Radar IA · Edición 002 · 23 de julio de 2026
NTT DATA Group extendió Codex a aproximadamente 9.000 personas en roles técnicos y no técnicos. Un caso publicado el 22 de julio de 2026 afirma que una investigación de incidente pasó de cinco ingenieros durante tres días a una ejecución de 30 minutos, dentro de un programa con formación y gobierno.
Qué anunció NTT DATA
La historia oficial publicada por OpenAI describe un despliegue de Codex para aproximadamente 9.000 empleados de NTT DATA Group. La adopción incluye ingeniería, operaciones y funciones que antes dependían de especialistas para construir herramientas, consultar datos o automatizar archivos.
El programa creció sobre ChatGPT Enterprise y una alianza estratégica global iniciada en mayo de 2025. NTT DATA creó un Center of Excellence, CoE, encargado de licencias, validación técnica, eventos, casos de uso, monitoreo, formación y recursos internos. La secuencia importa: primero construyó hábitos y reglas, luego amplió el agente.
El caso de tres días frente a 30 minutos
El ejemplo central es una investigación compleja de incidente en un sistema crítico. Según NTT DATA, el trabajo había requerido cinco ingenieros experimentados durante tres días. Codex completó el proceso en 30 minutos al investigar, ejecutar, probar y revisar acciones a partir de una instrucción.
La comparación equivale a una reducción de 99,3% en tiempo transcurrido. Esa cifra funciona para el caso descrito. La fuente no publica severidad, tamaño del sistema, número de intentos, costo de inferencia, tasa de error ni horas de revisión humana. El valor comprobable es que el equipo encontró una tarea suficientemente definida para delegar gran parte del recorrido.
Cómo llegó a 9.000 usuarios
NTT DATA trató su propia organización como primer cliente bajo un enfoque llamado Client Zero. Los equipos prueban casos internos, documentan lo que funciona y convierten las prácticas útiles en guías. Después de publicar una guía y hacer formación práctica, los usuarios activos semanales de Codex crecieron 1,4 veces.
La estrategia evita depender de una demostración aislada. Un caso exitoso obtiene dueño, controles y una forma de distribución. La actualización donde Codex importa proyectos desde Cursor y Claude Code muestra que el producto sigue ampliando la continuidad entre herramientas. NTT DATA añade la capa organizacional que decide quién puede usar esas capacidades y para qué.
Qué hacen los equipos no técnicos
La fuente menciona creación de herramientas ligeras, organización de grandes volúmenes de archivos, análisis de Excel, resúmenes de documentos y scripts para procesos repetitivos. Un ejemplo extrae gastos de transporte desde estados de tarjeta y los transfiere a formularios de viaje, respetando estructura y reglas de cada hoja.
Otros empleados analizan datos crudos y construyen reportes que antes exigían preparar un tablero de business intelligence. El cambio desplaza parte del cuello de botella desde escribir código hacia describir el resultado, revisar datos y aceptar responsabilidad por la salida.
Growth MarketingEl 95% de los pilotos de IA fallan. Este sistema es para el otro 5%.
Inmersión presencial con tus datos, tus campañas y tu equipo. Salen operando agentes desde la primera sesión, no con apuntes.
Ver si aplica para mi equipo →La capa de gobierno
El CoE definió qué datos se pueden usar, a qué sistemas puede conectarse Codex, cómo se administra el tráfico de red, qué sandbox aplica y dónde una persona debe revisar. Son decisiones operativas. Cada una reduce el espacio donde un agente puede convertir una instrucción incompleta en un problema grande.
El antecedente donde Claude Code corrige permisos y verificaciones muestra que estos controles cambian con cada versión. Una política corporativa necesita versionado, pruebas y seguimiento de configuraciones, igual que cualquier otra dependencia crítica.
Qué dicen las métricas
OpenAI reporta que más de 96% de quienes respondieron una encuesta interna estaban satisfechos con ChatGPT Enterprise y más de 95% declaró ganancias de productividad. El caso también informa el crecimiento de 1,4 veces en usuarios semanales y el despliegue aproximado de 9.000 usuarios activos de Codex.
Las cifras describen satisfacción, percepción y actividad. El retorno económico requiere otra capa: tareas correctas por tipo, costo total, incidentes evitados, retrabajo, tiempo de revisión y procesos que sostienen el resultado durante varias semanas.
Qué falta para generalizar
El caso fue publicado por el proveedor y su cliente. No incluye tamaño de muestra de la encuesta, distribución por rol, comparación con un grupo de control ni metodología de atribución. La empresa tampoco publica cuántos procesos llegaron a producción o qué porcentaje de ejecuciones necesitó corrección material.
