Cómo RingCentral construye trabajo nativo en IA desde ingeniería hasta operaciones

RingCentral no está jugando con IA para hacer marketing. La están usando para construir más rápido, operar mejor y tomar decisiones con datos que antes estaban dispersos en mil planillas y dashboards.

La compañía, que cotiza en bolsa y provee soluciones de comunicaciones cloud a empresas grandes, decidió hace tiempo que la IA no era un agregado sino el nuevo sistema operativo de su forma de trabajar. Y lo implementaron de ingeniería a operaciones usando principalmente dos herramientas de OpenAI: ChatGPT Work (la versión enterprise) y Codex, su motor de código.

Del código a la producción en menos tiempo

En el lado de ingeniería, el impacto más concreto es la velocidad de desarrollo de sus productos de IA. Usando Codex como copiloto avanzado, los ingenieros generan código base, tests automáticos y hasta documentación que antes tomaba días. Según los números que comparten, redujeron el tiempo de prototipado de features de IA en más del 40%.

Pero no es solo “escribe este endpoint”. El flujo real es más interesante: un PM describe un caso de uso en lenguaje natural, un ingeniero lo refina con ChatGPT Work, Codex genera la estructura y luego el equipo humano revisa, asegura calidad y lo lleva a producción. Ese loop les permitió lanzar varias funcionalidades de IA nativa en sus productos de contact center y meetings en los últimos meses.

Inteligencia operativa centralizada

Del lado de operaciones el cambio es igual de fuerte. RingCentral centralizó lo que llaman “operational intelligence” en un solo lugar alimentado por ChatGPT Work. En vez de tener datos de uso, tickets de soporte, métricas de performance y feedback de clientes en silos, todo se consulta en un solo prompt.

Un manager de ops puede preguntar “mostrame la tendencia de fallos en la integración con Salesforce en LATAM el último trimestre” y el sistema cruza logs, tickets y datos de uso sin que nadie arme 17 queries. Eso liberó horas de analistas que antes pasaban el día armando reportes.

El setup que usan realmente

• ChatGPT Work como capa de razonamiento y consulta unificada de datos internos (conectado a sus sistemas via APIs seguras).
• Codex para todo lo relacionado a código, desde sugerencias hasta generación de pipelines de CI/CD.
• Un fuerte énfasis en governance: todo output pasa por revisión humana y hay políticas claras de qué datos pueden entrar al modelo.

En Argentina y el resto de LATAM, donde muchas pymes usan RingCentral o competidores como Zoom y Microsoft Teams, este tipo de adopción masiva de IA en empresas grandes termina bajando de precio y madurando las herramientas que después usamos los más chicos. Cuando un jugador de este tamaño invierte fuerte en IA nativa, el ecosistema se mueve.

Los números que importan

La empresa reporta que equipos de ingeniería están cerrando ciclos de desarrollo 35-45% más rápido en features de IA. En operaciones, el tiempo dedicado a reportes manuales cayó casi un 60%. Y lo más importante: la calidad no bajó, porque el humano sigue siendo el que toma la decisión final.

Esto no es un caso de “usamos IA y somos más productivos”. Es un ejemplo concreto de cómo rearmar procesos enteros alrededor de la IA como capa principal. Para emprendedores y startups locales que miran estos casos, la lección es clara: no agregues IA a tu flujo actual. Rediseñalo desde cero pensando en que un modelo puede razonar, generar y analizar a escala.

Veredicto

Si tu negocio todavía trata a la IA como un chatbot bonito, estás perdiendo ventaja. RingCentral muestra que cuando la pones en el centro —desde el código hasta las decisiones diarias— el impacto es medible en plata y en velocidad. Y eso, en LATAM, donde hay que hacer más con menos, es exactamente lo que necesitamos ver.