El AI Hub de OMV escala la confianza en toda la empresa

OMV ha ampliado su AI Hub de 500 a 2.500 usuarios mensuales, pese a las preocupaciones de seguridad que a menudo frenan la adopción empresarial. El titular de Google News presenta este caso como una historia de confianza a escala. Las propias cifras de OMV muestran algo más específico: el acceso controlado, las aplicaciones reutilizables y la formación de los empleados avanzan conjuntamente.

Esta combinación importa más que otro lanzamiento de chatbot corporativo. Las empresas suelen ofrecer a los empleados un asistente general, anunciar una participación inicial y tener dificultades para vincular el uso con el trabajo operativo. OMV, en cambio, afirma haber creado herramientas especializadas para investigación jurídica, normativas internas, comunicaciones e ingeniería offshore.

El caso de la empresa es prometedor, pero las evidencias siguen siendo incompletas. OMV informa de un fuerte crecimiento en prompts y participación, aunque no ha publicado mediciones independientes de productividad, tasas de error ni retornos financieros. Por tanto, la cuestión central no es OMV frente a otra empresa energética. Es la promesa de OMV de una IA fiable para toda la compañía frente a la realidad más difícil de demostrar un valor empresarial consistente.

Lo que OMV realmente cambió

OMV convirtió una colección de experimentos de IA en un único punto de acceso gobernado para herramientas, aprendizaje e información interna.

OMV lanzó el AI Hub en 2025 como una plataforma para toda la empresa con asistentes de IA generativa y recursos de aprendizaje relacionados. La compañía lo describe como un entorno seguro construido sobre Microsoft Azure e integrado en sus sistemas digitales existentes.

La plataforma presta servicio a una plantilla repartida entre puestos de oficina, industriales y offshore. El informe de OMV de agosto de 2026 indica que la empresa cuenta con más de 18.000 empleados en funciones que abarcan desde geología y perforación hasta derecho y analítica. Un anuncio corporativo independiente informó de unos 22.300 empleados en todo el mundo en 2025, reflejando el conjunto más amplio de OMV Group.

Esta diversidad organizativa genera un complejo problema de despliegue. Un abogado que revisa antecedentes de casos necesita fuentes y salvaguardas distintas de las de un ingeniero que busca informes técnicos. Un chatbot general no puede cubrir ambos contextos de forma fiable sin un diseño cuidadoso de los accesos a los datos y de las tareas.

La respuesta de OMV empieza con OMVicky, su asistente interno de uso general. La empresa afirma que la herramienta puede analizar documentos y conjuntos de datos de gran tamaño, además de ayudar con la lluvia de ideas, la redacción y la edición.

El Hub también contiene diez herramientas específicas para el negocio, según el informe sobre el AI Hub de la compañía. Entre ellas figuran un traductor, un asistente jurídico, un asistente de normativas y una herramienta que redacta contenido con la voz preferida de OMV.

El asistente jurídico utiliza dos terabytes de casos históricos. El Regulations Assistant ayuda a los empleados a buscar entre aproximadamente 1.500 normativas y procedimientos internos. Se trata de tareas de recuperación de información, en las que un sistema localiza material relevante antes de generar una respuesta.

Un Norwegian AI Companion aborda otro cuello de botella informativo. OMV afirma que se nutre de 2,5 millones de páginas de informes técnicos y ofrece respuestas integradas a los ingenieros de plataformas sin exigirles que busquen manualmente en numerosos documentos.

Estos ejemplos hacen que la iniciativa sea más sustancial de lo que sugiere por sí solo el resumen de Google News. OMV no se limita a situar un modelo de lenguaje detrás de un inicio de sesión corporativo. Está conectando modelos con colecciones internas seleccionadas y organizándolos en torno a trabajos reconocibles.

La empresa también afirma que las consultas permanecen dentro de su entorno controlado. Sus herramientas utilizan modelos de OpenAI como base, pero los empleados acceden a ellos a través de la infraestructura de OMV en lugar de interfaces públicas de consumo.

