Elastic se convierte en la memoria corporativa de los agentes de OpenAI: menos tokens, más precisión

Por Zendoric · 31 de julio de 2026.

Elastic y OpenAI han ampliado su alianza para que Elasticsearch —el motor de búsqueda y análisis de datos de Elastic— actúe como capa de contexto para los modelos de OpenAI. La idea, según ambas compañías, es que las empresas puedan construir agentes de IA listos para producción, no solo demos, apoyados en tres frentes: agentes conscientes del contexto de la empresa, observación de agentes (agentic observability) y operaciones de seguridad gestionadas por agentes.

El reparto de tareas es claro: OpenAI aporta el razonamiento —los modelos que deciden qué hacer—, Elastic aporta la recuperación de información, el gobierno de acceso y la capa operativa de datos. Es la división de trabajo que se está consolidando en toda la industria: el modelo ya no es el único cuello de botella; lo es el acceso ordenado, seguro y actualizado al conocimiento real de la empresa.

Ese conocimiento vive, sobre todo, en datos no estructurados: documentos internos, tickets de soporte, logs de sistemas, métricas y alertas de seguridad. Elastic combina búsqueda léxica (por palabras) y vectorial (por significado), reordenamiento semántico, filtros y control de acceso en una sola plataforma, de modo que un agente solo "ve" lo que el usuario que lo invoca tendría permiso de ver. En sus pruebas internas, Elastic dice haber alcanzado un recall (la proporción de resultados relevantes que el sistema logra recuperar) de 0,89 manteniendo esa protección de datos por usuario.

El dato más llamativo es técnico: en un experimento sobre el dataset BrowseComp-Plus (usado para medir sistemas de recuperación de información), los llamados Knowledge Indicators —una función que Elastic prevé llevar a disponibilidad general próximamente— redujeron hasta un 75% el uso de tokens de entrada (las unidades de texto que procesa un modelo, que determinan buena parte del coste de cada consulta) frente a un sistema RAG estándar. RAG, o generación aumentada por recuperación, es la técnica que permite a un modelo consultar una base de datos externa antes de responder, en lugar de fiarse solo de lo aprendido en el entrenamiento. Según Elastic, la precisión subió del 60% al 92% en ese mismo experimento. Si esos números se sostienen fuera del laboratorio, hablamos de agentes bastante más baratos de operar y más fiables al mismo tiempo, la combinación que suele decidir si un piloto de IA empresarial pasa a producción o se queda en diapositiva.

La otra pata del anuncio es seguridad. Dentro de Elastic Security, la función Attack Discovery usa modelos de OpenAI para correlacionar alertas sueltas en cadenas de ataque coherentes, mapeadas contra MITRE ATT&CK (el catálogo de referencia de tácticas y técnicas de ciberataque que usa la industria). Según datos aportados por la propia Elastic, Visa redujo el tiempo de triaje de detecciones en sistemas mainframe de entre 10 y 20 minutos a solo segundos, y Airtel reporta un triaje hasta un 40% más rápido. Elastic participa además en el programa Daybreak Cyber Partner de OpenAI para integrar los modelos GPT-5.5 Cyber, pensados específicamente para tareas de ciberseguridad.

En general, este movimiento encaja con algo que llevamos meses observando: la competencia en IA de empresa se ha desplazado del modelo a la infraestructura que lo rodea. Ya lo vimos con el acercamiento de Google y Microsoft a la distribución y los estándares de agentes: gana terreno quien controla la "fontanería" —dónde vive el dato, quién puede tocarlo, cómo se audita— y no solo quien tiene el modelo más listo. Elastic se coloca ahí, como capa de memoria y gobierno para agentes ajenos, en vez de competir directamente por construir el modelo.

Nuestra lectura: para los equipos de seguridad y soporte esto es una buena noticia con matices. A corto plazo, automatizar el triaje de alertas de primer nivel —la tarea más repetitiva de un centro de operaciones de seguridad— reduce la necesidad de plantillas grandes dedicadas a mirar paneles y descartar falsos positivos. Es destrucción de empleo real en ese escalón concreto, y conviene decirlo sin rodeos. Pero también libera a los analistas para el trabajo que exige criterio: reconstruir la cadena de ataque completa, decidir la respuesta, hablar con el negocio. Es el mismo patrón que venimos documentando sector a sector: lo administrativo y repetitivo se automatiza primero; el juicio experto se revaloriza después. A largo plazo, un mundo donde la ciberseguridad y el soporte técnico dejan de depender de ejércitos de personas revisando alertas manualmente es un mundo con más capacidad humana disponible para problemas que de verdad importan. La condición para que esa transición sea razonable es que el ahorro de horas se traduzca en recualificación, no solo en recortes de plantilla.