La IA para empresas está entrando en una etapa distinta: ya no basta con que el modelo responda bien, ahora se exige que cada respuesta sea verificable y citable. Ese es exactamente el eje de la integración que Thomson Reuters y OpenAI presentaron el 19 de octubre de 2026, donde las herramientas legales CoCounsel Legal y HighQ se conectan a ChatGPT Enterprise para que el profesional pueda revisar, citar y respaldar con su nombre lo que la IA produce.
El problema que resuelve no es nuevo ni exclusivo del sector legal. Cuando alguien redacta un documento complejo —un contrato global, por ejemplo— termina saltando entre sistemas distintos, coordinando con otras oficinas, con colegas y con asesores externos. Cada salto cuesta tiempo y, sobre todo, cuesta contexto. Según Camillo Speroni, de Thomson Reuters, esa dispersión "los aleja de donde realmente pueden aportar valor".
En este artículo veremos por qué la confianza se volvió el cuello de botella de la IA corporativa, qué significa tener una IA verificable en la práctica y cómo se traduce esto para una empresa mediana en Perú o Latinoamérica que recién empieza a ordenar sus procesos con tecnología.
¿Por qué la confianza se volvió el problema central de la IA?
Durante los últimos dos años el debate se centró en la capacidad de los modelos: cuántos parámetros, qué tan rápido razonan, qué tan largas son sus respuestas. Ese debate ya está resuelto en la práctica. El nuevo cuello de botella es otro: nadie firma algo que no puede rastrear.
Thomson Reuters lo plantea con una frase que resume bien el estándar: existe una obligación fiduciaria con los profesionales legales de entregar un mensaje que puedan confiar y poner su nombre. Es decir, la IA no compite contra el criterio humano, lo asiste, pero solo si el resultado es auditable.
Esto explica por qué la integración se hace dentro de ChatGPT Enterprise y no en una herramienta aislada. La empresa busca un entorno central de comunicación, no una ventana más. Cuando el trabajo ocurre en un solo lugar y cada afirmación queda vinculada a su fuente, el profesional recupera algo que había perdido: la posibilidad de revisar rápido y responder por el resultado.
Hay un dato relevante en el anuncio de Thomson Reuters: HighQ ya está disponible mediante una conexión de Model Context Protocol (MCP), mientras que la experiencia de CoCounsel Legal dentro de ChatGPT se presenta como una vista previa de lo que viene. Es decir, no todo está disponible al mismo tiempo, y esa distinción importa cuando se planifica una adopción real.
¿Qué significa tener una IA verificable en el trabajo diario?
Verificable significa tres cosas concretas. Primero, que la respuesta llega con su origen identificable. Segundo, que se puede citar sin tener que reconstruir el razonamiento desde cero. Tercero, que el profesional puede aprobarla o rechazarla con criterio propio, sin convertirse en un simple intermediario entre la máquina y el cliente.
El caso legal es útil porque es extremo: los documentos tienen consecuencias legales, plazos y responsabilidades. Pero el mismo patrón aparece en cualquier área. Un analista financiero que arma un informe para directorio, un jefe de operaciones que redacta un procedimiento, un área comercial que prepara una propuesta técnica. En todos los casos, el valor no está en que la IA escriba más rápido, sino en que el resultado sea defendible frente a un tercero.
Aquí conviene señalar un límite que la fuente no demuestra. La entrevista describe la intención y la arquitectura de la integración, pero no presenta métricas de precisión, tiempos de adopción ni tasas de error en documentos reales. Tampoco hay evidencia pública de cuánto reduce el tiempo de revisión ni de cómo se comporta el sistema con normativa peruana o latinoamericana, que tiene particularidades propias. Mi lectura es que la dirección es correcta, pero la validación de resultados todavía queda pendiente y cada organización tendrá que medirla con sus propios casos.
Ese es el punto donde muchas implementaciones fallan. Se compra la herramienta, se entrena al equipo y nadie define qué significa "funcionó bien". Sin una métrica clara —tiempo de ciclo, número de correcciones, porcentaje de respuestas aceptadas sin retrabajo— la adopción se vuelve una opinión.
¿Qué implica esto para una empresa en Perú o Latinoamérica?
Para una empresa mediana peruana, la lección no es "contratemos ChatGPT Enterprise mañana". La lección es que la trazabilidad se puede construir antes de tener presupuesto para IA de frontera.
Piensa en el área legal o de contratos de una empresa con operaciones en Lima, Arequipa y quizá una sede en Chile. Hoy el flujo típico es correo, WhatsApp, una carpeta compartida y un Excel de control. Nadie sabe con certeza cuál es la última versión del contrato ni qué cláusula cambió. Si mañana se suma un asistente de IA a ese desorden, el desorden simplemente se acelera.
