El dato de OpenAI que cambia cómo se piensa el trabajo
🟠 TG Tecno · Inteligencia artificial · 15 de agosto, 2026
OpenAI publicó un informe midiendo cómo cambió el trabajo dentro de su propia empresa, y hay un número que resume todo: sus usuarios más intensivos generan más de 60 horas de trabajo de agentes por día. No por semana. Por día.
En resumen
- Uno de cada cuatro usuarios le pidió a un agente una tarea que a una persona le habría llevado más de ocho horas.
- Los usuarios que más crecen no son programadores: crecieron 137 veces entre los individuales y 189 veces en organizaciones.
- Dentro de OpenAI, hasta las áreas legal, financiera y de contratación pasaron a usar agentes como herramienta principal.
- Nada de esto necesita una computadora especial. Pero hay un caso donde sí, y es el que más importa acá.
Qué cambió: de responder a ejecutar
La diferencia entre un chatbot y un agente es la unidad de trabajo.
Un chatbot responde: le preguntás algo, te contesta, se termina ahí. Un agente ejecuta. Trabaja solo durante minutos u horas, usa herramientas, interactúa con sistemas y va corrigiendo hasta llegar a un resultado.
Eso cambia lo que se le puede pedir. Se pasa de hacer una consulta a delegar una tarea.
Los números del informe
OpenAI midió qué porcentaje de sus usuarios individuales pidió al menos una tarea que a una persona le habría llevado determinado tiempo. Los datos son de mayo de 2026.
| Tarea equivalente a | Usuarios que la pidieron |
|---|---|
| Más de 30 minutos de trabajo humano | 80,6% |
| Más de una hora | 70,2% |
| Más de ocho horas | 25,6% |
OpenAI aclara que estas estimaciones son direccionales y no exactas, y que salen de una muestra aleatoria del 0,1% de sus usuarios.
Lo que más sorprende del informe
Codex nació como una herramienta para programar. Lo esperable era que la usaran programadores.
Pero los que más crecieron son los que no programan. Desde agosto de 2025, los usuarios no desarrolladores se multiplicaron por 137 entre los individuales y por 189 entre las organizaciones. Los desarrolladores también crecieron, pero bastante menos.
Dentro de la propia OpenAI, ingeniería fue la primera área en adoptarlo, hacia diciembre de 2025. Pero legales, finanzas y contratación cruzaron el mismo umbral en abril de 2026, y lo hicieron mucho más rápido. Hoy un abogado o un reclutador de esa empresa genera más del 85% de su trabajo con inteligencia artificial a través de agentes.
Una herramienta hecha para programar terminó siendo la principal del área legal. Eso dice más sobre hacia dónde va el trabajo que cualquier proyección.
Se corren los límites entre tareas
Hay un dato del informe que explica por qué esto importa más allá de la productividad.
Más de la cuarta parte del trabajo que hicieron con agentes las personas de áreas de negocio fue de ingeniería o programación. Gente de finanzas, marketing y operaciones haciendo automatizaciones, transformación de datos, herramientas internas y análisis estructurado.
La conclusión de OpenAI es que los agentes bajan el costo de cruzar entre disciplinas: permiten hacer trabajo contiguo al propio que antes requería pedirle a otra área.
Y acá viene la parte que nadie aclara
Todo lo anterior no necesita una computadora especial. Codex corre en los servidores de OpenAI: se usa desde un navegador y funciona igual en una máquina de hace ocho años que en una recién comprada.
Conviene decirlo porque circula bastante lo contrario. Si tu uso de la inteligencia artificial pasa por servicios en la nube, cambiar de equipo no te va a mejorar nada de eso.
Hay un solo caso donde el hardware decide, y es el que más aparece en las consultas que recibimos.
Cuando los datos no pueden salir
El informe muestra áreas legales, financieras y de contratación usando agentes de forma intensiva. Son justamente las áreas que trabajan con la información más sensible de una empresa.
Y ahí aparece el problema: hay contratos, historias clínicas, información de clientes y desarrollos propios que no pueden salir de la organización, sea por contrato, por regulación o por política interna.
Para esos casos existe correr los modelos de forma local, en un equipo propio. Ahí sí el hardware es lo que define qué se puede hacer, y lo que manda no es la potencia sino la memoria de la placa de video.
Qué hace falta para correr modelos en local
| Memoria disponible | Qué modelos entran |
|---|---|
| 8 GB | Modelos chicos, de 7 u 8 mil millones de parámetros |
| 16 GB o más | Modelos de 30 mil millones en adelante |
| 128 GB unificados | Modelos de hasta 200 mil millones de parámetros |
La última fila corresponde a los equipos diseñados específicamente para esto, como el NVIDIA DGX Spark y el AMD Ryzen AI Halo. Los dos primeros escalones se cubren con notebooks o computadoras de escritorio con placa de video dedicada.
Preguntas frecuentes
| ¿Qué diferencia hay entre un chatbot y un agente? | El chatbot responde una consulta y se termina ahí. El agente trabaja solo durante minutos u horas, usa herramientas e itera hasta llegar a un resultado. Se pasa de preguntar a delegar. |
| ¿Necesito una computadora especial para usar IA? | Si usás servicios en la nube como ChatGPT o Codex, no: funcionan desde cualquier equipo con navegador. El hardware solo importa si vas a correr modelos de forma local. |
| ¿Cuándo conviene correr modelos en local? | Cuando la información no puede salir de la organización por contrato, regulación o política interna. También cuando el volumen de uso hace que el costo por consulta de un servicio en la nube deje de cerrar. |
| ¿Qué define qué modelo puedo correr? | La memoria disponible para la placa de video, no la potencia del procesador. Con 8 GB entran modelos de 7 u 8 mil millones de parámetros; con 16 GB o más, los de 30 mil millones en adelante. |
| ¿Esto aplica solo a empresas grandes? | No. El informe muestra que el crecimiento más rápido está entre usuarios individuales y áreas no técnicas, no en equipos de ingeniería de grandes compañías. |
Qué hacer con esto
Empezá por el uso, no por el equipo. Si lo que necesitás lo resuelve un servicio en la nube, resolvelo ahí. Comprar hardware para eso es gastar en una capacidad que no vas a usar.
Y si hay información que no puede salir, ahí conviene conversarlo. Contanos qué modelos querés correr y con qué datos vas a trabajar, y te asesoramos sobre qué equipo se adapta. La respuesta correcta depende del modelo puntual, no del presupuesto.
Trabajamos desde notebooks con placa de video dedicada hasta equipos diseñados específicamente para inteligencia artificial local, que podés ver en equipos de escritorio.
Los datos de esta nota están tomados del informe How agents are transforming work, publicado por OpenAI el 25 de junio de 2026. La empresa aclara que las estimaciones de tiempo son direccionales y no exactas.
¿Estás evaluando IA local?
Con TG Deploy acompañamos la definición del equipamiento: qué modelos querés correr, con qué datos trabajás y qué hardware corresponde. Importación, factura A y seguimiento durante todo el ciclo.
TG Tecno · ventas@tgtecno.com.ar · 25 años, lo último en tecnología simple y rápido
Más de 920 calificaciones 5 estrellas en Google