En VentureBeat’s Transform 2025 ConferenciaOlivier Godement, cabecilla de producto de la plataforma API de OpenAi, proporcionó una examen detrás de terreno de cómo los equipos empresariales están adoptando y desplegando agentes de IA a escalera.

En un panel de discusión de 20 minutos, organicé exclusivamente con el veloz, el ex investigador de stripe y contemporáneo cabecilla de la API de OpenAI desempaquetó las últimas herramientas de desarrolladores de OpenAI, las respuestas API y los agentes SDK, al tiempo que destacan patrones del mundo vivo, consideraciones de seguridad y ejemplos de retorno de costos de adoptadores tempranos como Stripe and Box.

Para los líderes empresariales que no pueden asistir a la sesión en vivo, aquí están los 8 principales conclusiones más importantes:

Los agentes se están moviendo rápidamente del prototipo a la producción

Según el DIOSO, 2025 marca un cambio vivo en cómo se está desplegando AI a escalera. Con más de un millón de desarrolladores activos mensuales que ahora utilizan la plataforma API de OpenAI a nivel mundial, y el uso de tokens aumentó un 700% año tras año, la IA está fuera más allá de la experimentación.

“Han pasado cinco abriles desde que lanzamos esencialmente GPT-3 … y el hombre, los últimos cinco abriles han sido harto salvajes”.

El doynement enfatizó que la demanda contemporáneo ya no se negociación solo de chatbots. “Los casos de uso de IA se están moviendo de preguntas y respuestas simples para usar casos en los que la aplicación, el agente, puede hacer cosas por usted”.

Este cambio llevó a OpenAI a editar dos principales herramientas de orientación para desarrolladores en marzo: el Respuestas API y el Agentes SDK.

Cuándo usar arquitecturas de agentes individuales frente a subgentes

Un tema principal fue la disyuntiva arquitectónica. El altiendo señaló que los bucles de un solo agente, que encapsulan el acercamiento completo de la utensilio y el contexto en un maniquí, son conceptualmente elegantes pero a menudo poco prácticos a escalera.

“Construir agentes individuales precisos y confiables es difícil. Como, es positivamente difícil”.

A medida que aumenta la complejidad, más herramientas, más entradas de usuarios posibles, más lógicos, los vajillas a menudo se mueven en dirección a arquitecturas modulares con subciburentes especializados.

“Una experiencia que ha surgido es esencialmente desglosar a los agentes en múltiples subcibentes … Harías separación de preocupaciones como en el software”.

Estos subgestados funcionan, como roles en un equipo pequeño: un agente de clasificación clasifica la intención, los agentes de nivel uno manejan problemas de rutina, y otros aumentan o resuelven los casos de borde.

Por qué las respuestas API es un cambio de paso

El dando posicionó la API de las respuestas como una transformación fundamental en las herramientas de desarrolladores. Anteriormente, los desarrolladores orquestaron manualmente secuencias de llamadas maniquí. Ahora, esa orquestación se maneja internamente.

“La API de las respuestas es probablemente la nueva capa de ensimismamiento más ancho que presentamos desde casi GPT-3”.

Permite a los desarrolladores expresar intención, no solo configurar los flujos del maniquí. “Te importa devolver una muy buena respuesta al cliente … La API de respuesta esencialmente maneja ese onda”.

Todavía incluye capacidades incorporadas para la recuperación de conocimiento, búsqueda web y llamadas de funciones, toolas que las empresas necesitan para flujos de trabajo de agentes del mundo vivo.

La observabilidad y la seguridad están integrados

La seguridad y el cumplimiento eran lo más importante. El DIENDE citó barandillas esencia que hacen que la pila de OpenAi sea viable para sectores regulados como finanzas y atención médica:

• Refusales basadas en políticas
• Registro de SoC-2
• Soporte de residencia de datos

La evaluación es donde el veloz ve la anciano brecha entre la demostración y la producción.

“Mi opinión es que la evaluación del maniquí es probablemente el cuello de botella más ancho para la prohijamiento masiva de IA”.

Operai ahora incluye herramientas de rastreo y evaluación con la pila API para ayudar a los equipos a concretar cómo se ve el éxito y rastrear cómo funcionan los agentes con el tiempo.

“A menos que invierta en evaluación … es positivamente difícil desarrollar esa confianza, esa confianza de que el maniquí está siendo preciso, confiable”.

El ROI temprano es visible en funciones específicas

Algunos casos de uso empresarial ya están entregando ganancias medibles. Dando aldo ejemplos de:

• Guiónque utiliza agentes para acelerar el manejo de las facturas, informar “35% de resolución de realización más rápida”
• Cajaque lanzó asistentes de conocimiento que habilitan “Triage de boletos de toque cero”

Otros casos de uso de detención valencia incluyen atención al cliente (incluida la voz), la gobernanza interna y los asistentes de conocimiento para navegar por la documentación densa.

Lo que se necesita para editar en producción

El altiendo enfatizó el divisor humano en despliegues exitosas.

“Hay una pequeña fracción de personas de muy adhesión variedad que, cada vez que ven un problema y ven una tecnología, lo corren”.

Estos campeones internos no siempre provienen de la ingeniería. Lo que los une es persistencia.

“Su primera reacción es, ok, ¿cómo puedo hacer que funcione?”

Operai ve muchas implementaciones iniciales impulsadas por este montón: personas que impulsaron el uso temprano de ChatGPT en la empresa y ahora están experimentando con los sistemas de agentes completos.

Todavía señaló una brecha que muchos pasan por detención: la experiencia en el dominio. “El conocimiento en una empresa … no se encuentra con los ingenieros. Se encuentra con los equipos de OPS”.

Hacer que las herramientas de construcción de agentes sean accesibles para los no desarrolladores es un desafío que Operai tiene como objetivo acometer.

¿Qué sigue para los agentes empresariales?

El altre ofreció un vistazo a la hoja de ruta. Operai está trabajando activamente en:

• Agentes multimodales que pueden interactuar a través de texto, voz, imágenes y datos estructurados
• Memoria a generoso plazo para retener el conocimiento a través de las sesiones
• Orquestación entre nimbo para permitir entornos de TI complejos y distribuidos

Estos no son cambios radicales, sino capas iterativas que expanden lo que ya es posible. “Una vez que tenemos modelos que pueden pensar no solo durante unos segundos, sino durante minutos, durante horas … eso permitirá algunos casos de uso harto alucinantes”.

Palabra final: los modelos de razonamiento no tienen

El altre cerró la sesión reafirmando su creencia de que los modelos con capacidad de razonamiento, aquellos que pueden reflejarse antiguamente de reponer, serán los verdaderos facilitadores de la transformación a generoso plazo.

“Todavía tengo convicción de que estamos más o menos en el nivel de virilidad GPT-2 o GPT-3 de esos modelos … todavía estamos rascando la superficie en lo que pueden hacer los modelos de razonamiento”.

Para los tomadores de decisiones empresariales, el mensaje es claro: la infraestructura para la automatización de agente está aquí. Lo que importa ahora es construir un caso de uso enfocado, empoderar a los equipos interfuncionales y estar avispado para iterar. La próximo escalón de la creación de valencia no se encuentra en demos novedosas, sino en sistemas duraderos, conformado por las micción del mundo vivo y la disciplina operativa para hacerlas confiables.