El caso OpenAI Univ muestra que la apuesta de Univé por una fuerza laboral con IA depende de la gobernanza

El caso OpenAI Univ muestra que Univé está superando las pruebas aisladas de IA: el 97% de sus licencias de ChatGPT Enterprise han sido activadas en la aseguradora neerlandesa. OpenAI afirma que el 85% de los empleados con licencia utiliza la plataforma semanalmente. Estas cifras sugieren una adopción amplia, pero la historia más relevante es cómo Univé organizó esa adopción.

Univé no entregó el proyecto a un laboratorio de innovación para esperar aplicaciones terminadas. Pidió a los directivos que generaran espacio para la experimentación, estableció controles de gobernanza desde el principio y permitió que los empleados rediseñaran sus propios flujos de trabajo. Según se informa, este enfoque liderado por los empleados ha dado lugar a unos 1.500 GPT personalizados.

La tensión se sitúa entre la innovación distribuida y el control institucional. Univé quiere que miles de empleados desarrollen soluciones con IA, mientras que la gestión de siniestros, la suscripción de riesgos y los servicios financieros siguen exigiendo privacidad, evidencia y responsabilidad humana. Su apuesta es que la gobernanza puede acelerar la experimentación en lugar de limitarla.

Esta apuesta importa más allá de una sola aseguradora. Muchas empresas ya cuentan con herramientas de IA, respaldo ejecutivo y una demanda creciente por parte de los empleados. Muchas menos han convertido esos ingredientes en formas de trabajo repetibles sin generar accesos descontrolados, resultados poco fiables o proyectos piloto desconectados.

El despliegue de OpenAI Univ llevó el desarrollo con IA a los equipos cotidianos

El principal cambio de Univé fue organizativo: los empleados pasaron a ser creadores en lugar de esperar a los equipos centrales de software.

Univé es una de las mayores aseguradoras cooperativas de los Países Bajos. Atiende a sus miembros en seguros, hipotecas, servicios financieros y prevención de riesgos. Su programa de IA alcanza ahora las áreas de siniestros, suscripción de riesgos, finanzas, recursos humanos, asuntos jurídicos, TI, atención al cliente y dirección.

Según el estudio de caso sobre la fuerza laboral, se ha activado el 97% de las licencias de ChatGPT Enterprise de la organización. OpenAI también informa de que el 85% de los empleados con licencia utiliza el servicio cada semana. Son cifras publicadas por el proveedor y no han sido auditadas de forma independiente.

Aun así, la combinación es relevante. La activación mide si los empleados entraron en el sistema, mientras que el uso semanal ofrece una mejor señal de participación sostenida. Ninguna de las dos cifras demuestra valor empresarial, pero juntas sugieren que la plataforma superó a un pequeño grupo de entusiastas.

Los empleados de Univé también han creado alrededor de 1.500 GPT personalizados. Un GPT personalizado es un asistente de ChatGPT configurado con instrucciones, conocimientos y herramientas específicas para una tarea recurrente. El total indica que los casos de uso se están desarrollando en toda la organización, en lugar de ser entregados únicamente por un grupo central de ingeniería.

Esta distribución cambia el origen de las ideas de automatización. Un profesional de siniestros sabe qué evidencias tardan más en recopilarse. Un suscriptor de riesgos entiende qué documentos faltantes retrasan una revisión. Un especialista de recursos humanos ve dónde las preguntas rutinarias consumen atención.

Los equipos centrales de software suelen carecer de esa visión detallada de la fricción diaria. Deben recopilar requisitos, priorizar solicitudes y traducir el trabajo especializado en especificaciones técnicas. El resultado puede ser preciso, pero lento, especialmente cuando cada pequeña mejora compite por una capacidad de desarrollo limitada.

Univé acortó ese camino. Los empleados recibieron acceso, estructura, tiempo dedicado a la experimentación y permiso para rediseñar partes de su propio trabajo. OpenAI afirma que el personal dedica colectivamente cientos de horas cada semana a probar flujos de trabajo, crear GPT personalizados y compartir patrones exitosos.

