OpenAI manda ingenieros a las empresas y convierte sus problemas en modelos. El agente de voz de una teleco pasó del 60 % a más del 90 %

OpenAI ha explicado cómo funciona su equipo de Forward Deployed Engineering, es decir, ingenieros que trabajan dentro de los propios clientes. El modelo de negocio es claro: la empresa recibe un sistema que funciona y OpenAI se lleva los problemas más difíciles, que convierte en productos y en mejores modelos.

Un equipo que debe volverse innecesario cada pocos meses

El texto lo firma Colin Jarvis, que dirige el equipo y lo fundó a principios de 2025. Durante la verificación, la página de openai.com bloqueaba el acceso automatizado, así que los datos proceden de dos copias independientes del texto completo que coinciden en las cifras. Jarvis quiere cerrar lo que OpenAI llama deployment gap: la distancia entre lo que un modelo sabe hacer sobre el papel y aquello en lo que la gente puede confiar en el trabajo.

El caso más detallado es el de un gran fabricante de chips cuyo nombre OpenAI no revela. A mediados de 2025 trabajaban allí unos 15 ingenieros en más de diez casos de uso de verificación de chips. Según el texto, la verificación se lleva alrededor del 70 % del esfuerzo de un proyecto de chip. Los sistemas llegaron a producción en un plazo de tres a seis meses. OpenAI habla de un ahorro de tiempo de cerca del 48 % en la generación de pruebas, una mejora mediana del 22 % en el rendimiento de kernels y una depuración que pasó de semanas a horas.

Cuando Codex maduró, el equipo trasladó los casos de uso a una base común construida en torno a él. Según OpenAI, eso eliminó cerca del 90 % del código a medida de cada proyecto. En un ejemplo de agosto de 2026, el primer despliegue tardó dos meses y extenderlo a un segundo equipo, un día. Jarvis lo resume diciendo que el equipo hace bien su trabajo si cada pocos meses se vuelve innecesario.

Los ingenieros aprenden en el cliente y el laboratorio se lleva la lección

El caso más revelador es el de una gran operadora de telecomunicaciones. La voz suponía alrededor del 90 % de su atención al cliente. El modelo de OpenAI partía de cerca del 60 % en las evaluaciones clave, insuficiente para producción. OpenAI se lo dijo al cliente y sumó a su equipo de investigación. En seis meses la puntuación subió al 80 % y luego por encima del 90 %. El modelo de voz resultante da servicio hoy también a otros clientes y al producto Presence.

El propio Presence, el producto de OpenAI para agentes de voz y chat, nació de despliegues en clientes a través del proyecto Swarm y la Agents API. Según OpenAI, un cliente ya atiende más de la mitad de sus llamadas con IA. Con Thrive Holdings se creó Tax AI para despachos contables, que en su piloto procesó 7000 declaraciones de impuestos y aumentó la productividad en torno a un 50 %.

El esquema recuerda a Palantir, que levantó toda una empresa sobre ingenieros destacados en sus clientes. OpenAI añade un paso más: lo que los ingenieros aprenden en un cliente puede acabar en el modelo que usan todos. Los competidores que solo venden una API no reciben ese flujo de problemas difíciles sacados de la operación real. Para los CTO y los responsables de compras, esto significa que junto con el sistema compran una relación en la que el proveedor llega a conocer sus procesos mejor que nadie.

Las cifras sobre los clientes las escribe el propio proveedor

Todos los datos proceden de OpenAI. El fabricante de chips y la operadora son anónimos, y el texto no publica datos, criterios de evaluación, tasas de error ni costes completos. Además, son casos elegidos por la propia OpenAI, así que los despliegues fallidos quedan fuera de la vista. Atención al gráfico del benchmark Audio Big Bench, donde la precisión subió del 65,6 % al 92,29 %. Es una medición distinta de la evaluación del cliente de telecomunicaciones y no conviene mezclar ambas cifras.

El texto tampoco dice quién puede acceder a un equipo así ni cuánto cuesta. Para una empresa europea mediana, el beneficio realista será lo que de estos proyectos acabe después en Codex o en Presence. La cuestión de los datos sigue abierta. Las evaluaciones y lecciones creadas en un cliente mejoran un modelo que OpenAI luego vende a otros, y el texto no describe las condiciones de los contratos.

Los contratos sobre datos y la experiencia de otros clientes dirán quién se queda el valor

La primera señal será si los clientes con nombre confirman los ahorros por su cuenta, fuera del blog del proveedor. La segunda, las condiciones contractuales: a quién pertenecen las evaluaciones que una empresa construye con los ingenieros de OpenAI y si pueden usarse para mejorar los modelos.

También conviene observar a qué velocidad llegan esas mismas prácticas a los productos estándar. Si ampliar a otro equipo lleva de verdad un día en lugar de dos meses, debería notarse pronto en clientes que nunca tuvieron su propio equipo de ingenieros de OpenAI.

El veredicto de Lilith

Una operadora pasó medio año enseñando a un modelo de voz a tratar con sus clientes, y esa voz ya terminada contesta ahora el teléfono en otras empresas. Quien abra sus procesos a los ingenieros de OpenAI debería leer la cláusula que dice de quién es la lección.