Periodo de observación: del 22 de octubre de 2026 a las 09:00 al 29 de octubre a las 09:00, hora de Pekín. Solo se consideran novedades los planes de despliegue, la información empresarial, las investigaciones y los avances de producto publicados oficialmente durante este periodo; los casos de clientes que ya estaban en funcionamiento se identifican expresamente como contexto, sin volver a presentarlos como primicias.
Introducción
La IA empresarial ha entrado en una fase más difícil, pero también más valiosa: pasar de «saber redactar y responder» a «integrarse realmente en los procesos de la organización». Esta semana, Uber anunció que ampliará su piloto de ChatGPT Work, de unas mil personas, a un despliegue para toda la plantilla que abarcará a más de 30.000 empleados; ServiceNow publicó la variación interanual del uso de agentes en entornos de producción; y SAP dio a conocer experiencias de clientes en los ámbitos de finanzas y compras. Por otro lado, una encuesta basada en las declaraciones de las propias empresas señala costes imprevistos y problemas de gobernanza derivados de los agentes, mientras que Google, IBM y Akamai refuerzan la infraestructura técnica mediante el aislamiento de la ejecución, las credenciales de identidad y el control de permisos, respectivamente.[1][2][3][4][6][7][8]
Conviene evitar dos espejismos numéricos: habilitar cuentas no equivale a un uso continuado por parte de los empleados, y los ahorros declarados por los proveedores tampoco equivalen a un retorno de la inversión verificado de forma independiente. Este artículo distingue entre «inicio del despliegue», «uso existente», «volumen de consumo en producción» y «versión beta del producto», para no confundir avances con distintos grados de madurez.
Noticia principal | Uber amplía ChatGPT Work de un piloto de 1.000 personas a más de 30.000 empleados
Uber anunció oficialmente el 22 de octubre que pondrá ChatGPT Work a disposición de más de 30.000 empleados en todo el mundo como plataforma de agentes para el trabajo del conocimiento en la empresa, ampliando el alcance del piloto anterior, que abarcaba a unas 1.000 personas. No se trata simplemente de dar acceso a un chat: según explica la propia Uber, la plataforma se conecta con herramientas de uso diario como Google Drive, Gmail, Google Calendar y Slack, y permite a los empleados solicitar que recopile información de distintas aplicaciones, prepare documentación para reuniones, organice presentaciones y analice datos. Los equipos de desarrollo de software seguirán utilizando Codex, ya que ambos productos tienen funciones diferentes.[1]
La lección más útil de este despliegue para otras empresas reside en las condiciones necesarias para extenderlo a toda la organización. Uber también menciona una biblioteca interna de AI Skills, conectores aprobados y formación específica para los empleados. Sin estos elementos de apoyo, un mismo modelo puede utilizar distintas vías de salida de datos, permisos para compartir y procedimientos operativos en cada departamento, lo que dificulta las auditorías a medida que aumenta la escala. Pasar de un piloto de mil personas a toda la plantilla refleja que el proyecto ya contempla las compras, los permisos, la formación y los mecanismos de colaboración entre áreas de negocio, y no solo una prueba de rendimiento.[1]
Sin embargo, el anuncio no afirma que «30.000 personas ya lo utilicen activamente a diario», ni ofrece cifras sobre el ahorro medio de horas de trabajo, los beneficios económicos o el coste de las llamadas por persona. Uber indica que compartirá más adelante datos de adopción y resultados cuantificables. La interpretación correcta es: el despliegue para toda la plantilla está confirmado, pero el uso efectivo generalizado y el retorno real de la inversión aún requieren pruebas. Otras empresas pueden evaluar los beneficios de ampliar el despliegue mediante la tasa de finalización de solicitudes, la tasa de ejecución correcta de tareas entre sistemas, el tiempo dedicado a la revisión humana, el número de accesos o acciones que exceden los permisos y el coste total por tarea, en lugar de utilizar el número de registros como indicador de éxito.[1]
Noticia 1｜ServiceNow revela por primera vez que el consumo de agentes en producción se ha multiplicado por más de 13 interanual
