Comprar licencias y enseñar prompts puede producir entusiasmo sin cambiar un solo resultado del negocio. La diferencia aparece cuando una prueba útil deja de depender de quien la descubrió y se convierte en una práctica compartida, con responsable, límites y una forma de medirla.
El 7 de agosto de 2026, OpenAI publicó el caso de HSP GRUPPE, una red europea de firmas independientes de asesoría fiscal, auditoría y derecho. Según la empresa proveedora, el espacio compartido con Kanzleipakt alcanzó 84% de uso activo semanal y más de 500.000 conversaciones entre el 1 de febrero y el 14 de julio de 2026. Son cifras del propio caso comercial, no una auditoría independiente, pero sirven para mirar algo más interesante que el volumen: cómo se organizó la adopción.
Lo que funcionó no fue dejar a cada persona sola
HSP combinó foros mensuales para compartir casos, reglas internas sobre datos y confidencialidad, revisión profesional y agentes compartidos para tareas concretas. Entre los ejemplos publicados aparecen un asistente para preparar comunicaciones a clientes y otro para apoyar la clasificación de consultas contables. La decisión final sigue en manos del especialista fiscal, legal o contable.
Ese diseño evita dos problemas frecuentes: que el conocimiento quede encerrado en quien mejor usa la herramienta y que una respuesta convincente salga sin que nadie asuma la responsabilidad. Capacitar sirve cuando mejora una práctica común; si cada persona improvisa por su cuenta, la empresa gana actividad pero no necesariamente capacidad.
La métrica útil no es cuánta gente abrió ChatGPT
OpenAI informa que 98,6% de las personas encuestadas reportó mayor productividad y que HSP estima unas 40.000 horas adicionales de capacidad anual. La propia fuente aclara que esa cifra es un escenario teórico de capacidad, no ingresos realizados ni garantizados.
Ese matiz importa. Una empresa no debería medir la adopción solo por usuarios activos o mensajes enviados. Conviene seguir qué tarea cambió, cuánto retrabajo bajó, cuántas excepciones llegaron a una persona y si el tiempo liberado terminó en mejor atención, entregas más rápidas o trabajo facturable.
Del experimento al flujo compartido
Una forma sobria de empezar es elegir un problema visible: consultas comerciales sin seguimiento, datos que se copian entre planillas, pedidos incompletos, turnos que nadie confirma o documentos internos que cuesta encontrar. Después hay que nombrar un responsable y acordar una medida: tiempo de respuesta, casos recuperados, datos completos, errores evitados u horas administrativas.
Recién entonces la IA puede redactar, clasificar, pedir información, resumir o preparar una recomendación. Los casos que demuestran valor se documentan y se convierten en un flujo reutilizable. Los que no mueven una métrica se corrigen o se descartan.
La decisión que conviene tomar
No hace falta capacitar a todo el equipo de golpe ni conectar una herramienta a todos los sistemas. Hace falta seleccionar un proceso, probar con un grupo chico, separar datos permitidos de datos sensibles y conservar una aprobación humana cuando hay una decisión profesional, un compromiso con un cliente o una acción irreversible.
La nota original que disparó este análisis hablaba de productividad y adopción en el trabajo desde la iniciativa británica de Google: Unlocking Britain’s next era of productivity. El nuevo caso de HSP agrega evidencia operativa concreta y puede consultarse en How HSP GRUPPE builds AI capabilities for tax advisory.
¿Querés aplicar algo parecido en tu empresa?
En Nolapenses podemos ayudarte a bajar esta idea a un flujo real de trabajo, con automatización, integración y derivación humana cuando hace falta.