones y una persona elegir; puede calcular una puntuación y dejar una zona de abstención; o puede preparar un cambio sin ejecutarlo. Nuestro análisis de la Decisions API y sus límites explica por qué una probabilidad o una clasificación no debe convertirse automáticamente en autorización.
2. Acceso mínimo y acciones graduadas
Un agente necesita contexto para ser útil, pero no necesita todo el contexto de la empresa. La regla de mínimo privilegio continúa vigente: acceso solo a las fuentes necesarias, durante el tiempo necesario y para usuarios autorizados. Leer, crear un borrador, modificar y eliminar son capacidades diferentes y deberían gobernarse por separado.
Una clasificación práctica de acciones puede ser la siguiente:
| Nivel | Ejemplo | Control recomendado |
|---|---|---|
| Consulta | Buscar una política interna | Permisos heredados y registro |
| Borrador | Preparar un correo o una presentación | Revisión humana antes de compartir |
| Edición reversible | Actualizar un documento con historial | Confirmación, versión y recuperación |
| Acción externa | Enviar, publicar o modificar un sistema | Autorización explícita e idempotencia |
| Acción crítica | Pago, acceso, contratación o seguridad | Controles deterministas y responsable humano |
Esta separación evita que una automatización pase de “ayudar a pensar” a “actuar sin frenos”. También simplifica las auditorías: el equipo puede observar primero qué habría hecho el agente, medir su precisión y solo después conceder acciones muy concretas.
3. Procedimientos reutilizables y revisados
La biblioteca interna de habilidades mencionada por Uber probablemente sea una de las piezas más importantes del anuncio. Una habilidad empaqueta instrucciones, ejemplos, referencias y, en algunos casos, herramientas para una tarea. Eso reduce la dependencia de que cada empleado improvise un prompt y permite revisar el procedimiento de manera centralizada.
El formato no garantiza calidad por sí solo. Una instrucción puede estar desactualizada, una fuente puede haber cambiado y un script puede solicitar más permisos de los necesarios. Conviene asignar propietario, versión, fecha de revisión, fuentes permitidas, pruebas y un plan de retirada. La reciente cesión de Agent Skills a la Linux Foundation y la AAIF ayuda a entender el potencial de los procedimientos portables, pero también la necesidad de revisarlos antes de ejecutarlos.
4. Formación ligada al trabajo real
La formación no debería limitarse a una sesión sobre cómo escribir mejores instrucciones. Los empleados necesitan reconocer datos sensibles, comprobar una respuesta, citar una fuente, detectar una acción irreversible y saber cuándo detener el flujo. También deben conocer las políticas internas: qué información puede introducirse, qué aplicaciones están aprobadas y cómo comunicar un incidente.
Los equipos de datos y operaciones pueden complementar el aprendizaje con prácticas sobre hojas de cálculo, comprobaciones y automatización. Por ejemplo, este análisis de una formación de Excel con inteligencia artificial permite valorar si un itinerario cubre desde la base hasta la automatización. En marketing, una guía como nuestro análisis de una formación para crear contenido con IA puede servir para distinguir generación rápida, planificación editorial y revisión humana.
Son recursos comerciales publicados y deben evaluarse por su temario y utilidad concreta. Ningún curso sustituye las políticas, las pruebas ni el conocimiento del proceso propio de cada empresa.
Privacidad empresarial: una promesa no elimina la gobernanza
OpenAI indica en su página de privacidad empresarial que, de forma predeterminada, no utiliza los datos de sus productos empresariales para entrenar modelos, salvo aceptación explícita. También describe cifrado y controles administrativos en sus materiales de seguridad. Es una condición relevante, pero no responde a todas las preguntas que una organización debe resolver.
La empresa sigue necesitando conocer qué datos introduce, dónde se conservan, quién puede verlos, durante cuánto tiempo y qué ocurre al conectarlos con terceros. La documentación de aplicaciones conectadas advierte de que la información enviada a servicios externos también queda sujeta a las condiciones de esos proveedores.
Por eso una evaluación debe contemplar, como mínimo, clasificación de datos, residencia, retención, registros, identidad, respuesta a incidentes y contratos. En España y la Unión Europea se añaden las obligaciones aplicables en materia de protección de datos, secreto profesional, relaciones laborales y sistemas de IA. El cumplimiento depende del uso concreto, no del nombre comercial de la herramienta.
Cómo medir si un agente aporta valor de verdad
Las métricas de actividad son fáciles de obtener: usuarios activos, conversaciones, tareas iniciadas o habilidades instaladas. Sirven para detectar adopción, pero no prueban calidad. Una organización puede tener muchas interacciones y ningún ahorro neto si los empleados dedican después más tiempo a corregir resultados.
Un cuadro de mando útil combina cuatro grupos:
- Tiempo: duración antes y después, incluida la revisión y la corrección.
- Calidad: porcentaje aceptado sin cambios, errores graves, omisiones y consistencia.
- Riesgo: intentos bloqueados, uso de datos no permitidos, permisos excesivos e incidentes.
- Impacto: volumen completado, plazo de respuesta, satisfacción y coste total por resultado válido.
La unidad de comparación debe ser una tarea terminada y correcta, no una respuesta generada. También conviene conservar una muestra de trabajo sin agente para evitar atribuir a la IA mejoras causadas por cambios de proceso, estacionalidad o experiencia del equipo.
Un plan de despliegue en seis pasos
- Elegir dos o tres procesos: frecuentes, reversibles y con datos disponibles.
- Documentar la línea base: tiempo, coste, calidad y errores antes de introducir el agente.
- Definir permisos y fuentes: listas explícitas de lectura y acciones, con propietarios.
- Crear procedimientos revisables: instrucciones versionadas, ejemplos, pruebas y criterios de abstención.
- Ejecutar un piloto: grupo representativo, soporte cercano y registro de incidencias.
- Ampliar por evidencia: solo los flujos que mejoren el resultado completo sin elevar el riesgo.
La ampliación no tiene que ser uniforme. Un equipo puede estar preparado para borradores automáticos, mientras otro mantiene acceso de solo lectura. Un flujo maduro puede permitir una edición reversible; otro debe seguir requiriendo confirmación en cada paso. La gobernanza eficaz adapta el nivel de autonomía al riesgo y a la evidencia acumulada.
Hechos, inferencias y predicciones
Hechos confirmados: Uber amplía ChatGPT Work desde 1.000 participantes a más de 30.000 empleados; integra herramientas corporativas; prepara una biblioteca interna de habilidades; ofrece formación; y mantiene Codex para desarrollo. OpenAI ha publicado controles administrativos y afirma que los datos empresariales no se emplean de forma predeterminada para entrenar sus modelos.
Inferencia razonable: el piloto debió resolver suficientes problemas de acceso, soporte y utilidad como para justificar una ampliación. No conocemos los umbrales, los costes ni las métricas que sustentaron esa decisión, así que no puede trasladarse automáticamente a otra organización.
Predicción: los despliegues empresariales tenderán a competir menos por el modelo y más por la calidad de sus procedimientos, conexiones, controles y datos. Las bibliotecas internas de habilidades pueden convertirse en un activo operativo comparable a los manuales y plantillas, siempre que tengan propietarios y pruebas.
El movimiento de Uber es una señal de escala, no una receta universal. La ventaja no está en dar acceso a 30.000 personas el primer día, sino en aprender con un grupo pequeño, convertir lo que funciona en procedimientos controlados y ampliar únicamente cuando la organización puede medir la calidad y recuperar el control ante un fallo.