Oracle despliega ChatGPT Enterprise y Codex tras años de dudas internas con la IA
El gigante de bases de datos tardó en aplicar a su propia plantilla la IA que vende a sus clientes. En tres meses llegó al 80% de uso y ahora lidia con la factura y con los cuellos de botella.
Oracle lleva dos años gastando miles de millones de dólares en ayudar a otras empresas a ejecutar IA. Dentro de casa, en cambio, tardó bastante más. El despliegue serio arrancó en abril con ChatGPT Enterprise y Codex, y en tres meses el 80% de la plantilla ya usaba esas herramientas. Ahora la compañía pelea con la factura y con los cuellos de botella que la velocidad de generación de código ha movido de sitio.
El co-CEO Clay Magouyrk lo admitió en un encuentro interno: hasta el año pasado la empresa no había encontrado la forma de que la IA generativa resultara útil a toda la plantilla. El primer intento se quedó en soporte al cliente y no llegó a desarrollo, finanzas ni ventas. El CIO Jay Evans sitúa el punto de inflexión en abril y mayo de este año.
Oracle no se limitó a repartir licencias. A la vez definió estándares, controles de seguridad y políticas internas, y en esos tres meses alcanzó el 80% de uso. "Hicimos las herramientas tan fáciles de usar que quizá nos asustamos un poco con el coste", dijo Evans, que puso en marcha un sistema de monitorización interna para saber qué modelos usa cada empleado y cuánto cuesta cada uno.
El precio por modelo es la parte incómoda. GPT-6 Astra sale 2,5 veces más caro que otras opciones y buena parte del trabajo diario no necesita ese nivel: para lo corriente basta Terra. Las cifras son de la propia Oracle, que no ha detallado el gasto total.
El cuello de botella se muda
La ganancia en velocidad es real: un desarrollador genera código en una semana donde un equipo tardaba dos o tres trimestres. Lo que no ha llegado es una entrega de producto más rápida. La empresa sigue rediseñando pruebas, validación, despliegue y gestión de releases para que aguanten ese ritmo de generación. Magouyrk lo resumió así: "Que escribir código sea más rápido no significa que todo vaya a ser 1.000 veces más rápido de golpe".
En seguridad, Oracle tuvo acceso anticipado a Mythos Preview, el modelo de Anthropic para rastrear vulnerabilidades en código. En dos semanas encontró más problemas potenciales que los detectados en todo un año anterior. El problema es el ruido: Evans calcula que entre el 60% y el 70% de esos hallazgos son falsos positivos, así que montó un proceso para que un ingeniero confirme si el fallo existe antes de tocar nada. El modelo se presentó en abril como uno de los sistemas más capaces hasta la fecha, con avisos de gobiernos y agencias por su potencial en ciberseguridad.
Para quien despliega algo así, el aprendizaje no está en qué modelo es el mejor, sino en cuál es el más barato que resuelve cada tarea y en tener verificación humana lista cuando el escáner escupe cientos de hallazgos. El cuello de botella no desaparece: se muda al siguiente eslabón de la cadena.