Esta distinción importa porque los documentos confidenciales representan una de las barreras más claras para la IA en el trabajo. Los empleados pueden querer ayuda para resumir contratos o registros técnicos, pero una herramienta pública puede introducir riesgos de tratamiento inaceptables.

El Hub ofrece a OMV una alternativa autorizada. Sin embargo, una interfaz interna no garantiza automáticamente respuestas precisas, controles de acceso completos ni una revisión humana adecuada. Estas cuestiones cobran mayor importancia a medida que el uso se extiende al trabajo operativo.

La historia de Google News trata realmente de adopción

El cambio significativo no es que OMV ofrezca herramientas de IA, sino que el uso recurrente creció junto con un programa de formación estructurado.

OMV afirma que la participación mensual aumentó de 500 usuarios en marzo de 2025 a 2.500 en diciembre. El volumen de prompts pasó de 50.000 a 250.000 durante el mismo periodo.

Ambas métricas se multiplicaron por cinco. Los prompts medios por usuario mensual se mantuvieron cerca de 100 en ambos extremos, según los totales comunicados. Ese patrón sugiere que el crecimiento provino principalmente de un mayor número de personas que utilizaban la plataforma, no de un grupo pequeño que generaba una actividad mucho más intensa.

Las cifras siguen requiriendo una interpretación cuidadosa. Los prompts son interacciones, no tareas completadas ni resultados verificados. Una conversación larga para corregir una respuesta débil puede generar más prompts que una búsqueda exitosa realizada en un único intento.

Aun así, la participación mensual recurrente es más significativa que los totales de registro. Muestra que al menos una parte de la plantilla volvió a la plataforma tras la exposición inicial.

El informe de digitalización de 2025 de OMV añade otra medida de adopción. Más de 10.000 empleados participaron en talleres y formación sobre IA generativa, el doble del alcance del año anterior.

La empresa combina sesiones de descubrimiento, expertos internos, prompts seleccionados y materiales de aprendizaje con las propias herramientas. También ha creado una ruta de aprendizaje de IA para distintos niveles de habilidades.

Esta capa de formación cambia el carácter del proyecto. Los empleados deben comprender qué datos pueden utilizar, dónde pueden fallar las respuestas generadas y cuándo una persona debe verificar el resultado. El acceso sin ese criterio puede aumentar el riesgo al tiempo que hace que la IA parezca ampliamente adoptada.

Los resultados anteriores de OMV muestran la rapidez con la que se desarrolló el programa. Su revisión de digitalización de 2024 describía más de 140 ideas de IA y 25 proyectos activos. También informó de millones de usos de herramientas internas basadas en GPT durante 2024.

Para 2025, OMV informó de más de 50 proyectos de IA activos, más de 40 proyectos en desarrollo y más de 210 ideas en su cartera. Estas cifras describen un portafolio en expansión, aunque no establecen cuántos proyectos produjeron rendimientos medibles.

La secuencia es destacable. OMV desarrolló primero servicios técnicos compartidos, incluidas capacidades de traducción, análisis de documentos y conversión de voz a texto. Después utilizó esos componentes para respaldar aplicaciones más especializadas.

Los componentes reutilizables pueden reducir el trabajo de ingeniería repetido. También hacen que la gobernanza sea más coherente, porque los equipos no necesitan crear sistemas independientes de identidad, registro o tratamiento de datos para cada piloto.

Esto ayuda a explicar la curva de adopción comunicada. Los empleados recibieron puntos de entrada específicos para sus tareas, en lugar de instrucciones para descubrir sus propios usos en una ventana de chat vacía.

El objetivo es mucho mayor que la participación actual. OMV quiere que los asistentes lleguen al 90 por ciento de su plantilla de oficina. También prevé ampliar el acceso a los trabajadores manuales mediante dispositivos portátiles.

