Uber da un agente generalista a 30.000 personas. Microsoft prefiere agentes acotados. Ambos aciertan

Dos historias publicadas el 22 de octubre parecen dar consejos opuestos.

Uber anunció el despliegue en toda la empresa de ChatGPT Work, el agente de OpenAI para trabajo intelectual de varios pasos dentro de ChatGPT Enterprise, para más de 30.000 empleados, tras un piloto con unas 1.000 personas. El agente se conecta a Google Drive, Gmail, Google Calendar y Slack, prepara resúmenes, crea presentaciones, analiza datos y completa flujos entre esas aplicaciones. GPT-6.1 Sol es el modelo por defecto. Uber acompaña el despliegue con una biblioteca interna de habilidades de IA, integraciones aprobadas y formación para los empleados.

El mismo día, el equipo de TI interno de Microsoft publicó cómo gobierna la IA en toda la compañía. Sus revisores de IA responsable han completado más de 2.000 revisiones de herramientas internas, con miles más en cola. Y su lección más citada apunta en sentido contrario: “a veces, escalar la IA significa limitar a propósito lo que un sistema de IA puede hacer”. El vicepresidente responsable de más de cien agentes en producción en la cadena de suministro de la nube de Microsoft lo dijo sin rodeos: un agente de planificación “no debería poder responder a una pregunta sobre el tiempo”.

Una empresa entrega un agente generalista a todo el mundo. La otra acota cada agente a una sola tarea. Están describiendo dos capas distintas.

Dos capas de IA empresarial

Qué tan amplio es el alcance de un sistema de IA y qué lo gobierna

Una tarea, un procesoCualquier tarea, cualquier app a la que llegue el usuario

1. Agentes de cadena de suministro de MicrosoftLimitados a un propósito de negocio, con red teaming para conductas fuera de alcance
2. Agente de revisión documental legal de MicrosoftConjunto documental seleccionado, razonamiento reproducible
3. Biblioteca de habilidades de UberProcedimientos compartidos y aprobados sobre un agente generalista
4. ChatGPT Work para 30.000 empleadosAgente generalista, con los permisos del usuario y conectores aprobados

La capa del asistente generalista trabaja para una persona, con sus accesos, en lo que esa persona esté haciendo. Su alcance es amplio por diseño. Se gobierna como las herramientas de los empleados: identidad, conectores aprobados, controles contra la fuga de datos, formación y una norma clara de que la persona sigue siendo responsable del resultado. Las decisiones de Uber, una biblioteca central de habilidades, una lista de integraciones aprobadas y formación, son exactamente esos controles.

La capa del agente de negocio hace una tarea definida dentro de un proceso: planifica el suministro, revisa documentos para un litigio, atiende a clientes. Su alcance debe ser acotado, porque sus resultados alimentan decisiones de las que dependen otras personas. El equipo jurídico de Microsoft exigió que cada conclusión de la IA viniera con “una explicación reproducible y respaldada por evidencias” y restringió el agente a un conjunto documental seleccionado. Así se gobierna un sistema en producción.

El error es gobernar una capa con las reglas de la otra. Revisar cada prompt de un empleado como si fuera un sistema en producción es imposible con 30.000 personas. Dejar que un agente generalista se convierta, sin que nadie lo decida, en el sistema que ejecuta un proceso de negocio se salta la revisión que ese proceso necesita.

Lo que Uber aún no ha contado

El anuncio de Uber trata del acceso. No informa de adopción, tareas completadas ni resultados de negocio, y las empresas dicen que lo compartirán más adelante. Es normal en un lanzamiento, y significa que la parte difícil acaba de empezar. El acceso es un recuento de licencias; el valor depende de cuántas personas usan el agente para trabajo real y de si ese trabajo mejora. Lo vimos en los datos europeos, donde la intensidad de uso de agentes variaba casi cuatro veces entre países con el mismo acceso.

La biblioteca de habilidades es la pieza que hay que vigilar. Es donde un agente generalista empieza a adquirir procedimientos de negocio, y donde empieza a deslizarse hacia la segunda capa. Una habilidad que redacta el resumen de una reunión es una herramienta de productividad personal. Una habilidad que prepara el pago a un proveedor es un proceso de negocio, y debe revisarse como tal, idealmente como un documento controlado con un responsable.

Lo que enseñan las 2.000 revisiones de Microsoft

Dos mil revisiones con miles en espera es la cifra real de la historia de Microsoft. Muestra que la capacidad de revisión, y no la política, se convierte en la restricción. Las respuestas de Microsoft son reutilizables: evaluaciones estandarizadas, patrones aprendidos de revisiones anteriores para decidir qué casos requieren más atención, y requisitos incorporados desde el diseño para que los equipos lleguen a la revisión con el alcance, los límites de datos y los puntos de control humano ya definidos. Recuerda el enfoque por niveles de riesgo que la TI de Microsoft describió a principios de mes.

Un recuento de revisiones no demuestra seguridad, y el relato de Microsoft es un caso interno, no una auditoría. Pero el modelo operativo es trasladable: si su equipo de gobernanza revisa cada caso de uso de IA desde cero, la cola decidirá la velocidad de su adopción.

Una regla práctica

Gobierne el asistente generalista como una herramienta potente para empleados, a escala y por defecto. Gobierne los agentes de negocio como sistemas en producción, uno a uno, con un alcance acotado por defecto. Y vigile la frontera entre ambos: cuando una habilidad personal empieza a ejecutar un proceso compartido, ha cambiado de capa, y su revisión debe cambiar con ella.