Oracle se ha convertido en su propio laboratorio de adopción masiva de inteligencia artificial generativa. Más de 130.000 empleados utilizan ChatGPT Work y 95.000 acceden a Codex, el agente de codificación de OpenAI, en funciones que van desde reclutamiento hasta ingeniería de confiabilidad y operaciones de negocio. Los números que reporta la compañía son concretos: la investigación de mercado para una vacante, que antes consumía entre dos y cuatro días, ahora se resuelve en 15 a 20 minutos; un incidente típico de producción que requería una hora se atiende en minutos; los usuarios de negocio describen el resultado que buscan y el sistema genera la consulta SQL, el reporte o la aplicación correspondiente.
La escala del despliegue permite observar patrones que los pilotos departamentales no capturan. En talento, la herramienta de inteligencia de mercado estandariza la calidad del dato que recibe cada gerente de contratación, eliminando la variabilidad entre reclutadores. En el Oracle Applications Lab, una ontología interna permite que Codex traduzca preguntas en lenguaje natural a consultas confiables sobre sistemas transaccionales. En ingeniería, los SRE delegan la recopilación de contexto y la selección de playbooks al agente, concentrándose en la decisión.
Lo que la experimentación controlada confirma
Un experimento de campo con 2.234 participantes en la plataforma Pairit —donde equipos humano-IA competían contra equipos humano-humano creando anuncios— arroja evidencia estructural sobre lo que Oracle vive a escala. Los equipos asistidos por IA produjeron 50 % más anuncios por persona y texto de mayor calidad, pero sus salidas fueron más homogéneas: un colapso de diversidad medido como mayor auto-similitud entre piezas. Los equipos puramente humanos ganaron en calidad de imagen.
Tres mecanismos explican la diferencia. Primero, la comunicación en equipos humano-IA fue 25 % más orientada a la tarea —instrucciones, planificación, priorización— y 18 % menos interpersonal —rapport, autoevaluación, preocupación—. Segundo, la delegación aumentó 17 %: los participantes hicieron 62 % menos ediciones directas de texto cuando colaboraban con el agente. Tercero, quienes identificaron correctamente que su compañero era una IA adoptaron conductas más orientadas a la tarea y delegaron más, lo que medió el rendimiento.
Esa delegación mejoró la calidad de texto pero no la de imagen, confirmando la frontera dentada de la capacidad actual: los agentes destacan en procesamiento simbólico y código, no en juicio visual o creativo. Además, la delegación correlacionó positivamente con la homogeneización de salidas.
El contrapunto financiero
Mientras la productividad interna se acelera, la cuenta de resultados muestra la tensión del modelo de inversión. El primer trimestre fiscal cerró con ingresos totales de 19.300 millones de USD (+30 %), nube a 11.600 millones de USD (+62 %) y una cartera de contratos que alcanzó 664.000 millones de USD tras añadir 30.000 millones de USD en nuevos acuerdos de IA. Sin embargo, el flujo de caja libre fue negativo en 5.400 millones de USD y la acción cotiza alrededor de 160 USD, menos de la mitad de su máximo de 345 USD de septiembre de 2025. El capex anual estimado entre 90.000 y 95.000 millones de USD —con hasta 70.000 millones de USD en efectivo neto— obliga a demostrar que la demanda se convierte en caja, no solo en backlog.
Avanza la diversificación de clientes: Uber, Stanford, Mitsubishi UFG, Johnson Controls, Saudi National Bank, Petronas. El uso de capacidades de IA integradas en aplicaciones Fusion superó 150 millones de invocaciones en el trimestre (+42 %), los agentes en producción se duplicaron a 3,5 millones de ejecuciones y el número de agentes activos creció 90 % a 2.300. El consumo de tokens en Fusion alcanzó 900.000 millones.
Implicaciones para la empresa latinoamericana
No se trata de replicar el gasto de Oracle —pocas organizaciones en la región pueden absorber 70.000 millones de USD en capex neto—, sino de entender la arquitectura de la ganancia. Tres variables determinan el retorno:
1. Densidad de conocimiento tácito codificable. Reclutamiento, respuesta a incidentes, generación de reportes SQL: tareas donde el experto sigue un patrón repetible y el costo de error es bajo si hay validación humana. En banca, retail o telecom latinoamericanos, abundan procesos así. 2. Gobernanza de la delegación. El estudio de IBM con 669 desarrolladores usando Watsonx Code Assistant encontró que "entender código" fue el caso de uso principal, superando a "producir código". La productividad neta subió, pero no para todos; la responsabilidad compartida sobre el código generado exige guardrails de arquitectura, seguridad y mantenibilidad —exactamente lo que el VP de Oracle Applications Lab, Richard Lam, subraya: "alguien tiene que asegurar que el sistema subyacente está bien construido".
3. Costo de la homogeneización. En mercados donde la diferenciación de servicio o producto es el moat, la convergencia de salidas asistidas por IA erosiona ventajas. Equipos de marketing, diseño de producto o estrategia en México, Colombia o Brasil deben diseñar puntos de control donde el juicio humano rompa la uniformidad.
En la región, la regulación emergente —ley de datos en Brasil, discusiones de IA en México y Chile— añade una capa de cumplimiento: trazabilidad de decisiones automatizadas, explicabilidad en crédito o reclutamiento, soberanía de datos. Oracle resuelve parte ofreciendo modelos abiertos (Qwen, DeepSeek, Nvidia) y APIs de terceros (OpenAI, Gemini, Grok) dentro de su marketplace, pero la configuración de guardrails sigue siendo responsabilidad del cliente.
La pregunta que queda
El co-CEO Clay Magouyrk admitió en entrevista reciente que "no hemos conseguido que la IA sea realmente útil para nosotros" en ciertos frentes, pese a los números internos. La brecha entre productividad medida en tareas discretas y utilidad estratégica percibida en el negocio completo es donde los ejecutivos latinoamericanos deben calibrar expectativas. ¿Está su organización midiendo reducción de horas-hombre o está construyendo la capacidad de validar, gobernar y diferenciar lo que la IA produce a escala?