En la presentación de sus resultados operativos del tercer trimestre del 28 de octubre, ServiceNow afirmó que, según las métricas de su plataforma, el consumo de agentes por parte de los clientes en entornos de producción en lo que va de año se ha multiplicado por más de 13 respecto al mismo periodo del año anterior. Esto no equivale al número de agentes mostrados en demostraciones ni a una previsión de cuántas licencias se venderán el próximo año; al menos describe una expansión del uso en producción observada por el proveedor de la plataforma. Sin embargo, el texto del informe de resultados no publica una unidad de medida homogénea para ese «consumo», su distribución entre los clientes ni la eficacia de cada tarea, por lo que no cabe deducir que los ingresos o la eficiencia también se hayan multiplicado por 13.[2]
El mismo comunicado señala que HPE ha elegido ServiceNow para transformar la atención al cliente y el servicio de campo de su negocio de nube e IA, y que Stagwell ha optado por integrar cuatro sistemas de asistencia en una plataforma de gobernanza que abarca más de 70 agencias. Se trata de decisiones de compra y líneas de implantación anunciadas ese día, no de proyectos que puedan darse por plenamente entregados. Los casos de clientes como Bundesliga, Thrive e INRY que repasa el comunicado ya se habían anunciado por separado; esta edición no los considera nuevas implantaciones realizadas el 28 de octubre. Las empresas deberían dejar de centrarse en «qué agentes hay» y empezar a preguntarse «cuánto consumen realmente, cuántas tareas completan y quién responde cuando se equivocan».[2]
Noticia 2｜SAP anuncia que 45.000 clientes de la nube utilizan IA, pero los resultados declarados aún deben desglosarse por proceso
Para los equipos financieros y de cadena de suministro, un verdadero experimento controlado debería mantener constantes el volumen de actividad, la proporción de excepciones y los niveles de servicio, e incluir en un mismo informe la detección automática de problemas, la validación final por parte del personal financiero, el trabajo que el sistema debe repetir y los costes de los modelos. La cifra de 45.000 corresponde al número de clientes que utilizan sus productos de IA, no a 45.000 proyectos de agentes que ya funcionen de forma plenamente autónoma.[3]
Noticia 3｜Una encuesta de Redwood advierte: un agente escalable no es necesariamente un agente gobernable
El 22 de octubre, Redwood publicó los resultados de una encuesta a 300 profesionales y directivos de las áreas de tecnología, riesgos e IA, según la cual el 77 % de los encuestados había experimentado consecuencias negativas causadas por agentes sin mecanismos de gobernanza. La más habitual fueron los costes inesperados de la nube, seguidos de las interrupciones operativas y los problemas de cumplimiento normativo. La encuesta también indica que el 42 % afirma disponer de un registro centralizado de los agentes desplegados y el 51 % dice contar con supervisión de su actividad en tiempo real. Lo que se mide aquí son las experiencias y capacidades organizativas declaradas por los encuestados; no puede afirmarse que el 77 % de las empresas del mundo haya sufrido incidentes reales confirmados.[4]
La encuesta fue encargada por Redwood y se centra en su negocio de automatización, por lo que deben tenerse en cuenta el tamaño y la composición de la muestra, así como los posibles sesgos de selección. Aun así, plantea una cuestión práctica: si una empresa permite que los agentes operen en sistemas contables, CRM, sistemas de gestión de incidencias y repositorios de código, pero no dispone de responsables identificables, un inventario de herramientas, un mecanismo de pausa y un sistema de imputación de costes por tarea, resultará difícil reconstruir lo ocurrido tras un incidente. Frente a limitarse a aumentar el número de agentes, ofrece más garantías establecer de antemano un inventario de activos, reglas de aprobación y mecanismos de seguimiento de costes.[4]
Noticia 4｜Los agentes financieros empiezan a conectar la recepción de facturas, la aprobación y el pago, pero no se pueden obviar los límites de sus permisos
El 22 de octubre, Tipalti anunció AP Agent, diseñado para coordinar la recepción de facturas, la asignación de cuentas contables, la aprobación, el pago y la conciliación en un mismo flujo de trabajo, además de proporcionar datos financieros a herramientas de IA empresariales autorizadas a través de MCP. Su diseño hace hincapié en las explicaciones a nivel de campo, los registros de operaciones que permiten su trazabilidad, la capacidad del personal financiero para cuestionar o anular las decisiones del agente y la autonomía de la empresa para decidir qué pasos pueden ejecutarse automáticamente.[5]
