La CFO de OpenAI, Sarah Friar, les dijo a los inversores el 14 de agosto que el negocio enterprise ya factura más que el de consumo. El cruce llegó dos trimestres antes de lo que la propia compañía proyectaba. La frase que resume el cambio es suya: "Entramos al año en 60-40, pero el segmento enterprise aceleró mucho más rápido de lo esperado y esas líneas ya se cruzaron".

Para quien trabaja con datos o tecnología dentro de una empresa, este dato dice algo más útil que cualquier anuncio de producto: la IA dejó de ser una herramienta que las personas usan por su cuenta y pasó a ser infraestructura que las organizaciones compran, integran y auditan. Y eso cambia el perfil que buscan.

Qué se informó exactamente

Según la cobertura de CNBC, el ritmo de ingresos anualizado de la compañía alcanzó los 40.000 millones de dólares, con un crecimiento del 32% en un solo mes en el segmento de clientes empresariales. Friar había anticipado a comienzos de año que la paridad entre ambos negocios llegaría recién a fines de 2026.

El anuncio coincidió con movimientos en el equipo comercial —la salida de la responsable de revenue tras ocho meses en el cargo y de un ejecutivo histórico de la compañía—, lo que sugiere una reorganización profunda del área de ventas para atender ese mix nuevo.

Por qué el mix importa más que la cifra

Un negocio de consumo y uno enterprise no se parecen en nada del lado del cliente. Cuando una empresa compra IA, aparecen requisitos que un usuario individual nunca plantea:

• Integración con sistemas propios. El modelo tiene que acceder al CRM, al ERP, al data warehouse. Eso requiere gente que conozca esos sistemas.

• Gobernanza de datos. Qué información puede salir de la organización, cómo se anonimiza, cuánto tiempo se retiene, quién auditó el flujo.

• Medición de resultados. Un comité de compras pide números: horas ahorradas, tickets resueltos, reducción de errores.

• Confiabilidad. Un modelo que funciona el 85% de las veces es inaceptable en un proceso crítico. Hay que diseñar la validación y la ruta de excepciones.

Ninguno de esos cuatro requisitos se resuelve con prompts. Se resuelven con arquitectura de datos, criterio de negocio y disciplina de medición: el trabajo de los equipos de data y tecnología.

Qué habilidades piden las empresas en este contexto

Preparar los datos para que la IA sirva

El obstáculo más citado por las organizaciones que intentan escalar IA no es el modelo: es la calidad de sus propios datos. Modelado, linaje, tests de calidad, catálogo y control de acceso pasaron de ser tareas de mantenimiento a ser prerrequisitos del proyecto de IA. Si el tema te resulta nuevo, esta guía sobre qué es un data warehouse y cuáles son sus características cubre la base sobre la que se apoya todo lo demás.

Evaluar sistemas, no solo construirlos

Es la habilidad más escasa hoy. Armar un conjunto de casos de prueba, definir qué cuenta como respuesta correcta, medir la tasa de acierto y monitorearla en el tiempo. Sin eso, nadie puede afirmar si el sistema mejoró o empeoró después de un cambio de modelo.

Traducir entre negocio y técnica

Los proyectos de IA enterprise fallan más por definición de alcance que por implementación. El perfil que puede sentarse con el área de operaciones, identificar el proceso, cuantificar el ahorro y después especificar la solución técnica es el que se volvió escaso.

Gobernanza y cumplimiento

Qué datos se envían a qué proveedor, con qué base legal, con qué retención. La investigación de McKinsey sobre el estado de la confianza en IA en la era agéntica ubica a las preocupaciones de seguridad y riesgo como la principal barrera para escalar. Quien sabe resolverlas desbloquea proyectos, y eso se paga.

Cómo se traduce en roles concretos

Qué hacer si querés posicionarte

1. Elegí un proceso real y medilo. Un caso con números antes y después vale más en una entrevista que cualquier certificación.

2. Aprendé a evaluar. Armá un set de 30 casos de prueba para una tarea y medí la tasa de acierto de dos modelos distintos. Es un ejercicio simple y muy demostrativo.

3. Fortalecé la base de datos. SQL sólido y comprensión de modelado siguen siendo el diferencial que sostiene todo lo demás.

4. Documentá el riesgo. Saber explicar qué puede fallar y cómo se mitiga es lo que separa una demo de un sistema aprobado por un comité.

Cursos recomendados de Coderhouse

• Base de datos y análisis: el Curso de SQL y el Curso de Data Analytics.

• Infraestructura de datos: el Curso de Data Engineering, clave para habilitar proyectos de IA gobernados.

• Integración de IA: el Curso de AI Engineering y, para una formación extensa en data, la Carrera de Data Scientist.

Preguntas frecuentes

¿Qué significa que el negocio enterprise supere al de consumo?

Que la mayor parte de los ingresos proviene de empresas que pagan por API, licencias corporativas y contratos, en lugar de suscripciones individuales. Implica un cliente con requisitos de integración, seguridad y medición mucho más exigentes.

¿Esto significa que hay más demanda laboral en IA?

Sí, y desplazada hacia perfiles de implementación: integración, datos, evaluación y gobernanza. La demanda de "saber usar herramientas de IA" se volvió un requisito básico, no un diferencial.

¿Un analista de datos necesita aprender IA para seguir siendo competitivo?

Necesita saber trabajar con IA en su flujo —acelerar consultas, clasificar texto libre, documentar— y sobre todo saber evaluar resultados. No necesita entrenar modelos desde cero.

¿Por qué la calidad de datos es el principal obstáculo?

Porque un modelo aplicado sobre datos inconsistentes produce respuestas plausibles pero incorrectas, lo que es peor que no tener respuesta. Ordenar el dato antes de sumar IA es lo que separa un piloto exitoso de uno que se abandona.

¿Conviene especializarse en un solo proveedor de IA?

No. Las empresas cada vez más usan varios modelos según la tarea y el costo. Lo que conviene desarrollar son habilidades transferibles: integración vía API, evaluación de resultados, control de costos y diseño de procesos.