Yous van Halder, director de datos e IA de Univé, resumió el modelo con un contraste útil: “La mayoría de las organizaciones intenta escalar la IA creando más soluciones. Nosotros elegimos escalar la IA creando más creadores”.

Esta afirmación revela el cambio operativo con más claridad que las estadísticas de adopción. Univé trata la alfabetización en IA como una capacidad de la fuerza laboral, no simplemente como un catálogo de aplicaciones aprobadas. Espera que los empleados reconozcan las tareas adecuadas, creen puntos de partida útiles y sigan siendo responsables del trabajo resultante.

Esto no elimina la necesidad de especialistas. Los equipos centrales aún deben gestionar la seguridad, la privacidad, la arquitectura y las integraciones de mayor riesgo. También necesitan determinar cuándo un prototipo de empleado merece apoyo formal o un despliegue más amplio.

La diferencia es que los especialistas ya no necesitan descubrir cada oportunidad por sí mismos. Los empleados pueden revelar la demanda mediante el uso real, mientras los equipos centrales se centran en los controles y la infraestructura compartida. Esta disposición se asemeja a un sistema de desarrollo de productos distribuido dentro de la empresa.

Para los trabajadores del conocimiento, este modelo también cambia lo que cuenta como adopción de IA. Abrir un chatbot y redactar un correo ocasional es un uso superficial. Crear un asistente repetible en torno a un flujo de trabajo real exige que los empleados definan la tarea, identifiquen información fiable y decidan dónde sigue siendo necesario el juicio humano.

Esto hace que la historia de OpenAI Univ trate menos sobre acceso al software y más sobre diseño organizativo. La plataforma proporcionó capacidades comunes, pero el liderazgo y las reglas operativas determinaron si esas capacidades entraban en el trabajo habitual.

El liderazgo convirtió la adopción de IA en una responsabilidad de gestión

Univé presionó a los directivos para rediseñar el trabajo, no simplemente para aprobar compras de tecnología.

La aseguradora comenzó con sesiones dedicadas para su comunidad directiva. Según se informa, estas sesiones se centraron en cómo cambiaría el trabajo y qué debían hacer los líderes, en lugar de ofrecer una secuencia de demostraciones de producto.

Esta distinción aborda una debilidad habitual de los programas empresariales de IA. Los ejecutivos autorizan una plataforma, los equipos técnicos la configuran y los empleados reciben formación. Después, los directivos siguen asignando, revisando y midiendo el trabajo como si el proceso subyacente nunca hubiera cambiado.

Univé asignó a los directivos un papel más activo. Debían crear tiempo para la experimentación, apoyar el uso responsable y ayudar a los equipos a identificar tareas que valiera la pena rediseñar. Esto convirtió la adopción en una responsabilidad operativa, en lugar de un ejercicio de aprendizaje opcional.

El enfoque también sometió a presión a los mandos intermedios. Los directivos deben equilibrar los objetivos de producción con una experimentación que inicialmente puede generar resultados desiguales. Deben decidir cuándo un flujo de trabajo está listo para un uso más amplio y cuándo todavía necesita pruebas.

Estas decisiones se vuelven más difíciles cuando la IA afecta al trabajo profesional. Un borrador rápido puede parecer útil y contener, sin embargo, una afirmación sin respaldo. Un caso resumido puede omitir un detalle relevante. Una recomendación cuidadosamente estructurada aún puede basarse en evidencia débil.

Por ello, los directivos necesitan suficiente alfabetización en IA para cuestionar los resultados sin convertirse en ingenieros de modelos. Deben comprender que el texto generado puede sonar seguro sin ser correcto. También deben reconocer cuándo la información confidencial, los permisos o las decisiones reguladas plantean preocupaciones adicionales.

El momento es significativo para los empleadores europeos. La actual guía sobre alfabetización en IA de la Comisión Europea indica que las organizaciones deben adaptar sus esfuerzos de alfabetización a los conocimientos de los empleados, los riesgos de los sistemas y el contexto de uso. Identifica específicamente las alucinaciones como un riesgo para el uso de ChatGPT en el trabajo.