Esta expansión pondrá a prueba si el modelo actual se traslada más allá de las funciones intensivas en documentos. Los entornos industriales implican interfaces, condiciones de conectividad, requisitos de seguridad y consecuencias ante respuestas inexactas diferentes.

La confianza depende de la arquitectura y el comportamiento

OMV está tratando la confianza como un sistema formado por infraestructura controlada, información relevante y el criterio de los empleados.

La arquitectura aborda la primera capa. OMV afirma que sus aplicaciones funcionan en un entorno corporativo y utilizan Microsoft Azure como plataforma de nube subyacente. Por tanto, los empleados reciben acceso centralizado en lugar de trasladar trabajo sensible a cuentas no gestionadas.

Este enfoque responde a un patrón extendido en el lugar de trabajo. Microsoft y LinkedIn informaron de que el 75 por ciento de los trabajadores del conocimiento encuestados utilizaban IA en el trabajo en 2024. Entre esos usuarios, el 78 por ciento llevaba sus propias herramientas de IA al lugar de trabajo.

Esa encuesta sobre IA en el trabajo cubrió a 31.000 personas en 31 mercados. Los resultados procedían de un proveedor tecnológico, pero ilustran el problema de gobernanza al que se enfrentan los grandes empleadores.

Cuando las herramientas autorizadas llegan lentamente, los empleados pueden adoptar por su cuenta servicios públicos. Ese comportamiento puede dispersar la información de la empresa entre cuentas, interfaces y proveedores que los equipos de seguridad no pueden supervisar de forma coherente.

Un Hub centralizado ofrece a OMV un lugar para aplicar controles de identidad y políticas de uso. También puede dar a los empleados una respuesta más clara cuando preguntan qué herramienta está aprobada para una tarea confidencial.

La segunda capa es el alcance de la información. Los asistentes especializados de OMV utilizan conjuntos seleccionados de material interno, incluidas normativas, casos jurídicos e informes técnicos. Este diseño se denomina habitualmente generación aumentada por recuperación, o RAG, porque los documentos recuperados proporcionan contexto para una respuesta.

RAG puede hacer que una respuesta sea más relevante para el trabajo de la empresa. No elimina las alucinaciones, en las que un modelo produce texto sin respaldo o incorrecto.

La calidad de la recuperación también depende de la actualidad de los documentos, los permisos, la indexación y la redacción de cada solicitud. Un asistente puede pasar por alto el documento correcto o combinar pasajes de forma engañosa.

La tercera capa es el comportamiento de los usuarios. Los empleados deben saber que un lenguaje fluido no equivale a un análisis verificado. También necesitan orientación específica para cada tarea sobre las entradas aceptables y la revisión obligatoria.

Aquí es donde el programa de formación de OMV pasa a formar parte del sistema de control. Los talleres y las sesiones de descubrimiento pueden enseñar a los empleados a formular solicitudes, examinar el material de apoyo y reconocer las tareas que exigen criterio experto.

El calendario también se alinea con la regulación europea. El artículo 4 de la EU AI Act exige que proveedores y responsables del despliegue promuevan la alfabetización en IA entre el personal que opera o utiliza sistemas de IA.

La disposición se aplica desde el 2 de febrero de 2025. Las autoridades nacionales comenzaron a supervisar y aplicar las normas en agosto de 2026, según la guía sobre alfabetización en IA de la Comisión Europea.

El requisito no impone un nivel universal de competencia. Las organizaciones deben considerar los conocimientos técnicos, la experiencia, la educación, la formación y el contexto en el que se utiliza un sistema.

La combinación de recursos de aprendizaje comunes y aplicaciones especializadas de OMV encaja con esa lógica sensible al riesgo. Un asistente de comunicaciones y un acompañante para ingeniería de plataformas no deberían requerir instrucciones ni supervisión idénticas.

Por tanto, la confianza no puede basarse en la promesa de que el modelo es seguro. Depende de que OMV pueda mantener alineados los límites de los datos, las colecciones de fuentes, los derechos de acceso, la formación y la responsabilidad humana a medida que crece la plataforma.