La investigación de 30 minutos puede ser excelente y seguir siendo excepcional. Para convertirla en referencia, NTT DATA tendría que mostrar casos repetidos con dificultad comparable, tasa de éxito, costo, revisión y consecuencias cuando el agente falla.
Qué puede copiar otra empresa
La parte replicable empieza con una tarea concreta y un dueño. Después vienen datos permitidos, sistemas accesibles, sandbox, checkpoints y criterio de aceptación. Un caso que pasa se documenta y se empaqueta para otros equipos. Uno que falla conserva evidencia para ajustar el alcance.
La formación funciona mejor sobre archivos y procesos reales de cada área. NTT DATA señala que la guía y la práctica aumentaron el uso semanal. El siguiente nivel es ligar esa actividad a resultados revisados, porque abrir Codex más veces no garantiza que la empresa produzca más valor.
La lectura de Radar IA
El número llamativo es 30 minutos. La señal estratégica son 9.000 personas dentro de un sistema con reglas, formación y una oficina que generaliza casos. La velocidad de un agente dura una demostración; la capacidad organizacional dura mientras alguien mantenga permisos, evaluación y conocimiento compartido.
NTT DATA está convirtiendo Codex en infraestructura de trabajo. El éxito dependerá de publicar métricas que separen uso, calidad y retorno. Una adopción masiva puede producir una biblioteca de procesos útiles o una montaña de ejecuciones difíciles de auditar. El CoE decide hacia cuál de esas dos termina.
Fuente primaria: caso de NTT DATA Group publicado por OpenAI.
El producto interno es la ruta para volver reusable un caso
NTT DATA llama Client Zero a la decisión de probar primero dentro de su propia organización. La parte interesante sucede después de una prueba. El Center of Excellence puede validar la técnica, fijar reglas de datos y sandbox, preparar formación, observar uso y convertir un flujo local en una práctica que otro equipo entienda.
La fuente conjunta de OpenAI y NTT DATA da un ejemplo concreto: una automatización de operaciones con Playwright se empaquetó como Skills para que dejara de depender de quien la construyó. También informa que publicar una guía y hacer formación práctica elevó 1,4 veces los usuarios activos semanales. El dato no demuestra retorno, pero sí muestra que el acceso por sí solo no produjo la adopción.
- El proceso reusable necesita un dueño y entradas permitidas.
- Debe declarar sistemas accesibles, sandbox y autonomía.
- Necesita criterio de aceptación, revisión humana y ruta de retiro.
La unidad de expansión útil es un proceso que otra persona puede ejecutar y revisar. Sin esos elementos, una biblioteca de automatizaciones termina pareciéndose a una carpeta compartida: crece rápido y nadie sabe cuál versión todavía funciona. Los 9.000 usuarios son escala de acceso activo; el activo organizacional es el mecanismo que convierte casos aislados en prácticas gobernadas.
En esa lógica, la formación continúa después del lanzamiento. Cada cambio de Codex, permisos o sistemas conectados obliga a revisar la guía y comprobar que el proceso compartido conserva su comportamiento.
Cómo saber si 30 minutos valen más que tres días
La comparación del incidente es potente y estrecha. OpenAI y NTT DATA dicen que un trabajo realizado por cinco ingenieros durante tres días se completó en 30 minutos con Codex. No publican severidad, número de intentos, tiempo de preparación, costo de inferencia, revisión posterior ni si el mismo resultado se repitió en incidentes equivalentes. Por eso 99,3% describe tiempo transcurrido en ese caso, no productividad general.
El siguiente paso es formar cohortes de tareas comparables y registrar:
- tiempo humano antes y después, además de duración de ejecución;
- porcentaje aceptado sin corrección material y costo del modelo;
- revisiones, incidentes reabiertos y días hasta detectar un error;
- resultado sostenido durante varias semanas, no una demostración.
La encuesta interna también debe permanecer en su carril. Más de 96% de satisfacción y más de 95% de productividad percibida explican aceptación; no reemplazan métricas del trabajo. El contexto de OpenAI muestra que Codex superó cinco millones de usuarios activos semanales y que trabajadores del conocimiento eran cerca de 20% de usuarios. Es información del proveedor, no validación independiente.
El CoE puede unir las dos capas: usar entrevistas para descubrir fricción y trazas para verificar resultados. Esa combinación convierte entusiasmo en evidencia y permite retirar un caso que no aguanta repetición, aunque su demo haya gustado en la reunión.
Si Codex entrega rápido pero desplaza horas hacia revisión o corrección, el tablero debe mostrarlo. Si reduce ejecución y revisión sin elevar reaperturas, entonces aparece un caso económico defendible.
© 2026 Andres Ospina