La guía también establece que el artículo 4 de la Ley de IA de la UE comenzó a aplicarse el 2 de febrero de 2025. Está previsto que las autoridades nacionales inicien la supervisión y la aplicación en agosto de 2026. El enfoque exacto de cumplimiento sigue dependiendo del contexto, pero el acceso pasivo a instrucciones puede ser insuficiente.

Las sesiones de liderazgo de Univé no establecen automáticamente el cumplimiento legal. La Comisión afirma explícitamente que copiar prácticas de alfabetización publicadas no crea una presunción de cumplimiento. Sin embargo, el enfoque de la aseguradora se alinea con la expectativa más amplia de que las organizaciones conecten la formación con funciones y riesgos reales.

La implicación del liderazgo también puede reducir la brecha entre la política formal y el comportamiento cotidiano. Los empleados reciben señales de aquello que los directivos premian, revisan y permiten. Un documento de políticas tiene una influencia limitada cuando los directivos locales desalientan la experimentación o ignoran atajos inseguros.

También ocurre lo contrario. Los directivos entusiastas pueden empujar a los empleados a utilizar IA antes de que estén listos los controles y las prácticas de revisión. El compromiso del liderazgo solo ayuda cuando incluye moderación, vías de escalamiento y una titularidad clara.

Univé intenta resolver ese conflicto combinando permiso y responsabilidad. Los empleados pueden explorar, pero los profesionales siguen siendo responsables de las decisiones finales. Los directivos pueden fomentar la creación, pero la organización conserva procesos de gobernanza compartidos.

Aquí es donde su modelo se diferencia de un programa de automatización descendente. El objetivo no es imponer un único flujo de trabajo aprobado a cada empleado. Es establecer límites comunes dentro de los cuales los equipos puedan mejorar su propio trabajo.

La presión se extiende a los compradores empresariales que evalúan ChatGPT, Microsoft Copilot, Google Gemini, Anthropic Claude o modelos internos. Las comparaciones entre modelos importan, pero el acceso por sí solo rara vez genera una adopción profunda. Los compradores también necesitan un sistema de gestión que convierta las capacidades en comportamientos repetibles.

Los datos del sector muestran cuán grande sigue siendo esa brecha. En una encuesta a 1.100 ejecutivos, el indicador de adopción concluyó que el 93% de las organizaciones estaba explorando o habilitando la IA generativa. Solo el 30% la estaba escalando de forma total o parcial.

Este indicador no mide directamente a Univé. Sí muestra por qué el modelo de liderazgo de la aseguradora merece atención. El acceso empresarial se ha vuelto común, mientras que la ejecución en toda la organización sigue siendo mucho menos habitual.

La gobernanza se convirtió en el mecanismo de innovación liderada por empleados

El mecanismo central de Univé es la autonomía controlada: amplios derechos de creación se sitúan dentro de permisos heredados, revisiones, supervisión y titularidad humana.

El desarrollo liderado por empleados genera rapidez porque las ideas no esperan en una cartera de trabajo central. También genera riesgos porque muchas personas pueden crear flujos de trabajo inconsistentes. La respuesta de Univé fue incorporar la gobernanza al despliegue desde el principio.

OpenAI afirma que el marco incluye autenticación empresarial, evaluaciones de privacidad, revisiones de seguridad, principios de IA responsable, procesos de gobernanza, supervisión continua y una responsabilidad humana clara. Estos controles abarcan tanto el acceso como el comportamiento.

La herencia de permisos de los conectores es especialmente importante. Un conector permite que un servicio de IA recupere información de otro sistema empresarial aprobado. La herencia de permisos implica que la IA solo debe acceder a información que el empleado ya tiene autorización para ver.

Sin ese límite, un asistente útil podría convertirse en una vía no intencionada hacia registros restringidos. Podría recuperar documentos que un usuario normalmente no podría abrir o combinar información de distintos sistemas de formas que expongan contexto sensible.