Para los trabajadores del conocimiento individuales, se aplica un principio similar. Una base de conocimiento útil necesita límites claros para las fuentes y disciplina de recuperación, no solo una interfaz conversacional.

Lo que las cifras de OMV no demuestran

El crecimiento del uso respalda la afirmación de adopción de OMV, pero todavía no verifica la productividad, la precisión, la seguridad ni el retorno financiero.

La empresa vincula el AI Hub con una entrega de proyectos más rápida, una mejor calidad del trabajo y una mayor seguridad. Estas siguen siendo conclusiones comunicadas por la empresa, no resultados auditados de forma independiente.

OMV no ha proporcionado públicamente una comparación controlada entre empleados que usan el Hub y quienes no lo usan. Tampoco ha divulgado horas verificadas ahorradas por tarea, reducciones de errores, tendencias de incidentes ni retornos de las aplicaciones individuales descritas.

Esta carencia no significa que las herramientas carezcan de valor. Significa que la evidencia respalda una conclusión más acotada: los empleados están utilizando el sistema con mayor frecuencia y OMV ha ampliado su cartera de aplicaciones.

El volumen de prompts es especialmente fácil de sobreinterpretar. Un prompt puede generar una respuesta útil, iniciar una búsqueda fallida, corregir una respuesta anterior o servir para una tarea de redacción de bajo valor. Tratar cada prompt como equivalente ocultaría esas diferencias.

Los totales mensuales de usuarios también necesitan contexto. Los 2.500 usuarios comunicados representan una audiencia interna significativa, pero siguen estando muy por debajo de la plantilla total de la empresa. La cifra cubre al asistente interno, mientras que la participación puede variar entre otras herramientas.

La participación en formación presenta una cuestión similar. Más de 10.000 asistentes a talleres demuestran alcance organizativo. La asistencia por sí sola no revela si los empleados retuvieron las orientaciones ni si cambiaron su forma de verificar el trabajo generado por IA.

Las aplicaciones especializadas plantean sus propias preguntas de medición. Un asistente de regulaciones debería evaluarse según si recupera la norma vigente correcta, conserva el contexto y muestra fuentes trazables.

La herramienta legal debería evaluarse en cuanto a confidencialidad, autoridad, exhaustividad y citas falsas. Un asistente de contenido necesita revisión de precisión factual, divulgación y coherencia con la política de la empresa.

El Norwegian AI Companion plantea riesgos operativos más elevados. Buscar entre 2,5 millones de páginas técnicas puede ahorrar tiempo, pero una respuesta incompleta también puede generar una confianza mal depositada. Los ingenieros necesitan una vía clara de regreso a los documentos autorizados.

OMV cita a Lexander Brouwer, responsable de Datos, IA y Transformación, quien afirma que el sistema puede analizar documentos complejos en segundos. Según la empresa, esa rapidez puede liberar a los empleados para el pensamiento crítico.

Sin embargo, la velocidad y la calidad pueden moverse en direcciones opuestas. Una recuperación más rápida solo crea valor cuando el material devuelto es pertinente, actual y se interpreta correctamente.

Las afirmaciones sobre seguridad merecen la misma precisión. Mantener las interacciones dentro de un entorno controlado por OMV reduce la exposición a herramientas de consumo no gestionadas. No elimina los riesgos derivados de permisos mal configurados, retención excesiva de datos, documentos maliciosos o cuentas comprometidas.

El uso de modelos de OpenAI a través de Azure también crea una dependencia por capas. OMV controla su entorno de aplicaciones e integraciones de datos, mientras que el comportamiento subyacente de los modelos sigue dependiendo en parte de proveedores tecnológicos externos.

Las actualizaciones de modelos pueden alterar la calidad de las respuestas o el comportamiento de rechazo. Por tanto, los asistentes especializados necesitan pruebas de regresión, que verifican si tareas conocidas siguen produciendo resultados aceptables después de cambios técnicos.

