Pasar de tres días de trabajo de cinco especialistas a 30 minutos suena como una historia sobre potencia. En realidad, es una historia sobre límites. Una IA puede investigar, ordenar información, ejecutar pruebas y revisar resultados con velocidad, pero el ahorro aparece cuando recibe una tarea concreta y trabaja dentro de un entorno donde alguien decidió qué datos puede usar, qué sistemas puede tocar y quién valida la salida.
OpenAI publicó el 22 de julio el caso de NTT DATA Group. La empresa informa que amplió Codex a unas 9.000 personas y que un análisis complejo de incidente, antes realizado por cinco ingenieros experimentados durante tres días, se completó en 30 minutos. La fuente original también describe un centro interno de excelencia, guías de seguridad, capacitación y seguimiento de uso. Es un caso presentado por el proveedor, así que conviene tomar sus cifras como resultados reportados por las compañías, no como garantía automática para cualquier organización.
El ahorro no se compra en una licencia
La tentación es quedarse con el titular y buscar una herramienta para “hacer lo mismo”. Ese atajo suele terminar en pruebas sueltas: cada persona carga archivos distintos, pide resultados con criterios diferentes y revisa como puede. Hay actividad, pero no existe un proceso que el equipo pueda repetir ni auditar.
NTT DATA describe otra secuencia. Primero hubo uso cotidiano, prácticas compartidas y un equipo responsable de validar casos. Después se delegaron tareas bien definidas. Además, las pautas establecieron qué información estaba permitida, a qué sistemas podía conectarse Codex, cómo se manejaba el tráfico, qué nivel de ejecución era aceptable y dónde debía intervenir una persona.
Esa preparación no es burocracia agregada a la IA: es lo que evita que una respuesta rápida se convierta en un problema difícil de rastrear. Si nadie sabe qué archivos se analizaron, qué prueba se ejecutó o qué criterio confirmó el resultado, los 30 minutos pueden ahorrar tiempo hoy y generar una investigación más cara mañana.
La oportunidad también existe fuera de sistemas
La publicación menciona usos no técnicos: organizar archivos, analizar planillas, resumir documentos y trasladar gastos desde resúmenes de tarjeta a formularios. Son tareas menos vistosas que un agente autónomo, pero se parecen mucho más al trabajo real de la mayoría de los negocios.
Un comercio puede empezar por conciliar pedidos que llegan por distintos canales. Un estudio puede extraer datos de documentos y marcar faltantes. Un equipo comercial puede revisar consultas sin seguimiento y proponer próximos pasos. En todos los casos, el valor aparece cuando hay una entrada conocida, reglas explícitas, una salida comprobable y un responsable.
Cómo elegir el primer proceso
Conviene buscar una tarea frecuente, costosa en tiempo y con errores visibles. Después hay que escribir qué significa terminar bien. Si la salida es una planilla, ¿qué columnas son obligatorias? Si es un análisis, ¿qué evidencia debe citar? Si modifica un sistema, ¿qué acción requiere aprobación? Y si faltan datos, ¿el flujo se detiene o deriva?
La IA puede acelerar la investigación y ejecutar lo repetitivo, mientras una persona conserva el criterio en decisiones sensibles o excepciones. El objetivo no debería ser copiar el récord de 30 minutos, sino construir un proceso más corto que siga siendo entendible, reversible y medible cuando cambie la herramienta o el equipo.
¿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.