La herencia de permisos reduce ese peligro, pero no elimina todos los riesgos. Los permisos existentes ya pueden ser demasiado amplios. La información recuperada puede copiarse en un prompt inapropiado. Los resúmenes generados pueden revelar detalles sensibles a personas que reciban el resultado posteriormente.

Por lo tanto, el modelo de gobernanza depende de algo más que controles técnicos de acceso. Los empleados deben comprender el uso apropiado, los revisores necesitan vías de escalamiento y la supervisión debe identificar patrones que merezcan investigación. La responsabilidad clara debe continuar después de que el sistema produzca una respuesta.

OpenAI afirma que los prompts de los clientes y los datos de las empresas en ChatGPT Enterprise no se utilizan para entrenar sus modelos. Sus controles de privacidad empresarial publicados también incluyen funciones administrativas y de seguridad diseñadas para la implementación organizativa. Sin embargo, esos controles de plataforma constituyen solo una capa de la gobernanza empresarial.

La empresa que utiliza el sistema sigue decidiendo qué datos pueden enviar los empleados, qué conectores están aprobados y qué tareas requieren una revisión adicional. También debe gestionar los registros, la retención, los requisitos sectoriales y las políticas internas de acceso.

El contexto asegurador de Univé hace esencial esa separación. La IA puede ayudar a recopilar pruebas, organizar documentos y preparar un caso. No debería asumir silenciosamente la responsabilidad profesional de evaluar ese caso.

OpenAI describe un flujo de trabajo de seguros para mascotas en el que la preparación de reclamaciones antes requería horas. La empresa afirma que la IA ahora puede preparar esos casos para una decisión en cuestión de minutos. Los profesionales de siniestros capacitados siguen siendo responsables de cada decisión final.

La formulación importa. La mejora comunicada se aplica al tiempo de preparación, no a todo el proceso de reclamaciones. No demuestra que cada reclamación se resuelva en minutos. Tampoco muestra tasas de error, tasas de apelación, resultados para los clientes ni la cantidad de revisión humana requerida.

Aun así, el caso de uso ilustra una división del trabajo sensata. El sistema se encarga de recopilar, leer y estructurar las pruebas. El profesional evalúa el material preparado, aplica su experiencia y asume la decisión.

La suscripción sigue un patrón similar. Antes de que un suscriptor comience a trabajar, un Workspace Agent puede examinar una cola de entrada, recopilar información de fuentes aprobadas, identificar documentación faltante y señalar los casos que requieren atención.

Un Workspace Agent es un flujo de trabajo de IA que prepara o coordina trabajo recurrente entre sistemas empresariales aprobados. Va más allá de un único prompt conversacional al reunir contexto antes de que el empleado comience una tarea.

Cuando el suscriptor inicia sesión, la cola ya puede contener pruebas relevantes e indicadores de riesgo destacados. La persona dedica menos tiempo a localizar material y más a evaluar casos. Univé presenta esto como una preparación para el juicio profesional, no como un sustituto de este.

Ese límite favorece la adopción por parte de los empleados porque hace que el sistema sea útil sin pedir a los profesionales que cedan el control. También crea una narrativa de gobernanza más defendible. El humano no se añade al final como un aprobador simbólico; el juicio profesional sigue formando parte del flujo de trabajo previsto.

Esta estructura refleja un principio útil en el trabajo personal del conocimiento. La IA funciona mejor cuando puede apoyarse en información contextual y aprobada, en lugar de prompts aislados. Una base de conocimiento de IA bien gestionada puede mejorar la recuperación, pero los usuarios aún deben verificar lo que el sistema muestra.

El modelo de Univé depende en última instancia de la confianza en ambas direcciones. Los empleados deben confiar en que la plataforma aprobada protege la información de la empresa. La organización debe confiar en que los empleados trabajarán dentro de los límites, cuestionarán los resultados y escalarán los problemas.

La gobernanza se convierte en un acelerador solo cuando esos controles son comprensibles y utilizables. Un exceso de pasos de aprobación devolvería la experimentación a las colas o a herramientas no autorizadas. Los controles débiles aumentarían la probabilidad de incidentes de privacidad y decisiones poco fiables.