La gobernanza también debe abarcar el ciclo de vida del material fuente. Las regulaciones cambian, los registros legales se acumulan y los informes técnicos pueden quedar superados. Un asistente que recupera con seguridad un documento desactualizado puede parecer más útil de lo que realmente es.

La versión más sólida de la afirmación de confianza de OMV conectaría la adopción con evidencia a nivel de tarea. Eso implica publicar métricas como tasas de recuperación exitosa, precisión de las fuentes citadas, frecuencia de correcciones, retención de usuarios y tiempo ahorrado verificado.

El impacto financiero también importa. OMV afirma que prioriza proyectos con valor estratégico y financiero, pero sus materiales públicos no desglosan el coste ni el retorno del AI Hub.

Eso deja sin resolver la principal tensión. OMV parece haber construido una vía creíble desde la experimentación hasta el uso. Aún no ha demostrado si ese uso se traduce de forma consistente en valor operativo fiable.

El verdadero adversario de OMV es la cultura de los pilotos

El AI Hub cuestiona la creencia de que la IA empresarial debería expandirse mediante experimentos aislados liderados por equipos entusiastas.

La cultura de los pilotos parece segura porque limita la exposición inicial. Un departamento puede probar un chatbot, demostrar algunas tareas y evitar comprometerse con infraestructura compartida o formación amplia.

Ese enfoque se vuelve costoso cuando cada equipo repite el mismo trabajo. Los pilotos separados pueden crear distintas reglas de datos, revisiones de seguridad, interfaces, proveedores de modelos y métodos de evaluación.

OMV afirma que diseñó bloques de construcción reutilizables desde el principio. La empresa puede aplicar servicios comunes a la traducción, el análisis de documentos, la recuperación de información y la generación de texto, al tiempo que adapta cada aplicación.

Esta filosofía de “comprar antes que construir” también aparece en los informes anuales de OMV. La empresa menciona a Microsoft, SAP, Salesforce y SLB entre sus socios tecnológicos estratégicos.

Comprar servicios centrales puede acelerar el despliegue y trasladar parte del mantenimiento técnico a proveedores consolidados. Construir internamente capas específicas puede preservar flujos de trabajo y conocimiento propios de la empresa.

La contrapartida es la dependencia. Los servicios de los proveedores, el acceso a modelos, las condiciones de licencia y las hojas de ruta de producto pueden cambiar. Una plataforma centralizada puede amplificar esa exposición en muchas herramientas internas.

Un Hub compartido también crea riesgo de concentración. Si falla la identidad, la recuperación o el acceso a modelos, varios flujos de trabajo pueden verse afectados a la vez. La centralización simplifica la gobernanza, pero aumenta la importancia de la resiliencia y la planificación de contingencias.

La alternativa crea un riesgo diferente. Las herramientas fragmentadas pueden ocultar el movimiento de datos, duplicar gastos e impedir que las lecciones se trasladen entre departamentos.

El modelo de OMV opta por un control central con casos de uso distribuidos. Los equipos de negocio aportan problemas, mientras que una organización de IA compartida proporciona infraestructura, gobernanza y componentes reutilizables.

Esta estructura presiona a los líderes tecnológicos internos para que se comporten menos como guardianes y más como operadores de plataformas. Deben hacer que las herramientas aprobadas sean lo bastante útiles como para que los empleados no prefieran alternativas no gestionadas.

También cambia el papel de la formación. Un curso puntual de concienciación no puede respaldar una cartera que cambia continuamente. Los empleados necesitan orientación vinculada a herramientas, tareas y modos de fallo reales.

El sector energético hace que este desafío sea especialmente visible. OMV opera en plantas industriales, entornos de campo, funciones corporativas y actividades reguladas. Estos contextos tienen distintas tolerancias al error y a la automatización.

Un borrador de marketing incorrecto puede corregirse antes de su publicación. Una respuesta técnica incompleta podría afectar una decisión de mayor riesgo. Los controles de confianza deben reflejar esa diferencia.