Se trata de información publicada por el proveedor sobre nuevos productos y capacidades; los materiales originales no aportan datos suficientes para verificar de forma independiente la tasa de éxito de los pagos de los clientes ni la evolución de los costes a largo plazo. Las empresas que quieran implantar estas soluciones deben distinguir primero entre «consultar el estado de una factura», «sugerir cuentas contables», «preparar órdenes de pago» y «desembolsar fondos»: esta última acción debe someterse a aprobaciones más estrictas en función del importe, el destinatario y los permisos. Incorporar MCP no significa que se puedan eludir los permisos existentes del ERP, la doble revisión bancaria ni la auditoría de pagos.[5]
Noticia 5｜Google, IBM y Akamai completan en tres niveles las condiciones necesarias para operar agentes en producción
Entorno de ejecución. El 22 de octubre, Google Cloud presentó Agent Compute Engine: ofrece a los agentes microVM con aislamiento por hardware, identidades de corta duración y espacios de trabajo persistentes, y pausa las instancias inactivas mientras esperan la respuesta de un modelo o una aprobación humana para controlar el consumo de recursos. Esta infraestructura ya se utiliza en cargas de trabajo internas de agentes Gemini en Google, pero se sigue previendo que la versión preliminar de Agent Compute Engine para clientes externos llegue en los próximos meses. No se puede presentar la experiencia de uso interno como si se tratara de un servicio comercial ya disponible para todos los clientes empresariales.[6]
Identidad y autorización. El 27 de octubre, IBM anunció el uso de HashiCorp Vault y Agent Identity para gestionar las identidades de los agentes, las credenciales de corta duración y la revocación de permisos bajo demanda. watsonx Orchestrate también pone el énfasis en la detección, el aislamiento, la evaluación y los controles de parada entre plataformas. Algunas funciones de detección y aislamiento siguen identificadas como versiones preliminares de la tecnología. Frente a la práctica tradicional de asignar claves de administrador de larga duración a cuentas de bots, este diseño se centra en «quién es responsable del agente, a qué puede acceder y cuándo deben revocarse sus permisos», cuestiones que las empresas deben resolver antes de conectar los agentes a sistemas de producción.[7]
Límites de ejecución. El 27 de octubre, Akamai lanzó las versiones beta de Akamai Inference y Agent Sandbox: el primero ofrece acceso gestionado a modelos, mientras que el segundo utiliza el ecosistema Spin y WebAssembly para aislar el código generado por agentes y limitar el uso de recursos de cómputo y memoria, las conexiones externas y las capacidades del sistema. Ambos están en fase beta, por lo que no deben describirse como servicios plenamente disponibles y listos para su uso comercial en producción. Las soluciones de las tres empresas no son completamente intercambiables: las microVM proporcionan un aislamiento relativamente robusto; los componentes como Vault gestionan identidades y secretos; y los entornos aislados de Wasm restringen las capacidades del código ejecutable. Al elegir una solución, también hay que valorar la latencia, la observabilidad y la complejidad operativa.[6][7][8]
Cifras de un vistazo｜Antes de cada cifra, hay que mirar el denominador
- 1.000 → más de 30.000: número de participantes en la prueba piloto y alcance de la disponibilidad para toda la plantilla anunciados por Uber; no son usuarios activos diarios ni horas de trabajo ahorradas.[1]
- Más de 13 veces: incremento interanual del consumo de agentes en producción en lo que va de año comunicado por ServiceNow; no se ha publicado una base de referencia de negocio que permita convertirlo directamente en ROI.[2]
- 45.000: número de clientes en la nube que, según SAP, utilizan sus soluciones de IA; no debe interpretarse como el número de proyectos independientes de agentes en producción.[3]
- 300 personas, 77 %: tamaño de la muestra de la encuesta de Redwood y porcentaje de encuestados que declararon consecuencias negativas; no es la tasa de incidentes del conjunto del sector.[4]
- 0 imágenes: en esta edición no se han utilizado logotipos de proveedores, imágenes decorativas ni fotografías promocionales de procedencia incierta como prueba de resultados en producción.