Por tanto, el mecanismo de la empresa es un equilibrio, no una afirmación de que la gobernanza haya dejado de ser restrictiva. Algunas actividades deben seguir restringidas. El logro consiste en crear un área amplia donde pueda producirse experimentación de bajo riesgo sin renegociar cada idea.

Lo que las cifras de adopción de Univé aún no demuestran

Una alta activación y muchos GPT personalizados demuestran participación, pero no establecen precisión, valor duradero ni una adopción equitativa entre funciones.

El caso de Univé de OpenAI es una historia de cliente publicada por el proveedor de la plataforma. Sus cifras son útiles, pero los lectores deberían tratarlas como evidencia comunicada por la empresa y no como una evaluación independiente.

Una tasa de activación del 97 % no revela con qué frecuencia cada licencia produce trabajo valioso. La cifra de uso semanal del 85 % es más sólida, pero aun así mide actividad en lugar de resultados. Un empleado puede usar ChatGPT cada semana sin mejorar la calidad, la velocidad ni el servicio al cliente.

Los 1.500 GPT personalizados plantean otra cuestión de medición. Un catálogo amplio puede reflejar creatividad y participación generalizada. También puede contener asistentes duplicados, experimentos abandonados, instrucciones obsoletas o herramientas utilizadas por una sola persona.

El siguiente desafío de gobernanza es la gestión del ciclo de vida. Univé tendrá que identificar qué GPT están activos, quién es responsable de ellos, qué datos utilizan y cuándo se revisaron por última vez sus instrucciones. De lo contrario, la creación útil por parte de los empleados puede generar una larga cola de software interno sin gestionar.

La capacidad de descubrimiento también importa. Los empleados necesitan saber qué asistente está aprobado para una tarea. Si varios GPT afirman manejar el mismo flujo de trabajo, los usuarios podrían elegir por el nombre o la conveniencia en lugar de por la calidad.

La medición de la calidad se vuelve más difícil cuando las tareas varían. La preparación de reclamaciones puede evaluarse según la completitud y el tiempo de procesamiento. Una sesión informativa para la dirección puede requerir estándares diferentes, incluidos la precisión factual, la cobertura de las fuentes y la utilidad para quien toma la decisión.

La innovación liderada por empleados también puede distribuir los beneficios de manera desigual. Los equipos con gerentes seguros, datos limpios y flujos de trabajo predecibles pueden avanzar rápidamente. Otros equipos pueden carecer de tiempo, información accesible o tareas adecuadas para los modelos actuales.

Los datos más amplios sobre IA empresarial de OpenAI muestran esta desigualdad entre sus clientes. Su encuesta abarcó a 9.000 trabajadores de casi 100 empresas, mientras que los datos de uso revelaron que los trabajadores en el percentil 95 enviaban seis veces más mensajes que los empleados medianos.

OpenAI también informó que el 75 % de los trabajadores encuestados creía que la IA mejoraba la velocidad o la calidad de sus resultados. Dado que se trata de resultados autodeclarados por clientes de OpenAI, no deben considerarse mediciones universales de productividad.

La brecha entre los usuarios intensivos y los usuarios típicos plantea una prueba directa para Univé. Los promedios sólidos pueden ocultar a empleados que evitan la plataforma, la usan superficialmente o carecen de formación adecuada. Una plantilla preparada para la IA requiere más que un grupo líder muy activo.

También existe el riesgo de que las herramientas de preparación condicionen las decisiones antes de que un profesional empiece a revisar las pruebas. Una cola de trabajo priorizada determina qué recibe atención primero. Un resumen influye en qué hechos parecen importantes. Una alerta de riesgo puede anclar el juicio inicial del revisor.

La responsabilidad humana no corrige automáticamente esos efectos. Un profesional puede aceptar un resumen plausible porque la carga de trabajo es alta o porque el sistema suele funcionar bien. La supervisión se debilita cuando revisar la IA lleva tanto tiempo como repetir la tarea original.

Univé necesitará pruebas de que los empleados pueden detectar contexto faltante y sugerencias incorrectas. También tendrá que supervisar si los casos preparados mejoran las decisiones o simplemente aceleran los procesos existentes.

