OpenAI propone medir el valor de la IA con “inteligencia útil por dólar”

OpenAI publicó el 17 de julio de 2026 un marco empresarial que invita a las compañías a evaluar la inversión en IA mediante la “inteligencia útil por dólar”. Su argumento central es que las métricas de adopción y el precio por token no reflejan el resultado que importa: cuánto trabajo valioso alcanza un nivel de calidad aceptable.

El marcador propuesto tiene cuatro partes: trabajo útil completado, coste total por tarea exitosa, fiabilidad y si cada dólar invertido en IA genera más valor a medida que crece el uso. Es un marco propuesto por una empresa, no un estándar neutral de la industria, pero ofrece una manera práctica de llevar la conversación sobre IA más allá del recuento de actividad.

Medir el flujo de trabajo, no el prompt

El marco recomienda empezar con un solo flujo y definir qué significa “hecho” en el sistema donde el trabajo ocurre. Para soporte, puede ser un problema de cliente resuelto. Para ingeniería, un cambio que supera las pruebas. Para trabajo legal, una revisión precisa y entregada a tiempo.

Ese enfoque también cambia el cálculo del coste. El precio de un token es solo una entrada. El coste real de una tarea incluye cómputo, tiempo de empleados, reintentos, revisión y retrabajo. Un modelo barato puede resultar más caro si exige varios intentos; uno más capaz puede aportar mejor valor si resuelve el trabajo con menos intervenciones.

La fiabilidad también forma parte de la economía

OpenAI sugiere registrar si un resultado está listo para usar, necesita corrección o requiere escalar a una persona. Son categorías sencillas, pero distinguen una respuesta fluida de un resultado de flujo de trabajo en el que alguien puede confiar.

Los equipos también necesitan límites explícitos antes de que la IA pase de redactar a actuar: a qué datos puede acceder, qué sistemas puede cambiar y cuándo una persona debe revisar o aprobar un paso. La seguridad, la privacidad y el control no son asuntos separados del retorno de inversión; afectan a cuánta revisión, corrección y confianza exige un flujo.

Qué deberían hacer los equipos después

• Elegir un flujo de alto volumen y bien definido en lugar de intentar medir todos los usos de IA a la vez.
• Definir el éxito antes de comparar modelos o proveedores.
• Registrar todos los costes humanos y de sistema que importan, no solo el precio del modelo.
• Separar los resultados listos para usar de los que requirieron edición o escalado.
• Volver a medir con el tiempo para comprobar si la calidad se mantiene mientras baja el coste por tarea exitosa.

La perspectiva de Goodiebase

La “inteligencia útil por dólar” se entiende mejor como un marco de decisión, no como un KPI universal. Su idea más sólida es sencilla: los equipos deben medir trabajo terminado y aceptable en su contexto. Si una herramienta de IA hace que la actividad parezca impresionante pero añade ciclos de revisión, incertidumbre o coste operativo oculto, todavía no ha demostrado su valor.