El enfoque de Google News enfatiza la confianza de los empleados, pero la confianza no debería convertirse en una dependencia incondicional. El objetivo más útil es una confianza calibrada, en la que los usuarios comprendan tanto el valor de una herramienta como sus límites.

La confianza calibrada es más difícil de medir que el volumen de prompts. Se manifiesta en comportamientos como comprobar citas, escalar respuestas inciertas y negarse a usar IA para decisiones inadecuadas.

OMV puede reforzar su argumento demostrando que estos comportamientos crecen junto con la adopción. De lo contrario, un mayor uso podría reflejar comodidad sin demostrar una integración responsable.

El enfoque de la empresa sigue ofreciendo una lección útil para el sector. La IA empresarial escala mediante diseño organizativo tanto como mediante capacidad de los modelos. El acceso seguro, las fuentes pertinentes, los componentes reutilizables y la formación continua deben funcionar como un único sistema operativo.

Qué observar tras la atención de Google News

Tres señales mostrarán si el AI Hub de OMV se está convirtiendo en infraestructura fiable o si sigue siendo un programa de adopción bien gestionado.

La primera señal es la presentación de resultados a nivel de tarea. OMV debería ir más allá de los usuarios y los prompts hacia resultados verificados para aplicaciones individuales.

Para el Regulations Assistant, las métricas útiles incluirían precisión de recuperación, actualidad de las fuentes, solicitudes no resueltas y correcciones tras revisión humana. Para el análisis de documentos, OMV podría informar de resultados aceptados y tiempo ahorrado en tareas definidas.

La evidencia de una calidad sostenida reforzaría la afirmación de la empresa de que las herramientas reutilizables mejoran el trabajo. El aumento de prompts sin métricas estables de calidad la debilitaría.

La segunda señal es la adopción más allá del trabajo de conocimiento basado en oficina. OMV quiere extender los asistentes a trabajadores manuales que usan dispositivos portátiles.

Esa expansión pondrá a prueba el diseño de interfaces, la conectividad, el soporte de idiomas y los controles de seguridad. También mostrará si el Hub puede atender a empleados cuyo trabajo no se centra en documentos y software de escritorio.

Una adopción exitosa en el campo debería incluir acceso claro a las fuentes y vías de escalamiento. Un simple aumento en la disponibilidad de dispositivos no sería suficiente.

La tercera señal es la gobernanza bajo una aplicación activa de la normativa europea. Las obligaciones de alfabetización en IA ya están en vigor, mientras que requisitos más amplios de transparencia y riesgo dan forma ahora a los despliegues empresariales.

OMV afirma que su gobernanza se alinea con la EU AI Act y aborda la privacidad, el sesgo y la explicabilidad. La próxima prueba llegará mediante controles documentados, formación continua y evidencia de que las aplicaciones reciben una supervisión diferente según el riesgo.

Estas señales importan más que otra lista de asistentes. Muestran si OMV puede preservar la confianza cuando cambian los usuarios, las colecciones de fuentes, los modelos y las expectativas regulatorias.

La empresa ya ha superado un obstáculo importante. Creó una plataforma autorizada que los empleados parecen dispuestos a utilizar y combinó el acceso con una formación sustancial.

El obstáculo restante es más difícil. OMV debe demostrar que el uso frecuente produce trabajo correcto, trazable y valioso en entornos muy diferentes.

Esa es la pregunta que los lectores deberían llevar más allá del titular de Google News. Si su organización está escalando la IA en el trabajo, pregúntese qué evidencia hay detrás de su panel de adopción. Cuente usuarios, pero también haga seguimiento de correcciones, calidad de las fuentes, revisión humana y resultados medibles por tarea. La confianza crece cuando los empleados pueden ver por qué una respuesta merece credibilidad, cuando saben dónde comienzan sus límites y cuando la organización informa de los fallos con el mismo cuidado que de los éxitos.