Análisis de ingeniería｜De las demostraciones de modelos a una entrega sostenible: hay que superar al menos cinco filtros
El primero es delimitar el ámbito de trabajo. Empieza por elegir procesos con entradas, acciones permitidas y criterios de aceptación claros, como la revisión preliminar de anomalías financieras, la búsqueda de conocimiento interno, la clasificación de consultas de atención al cliente o la organización de tickets de TI. Establece distintos niveles de autorización para «buscar, recomendar, enviar y pagar». Que un agente pueda generar respuestas precisas no significa que deba tener permiso para actualizar directamente los registros contables en producción.[5][7]
El segundo es la identidad y los secretos. Defina para cada agente una persona responsable, credenciales de corta duración, herramientas disponibles y permisos mínimos. Mantenga, en la medida de lo posible, el navegador y el entorno de ejecución de código separados de las claves de larga duración; canalice las acciones de alto riesgo a través de una pasarela con registro de auditoría. Este es el plano de control al que apuntan las propuestas de IBM, Google y Akamai de esta semana, aunque su disponibilidad varía según el proveedor.[6][7][8]
El tercero es la revisión humana y el funcionamiento degradado ante incidencias. Mantenga una vía de intervención humana para las tareas que no encajen en las reglas, generen resultados con un nivel de confianza bajo, superen el presupuesto o sufran fallos de sistemas externos. Incluya el tiempo dedicado a revisar, deshacer y repetir el trabajo; no equipare la velocidad de una única inferencia del modelo con una mejora de eficiencia del proceso completo.[4][5]
El cuarto es el registro de costes. Como mínimo, registre para cada tarea completada los costes de los tokens, las llamadas a herramientas, la ejecución del entorno, el almacenamiento, los registros, los reintentos y el trabajo humano. Cuanto más complejo sea el agente, más probable será que los entornos inactivos y las llamadas repetidas reduzcan las ventajas de un «coste bajo por token»; antes de contratar, establezca una referencia de coste por tarea con una pequeña muestra de casos reales.[4][6]
El quinto es la validación de los resultados de negocio. Registre por separado el número de empleados con permisos de acceso, los usuarios activos semanales, las tareas completadas, las correcciones humanas, la satisfacción del cliente final y los resultados financieros. Los datos publicados por Uber y SAP son indicadores de alcance y adopción; los de ServiceNow son indicadores de uso de la plataforma en producción. Todos representan avances valiosos, pero habrá que esperar a disponer de datos sobre los resultados por tarea para calcular un retorno de la inversión verificable.[1][2][3]
Próximos puntos de atención
Habrá que observar si Uber publica el número real de usuarios, la calidad de las tareas completadas y los incidentes de seguridad entre aplicaciones; si ServiceNow aclara la metodología de medición del consumo en producción multiplicado por 13 y sus beneficios para el negocio; si los pilotos de SAP dan lugar a análisis de clientes con una referencia inicial y un desglose de los costes humanos; y cuáles serán las condiciones y los precios para que Google Agent Compute Engine y Akamai Sandbox pasen de las versiones preliminares y las pruebas a estar disponibles de forma general para su uso en producción.[1][2][3][6][8]
Nota sobre las fuentes y la eliminación de duplicados: esta edición se basa en páginas corporativas originales publicadas por primera vez entre el 22 y el 28 de octubre, y se ha cotejado tema por tema con la edición anterior del «Boletín semanal de IA en la práctica» para evitar repeticiones. En esta ocasión no se pudo acceder a NIUX /blog/rss.xml; el listado público del blog es una versión en caché que no abarca todos los borradores y páginas publicadas en los últimos 14 días, por lo que no se ha completado una comprobación exhaustiva de duplicados en todo el sitio para ese periodo de 14 días. Todos los datos operativos de los proveedores se identifican expresamente como declarados por ellos mismos; no se han obtenido imágenes originales fiables y directamente relacionadas con las fuentes de esta edición: 0 imágenes en el cuerpo y 0 imágenes de portada.
Fuentes de referencia
- Uber pone ChatGPT Work a disposición de todos sus empleados con OpenAI — Uber, consultado el 2026-10-29
- ServiceNow presenta los resultados financieros del tercer trimestre de 2026 — ServiceNow, consultado el 2026-10-29
- Novedades destacadas de IA del tercer trimestre de 2026 — SAP News Center, consultado el 2026-10-29
- El 77 % de las empresas ha pagado un precio por los agentes de IA sin gobernanza — Redwood Software, consultado el 2026-10-29
- Tipalti impulsa la IA agéntica con el nuevo AP Agent para aportar mayor autonomía a las operaciones financieras — Tipalti, consultado el 2026-10-29
- Presentamos Agent Compute Engine y una gobernanza ampliada de los agentes — Google Cloud, consultado el 2026-10-29
- IBM presenta funciones de identidad y control para agentes de IA que protegen la inteligencia de vanguardia en el entorno empresarial — IBM Newsroom, consultado el 2026-10-29
- Akamai lanza un servicio de inferencia de IA y un entorno de ejecución de agentes — Akamai, consultado el 2026-10-29