El ejemplo del seguro para mascotas ilustra la brecha de medición. Reducir la preparación de horas a minutos parece significativo. Sin embargo, el caso publicado no revela el tamaño de la muestra, el periodo de evaluación, la complejidad de las reclamaciones, las tasas de excepción ni las comparaciones de calidad.

Esa ausencia no hace que la afirmación sea falsa. Limita lo que el resultado puede respaldar. La evidencia muestra un flujo de trabajo prometedor comunicado por la empresa, no una demostración controlada de que el enfoque funcione en todas las operaciones de seguros.

Los flujos de trabajo agénticos aumentarán estas preocupaciones. Un chatbot normalmente espera el prompt de un usuario. Un agente puede recuperar información, organizar tareas y preparar resultados de forma proactiva. Una mayor iniciativa crea más valor, pero también amplía la influencia operativa del sistema.

Solo el 46 % de las organizaciones de la encuesta de Capgemini había establecido políticas de gobernanza de IA. El mismo estudio concluyó que el 71 % no podía confiar plenamente en agentes de IA autónomos para uso empresarial. Ese escepticismo es relevante a medida que Univé pasa de asistentes a agentes.

Las salvaguardas de la empresa ofrecen un punto de partida creíble. No resuelven las cuestiones de auditabilidad, evaluación, sesgo o mantenimiento a largo plazo. Estas cuestiones se vuelven más importantes a medida que la IA interviene en decisiones que afectan a los miembros.

Por tanto, la siguiente fase más convincente se centraría menos en añadir GPT y más en demostrar que los útiles siguen siendo precisos, gobernados y mantenibles. La adopción generó impulso. Ahora la evaluación debe determinar qué flujos de trabajo merecen convertirse en infraestructura.

Tres señales mostrarán si el modelo de plantilla puede escalar

El modelo de Univé se validará mediante reutilización gobernada, calidad de decisión medible e implementación segura de agentes, no mediante otro aumento de la actividad de inicio de sesión.

La primera señal es la consolidación en torno a flujos de trabajo reutilizables creados por empleados. El número de GPT personalizados probablemente seguirá cambiando, pero el total bruto importa menos que el uso verificado entre equipos.

Habrá que observar si Univé crea reglas de propiedad, calendarios de revisión, métricas de uso y procesos de retirada para esos GPT. Un catálogo maduro debería facilitar la localización de herramientas fiables y, al mismo tiempo, eliminar asistentes duplicados, inactivos u obsoletos.

Si más equipos reutilizan un conjunto más pequeño de flujos de trabajo revisados, el modelo de creadores de la empresa parecerá más sólido. Demostraría que los experimentos locales pueden convertirse en capacidades organizativas compartidas sin depender de un equipo central para cada idea inicial.

Si el catálogo sigue creciendo sin controles de ciclo de vida, la tesis se debilita. Univé podría reproducir la proliferación tradicional de software en una forma más rápida y menos visible. El problema pasaría de la escasez de aplicaciones a un exceso de aplicaciones mal gobernadas.

La segunda señal es la presentación de resultados para reclamaciones y suscripción. El tiempo de preparación ofrece una medida operativa importante, pero debe combinarse con indicadores de calidad y de clientes.

Entre las métricas útiles estarían las tasas de documentos faltantes, el retrabajo, las anulaciones por parte de profesionales, las quejas, los resultados de apelaciones y el tiempo necesario para verificar los casos preparados. Univé no necesita publicar datos operativos sensibles, pero un conjunto de pruebas más amplio haría más convincentes las mejoras que comunica.

La pregunta crucial es si una preparación más rápida genera una mejor atención profesional. Si el personal de reclamaciones dedica el tiempo recuperado a casos complejos y a la comunicación con los miembros, el modelo respalda el propósito cooperativo de Univé. Si las cargas de trabajo simplemente aumentan, el beneficio para la plantilla se vuelve más limitado.

