OpenAI estudia 1.500 empresas que usan ChatGPT y no encuentra relación entre usarlo más y facturar más

OpenAI ha publicado el estudio más grande que existe hasta ahora sobre cómo usan la inteligencia artificial las empresas por dentro: datos reales de cuentas de ChatGPT Enterprise hasta marzo de 2026, con más de 1.500 organizaciones y más de 17 millones de mensajes analizados.

Casi todo lo que dice es lo que uno esperaría. El uso se ha multiplicado por siete entre junio de 2025 y marzo de 2026. Adoptan antes las empresas grandes, las que más invierten en investigación y desarrollo y las que ya tenían márgenes altos. El uso atraviesa todos los departamentos y todos los niveles jerárquicos, con especial intensidad entre los empleados de menos años de carrera.

Y luego, en la página 60 y pico de un informe de 69, está el dato que no aparece en el resumen de prensa: los ingresos por empleado no guardan una relación significativa con la cantidad de IA que consume la empresa, una vez que se controla por el resto de variables. Textualmente, el estudio dice que los ingresos por empleado no están asociados de forma relevante ni con los tokens de salida por empleado ni con los mensajes por usuario activo.

Es decir: las empresas que más usan ChatGPT no facturan más por trabajador que las que lo usan menos.

Qué significa exactamente ese dato (y qué no)

Cuidado, porque esto se puede leer mal en las dos direcciones y las dos lecturas fáciles son erróneas.

No significa que la IA no sirva. Un estudio observacional a seis meses no mide el efecto de una herramienta sobre la cuenta de resultados de una empresa. Mide una correlación, y las correlaciones a este nivel de agregación son ruido casi siempre: en los ingresos por empleado de una compañía influyen el sector, el ciclo económico, la estructura de costes y cincuenta cosas más antes de llegar a cuántos mensajes escribe la gente en un chat.

Pero tampoco es un detalle metodológico sin importancia. Lo relevante es quién publica el estudio. Si el dato hubiera salido a favor, sería la diapositiva número uno de todas las presentaciones comerciales del sector durante el próximo año. Que lo publique OpenAI, en su propio informe, sobre sus propios clientes, y que salga plano, dice bastante.

La conclusión razonable no es "esto no funciona". Es esta otra, que ya se veía venir: el retorno no está en la herramienta, está en el proceso al que la enchufas. Dos empresas pueden consumir los mismos tokens y que una esté rehaciendo cómo tramita sus pedidos y la otra esté redactando correos algo más rápido. El contador de tokens no distingue.

El otro dato: el trabajo se está delegando, no consultando

Hay un segundo hallazgo en el informe que me parece más importante que el titular y que casi nadie está comentando.

Entre los clientes de empresa, en junio, Codex generaba el 64% de los tokens de salida sumando Codex y ChatGPT. Codex es el agente de programación; ChatGPT es la conversación. O sea que casi dos tercios de todo lo que producen esas cuentas ya no sale de alguien preguntando y leyendo la respuesta, sino de un agente ejecutando una tarea encargada.

Ese es el cambio de fondo. Se pasa de usar la IA como asistente —yo pregunto, tú contestas, yo decido— a usarla como ejecutor: te encargo esto y me traes el resultado hecho. Y explica bastante bien por qué el consumo se multiplica por siete mientras los ingresos por empleado se quedan quietos: en la fase de delegar hay mucho trabajo tirado, muchos intentos fallidos y mucho aprendizaje que todavía no ha llegado a la cuenta de resultados.

Lo que yo me llevo de aquí, para una pyme española

Este estudio es de empresas cotizadas estadounidenses grandes. Tu asesoría, tu clínica o tu taller no aparecen ahí. Pero hay tres cosas que se trasladan tal cual.

Uno: mide la tarea, no la herramienta. "Cuánta IA usamos" no es un indicador de nada. "Cuánto tardábamos en cerrar una declaración y cuánto tardamos ahora" sí lo es. Si no tienes el antes, no vas a poder demostrar el después, y te vas a pasar el año discutiendo por sensaciones.

Dos: la adopción amplia no es el objetivo. El estudio muestra empresas con uso repartido por todos los departamentos y márgenes que no se mueven. Es más rentable rehacer un proceso concreto de arriba abajo que dar acceso a todo el mundo y esperar a ver qué pasa. Esto lo desarrollo en errores al implantar IA en una empresa, y el de "lo damos a todos y ya veremos" es el número uno con diferencia.

Tres: el sesgo de quién adopta antes. Las empresas que ya iban bien son las que adoptan primero. Eso significa que cuando veas un caso de éxito, tienes que preguntarte si mejoraron porque usaron IA o si usaron IA porque ya eran de las que mejoran. Es la trampa de casi todos los casos de éxito que te van a enseñar este año.

Contexto: por qué es difícil medir el retorno de esto

Este resultado tiene un antecedente conocido y merece la pena tenerlo en la cabeza: la paradoja de la productividad de los años ochenta. Los ordenadores estaban por todas partes menos en las estadísticas de productividad, y tardaron cerca de una década en aparecer en ellas. No porque no sirvieran, sino porque hasta que las empresas no reorganizaron cómo trabajaban, la máquina nueva se limitó a hacer más rápido lo de antes.

Lo que estamos viendo se parece bastante. La primera fase de cualquier tecnología general es sustituir tareas una a una, y ahí las ganancias son reales pero pequeñas y se diluyen. La segunda fase, la que mueve los números, es rediseñar el proceso entero asumiendo que la máquina está ahí. Casi nadie ha llegado todavía a la segunda.

Así que si estás en mitad de un proyecto de IA en tu empresa y no ves el retorno por ninguna parte, este estudio no es una mala noticia: es la confirmación de que vas donde va todo el mundo. La pregunta útil no es cuánto usas, es qué has rediseñado. Por dónde empezar, en cómo implementar IA en una empresa.

Fuentes: el estudio completo, How Organizations Use AI: Evidence from ChatGPT, de Aaron Chatterji, David Holtz, Neel Rakholia, Prasanna Tambe y Gawesha Weeratunga; el PDF publicado por OpenAI y el análisis de Fortune que localizó el dato de los ingresos por empleado.