El orden correcto es inverso: primero unificar dónde vive la información, después conectar la IA. Eso es exactamente lo que hace la integración de Thomson Reuters, y también es la lógica que aplica cuando se implementa un ERP o un flujo de automatización. La herramienta no arregla el proceso; lo expone.
Para equipos de TI y desarrollo en la región, hay un segundo aprendizaje técnico. La conexión mediante MCP muestra que el camino ya no es construir integraciones propietarias para cada sistema, sino adoptar protocolos abiertos que permitan a los asistentes consultar datos de distintas fuentes. Para quien desarrolla en .NET, Java o TypeScript, esto cambia el tipo de trabajo: menos plomería entre sistemas, más diseño de reglas de negocio y control de acceso. Si tu equipo está evaluando por dónde empezar con ChatGPT Enterprise o con automatizaciones internas, puedes conversar con nosotros sobre tu caso y revisar qué conviene ordenar primero.
¿Cómo aplica esto en tu empresa?
No necesitas un contrato global para aprovechar el principio. Estas acciones se pueden ejecutar esta misma semana.
- Define un caso de uso con consecuencia real. No empieces por "usar IA en general". Elige un documento o decisión donde un error cueste dinero o tiempo: una propuesta comercial, un informe de gestión, una respuesta a un cliente corporativo.
- Exige fuente en cada respuesta. Establece como regla interna que todo output de IA que salga de la empresa debe indicar de dónde sale cada dato relevante. Si el asistente no puede citar, no se usa para ese caso.
- Unifica el entorno antes de automatizar. Si la información está repartida en correos y carpetas personales, ningún asistente será confiable. Consolidar el repositorio es el paso previo, no el siguiente.
- Mide tres números. Tiempo de ciclo del documento, número de correcciones humanas y porcentaje de respuestas aceptadas sin retrabajo. Con esos tres datos sabrás si la herramienta aporta o solo entusiasma.
- Documenta la responsabilidad. Define quién aprueba el resultado final. La IA propone, la persona firma. Si nadie firma, el proceso no está listo.
Si tu equipo ya usa asistentes de IA de forma informal, el riesgo no es que fallen: es que nadie sepa qué se generó, con qué datos y quién lo aprobó. Puedes revisar cómo estructuramos estos flujos en ContentFlow o explorar otros casos en el blog de Consultoría TI.
Preguntas Frecuentes
¿Qué es una IA verificable y por qué importa en una empresa?
Una IA verificable es aquella cuyas respuestas pueden rastrearse hasta su fuente y ser citadas por la persona que las usa. Importa porque en un entorno empresarial alguien tiene que responder por el resultado: si no se puede comprobar de dónde salió un dato, ese dato no sirve para tomar decisiones ni para entregarlo a un cliente.
¿Necesito ChatGPT Enterprise para aplicar este enfoque?
No. La herramienta ayuda, pero el principio es independiente del proveedor. Lo que necesitas es que la información esté consolidada en un solo entorno, que cada respuesta indique su origen y que exista una persona responsable de aprobar el resultado final. Eso se puede implementar con herramientas más simples y con procesos bien definidos.
¿Qué es el Model Context Protocol y por qué aparece en este anuncio?
El Model Context Protocol (MCP) es un estándar de conexión que permite a un asistente de IA consultar datos y funciones de otros sistemas sin desarrollar una integración distinta para cada uno. Thomson Reuters lo usa para conectar HighQ con ChatGPT Enterprise, lo que reduce el trabajo de integración y facilita que el asistente acceda a información real de la organización.
Conclusión: ¿hacia dónde va la IA para empresas?
El anuncio de Thomson Reuters y OpenAI marca una dirección clara: la ventaja competitiva ya no estará en tener acceso a un modelo potente, sino en poder demostrar que lo que ese modelo produce es correcto y rastreable. La obligación fiduciaria que menciona Speroni no es solo legal; es la misma que tiene cualquier gerente frente a su directorio.
Para las empresas peruanas y latinoamericanas, la oportunidad está en llegar a ese estándar con procesos ordenados antes que con herramientas caras. Consolidar la información, definir quién aprueba y medir resultados concretos es un trabajo que se puede empezar hoy, sin esperar a que la tecnología termine de madurar.
Si quieres evaluar cómo aplicar estos principios en tu operación, en Consultoría TI puedes conversar con nosotros sobre tu caso y revisar juntos qué conviene priorizar.
Por Edgar Vásquez, Consultoría TI · actualizado el 20 de octubre de 2026
Fuentes y Referencias
- OpenAI — Thomson Reuters on Building Trust in Legal AI (YouTube)
- Thomson Reuters — Thomson Reuters and OpenAI: Advancing an Open Ecosystem for Legal AI
- DevelopersTV — Thomson Reuters on Building Trust in Legal AI
✨ Contenido generado con ContentFlow — Consultoría-Ti