La calidad de las decisiones también pone a prueba si la responsabilidad humana sigue siendo sustantiva. Una firma profesional significa poco si los empleados aceptan de forma rutinaria material preparado por IA sin una revisión adecuada. Los patrones de anulación y corrección pueden revelar con qué grado de actividad las personas ejercen su juicio.

Una evidencia de resultados más sólida reforzaría el argumento de OpenAI sobre Univé de que el desarrollo de capacidades importa más que la implementación de herramientas. Una evidencia de calidad débil o inexistente dejaría la historia centrada en la participación, en lugar de la transformación.

La tercera señal es la transición de los GPT personalizados a los Workspace Agents. Univé afirma que está explorando flujos de trabajo que preparan de forma proactiva trabajo recurrente entre sistemas aprobados. Ese paso pondrá a prueba si su marco de gobernanza actual puede gestionar una mayor autonomía.

Los agentes introducen cadenas de acciones más largas. Pueden recuperar información de varias fuentes, priorizar tareas, identificar pruebas faltantes y preparar recomendaciones antes de que intervenga un usuario. Cada paso crea otro punto en el que los permisos, el contexto o el razonamiento pueden fallar.

Preste atención a límites claros sobre las acciones de los agentes, evidencia de fuentes trazable, supervisión e intervención humana directa. También observe si Univé distingue la preparación de bajo riesgo de las decisiones de mayor riesgo que exigen una revisión más rigurosa.

Un despliegue seguro de agentes reforzaría la afirmación central de la empresa. Demostraría que el liderazgo, la gobernanza y la capacidad de los empleados pueden respaldar flujos de trabajo más complejos sin eliminar la responsabilidad profesional.

Un despliegue marcado por responsabilidades poco claras o una preparación poco fiable debilitaría esa afirmación. Sugeriría que la gobernanza diseñada para asistentes conversacionales no se transfiere automáticamente a agentes proactivos.

Estas tres señales conforman una prueba práctica para los compradores empresariales. Primero, ¿pueden los experimentos de los empleados convertirse en herramientas compartidas y mantenidas? Segundo, ¿mejoran los flujos de trabajo los resultados más allá de la actividad y la velocidad? Tercero, ¿pueden los agentes operar dentro de límites visibles?

Las respuestas importan porque la IA empresarial está pasando del acceso a la integración. OpenAI informó que el uso de funciones estructuradas, incluidos Projects y los GPTs personalizados, aumentó 19 veces entre sus clientes empresariales durante 2025. También indicó que los mensajes semanales de ChatGPT Enterprise crecieron aproximadamente ocho veces.

Estas cifras muestran demanda, no una fórmula universal de implementación. Univé ofrece una posible fórmula: el liderazgo crea dirección, la gobernanza define un espacio operativo seguro y los empleados generan casos de uso desde dentro de su trabajo.

El modelo resulta atractivo porque evita esperar a que un único equipo central automatice toda una organización. Es exigente porque cada flujo de trabajo creado por empleados añade interrogantes sobre propiedad, evidencia y mantenimiento.

Los trabajadores del conocimiento deberían extraer la misma lección a menor escala. La IA se vuelve más útil cuando se conecta con información real y trabajo repetible. También adquiere más relevancia, lo que hace más importantes las comprobaciones de fuentes y la revisión humana.

Por tanto, las organizaciones que evalúan ChatGPT Enterprise deberían plantearse una pregunta más difícil que cuántas licencias pueden activar. Deberían preguntarse quién rediseñará el trabajo, quién cuestionará los resultados poco fiables y quién mantendrá lo que construyan los empleados.

Univé ha aportado una respuesta inicial. Dio a los empleados margen para crear, manteniendo las decisiones finales en manos de profesionales responsables. La siguiente etapa debe demostrar que este equilibrio resiste el crecimiento del catálogo y la llegada de agentes más autónomos.

Esa es la verdadera prueba tras las búsquedas de openai univ y los titulares sobre adopción empresarial. Observe los flujos de trabajo gobernados, la evidencia sobre la calidad de las decisiones y los controles de los agentes. Estas señales mostrarán si Univé creó una plantilla preparada para la IA o simplemente una muy activa.