Los agentes de IA dejaron de ser ciencia ficción y llegaron a tu día a día con una pregunta bastante directa: ¿hasta dónde estarías dispuesto a ceder el control de tu vida digital a una IA? 🤖
Parece una cuestión filosófica, pero en la práctica es exactamente lo que OpenAI está poniendo sobre la mesa con ChatGPT Work, su producto más ambicioso hasta ahora. La idea central es sencilla: en lugar de solo responder preguntas, la IA pasa a ejecutar tareas completas por su cuenta, conectando correos electrónicos, calendarios, hojas de cálculo, herramientas de gestión y mucho más. Ya no se trata de escribir un prompt y esperar una respuesta. Se trata de delegar responsabilidades reales a un sistema que actúa, decide y ejecuta.
Y para demostrar que esto funciona de verdad, Andrew Ambrosino, ingeniero jefe de la app de escritorio de OpenAI, fue más allá de cualquier experimento controlado: le entregó a ChatGPT acceso a su bandeja de entrada, a Slack, a Notion, a Figma y hasta a su celular. Si le pido que escriba un documento, existe la posibilidad de que tome algo de un mensaje privado y no sepa que no debería compartirlo. Sí, contó Ambrosino a TechCrunch. Lo hago por el trabajo. Asumiré el golpe personal si hace falta. Y hasta ahora no ha hecho falta.
Este es el dilema que OpenAI está intentando resolver mientras apuesta todo a la siguiente fase de la inteligencia artificial. Riesgo real, beneficio real.
Qué son los agentes de IA y por qué lo cambian todo
Para entender la magnitud de este giro, vale la pena dar un paso atrás y pensar en lo que los agentes de IA realmente representan dentro del ecosistema de los LLMs. Durante mucho tiempo, los Large Language Models fueron herramientas increíbles de generación de texto, pero todavía pasivas. Tú preguntabas, ellos respondían. Tú pedías, ellos entregaban. El control permanecía en tus manos, y la IA funcionaba más como un asistente de escritura superavanzado que como un colaborador autónomo de verdad.
Los agentes de IA cambian esa lógica de forma radical. En lugar de solo procesar una entrada y generar una salida, perciben un objetivo, planifican los pasos necesarios para alcanzarlo, interactúan con herramientas externas, toman decisiones en el camino y ajustan la ruta cuando algo no sale como se esperaba. El modelo deja de ser reactivo y pasa a ser proactivo dentro de un alcance definido.
Es exactamente esa la propuesta de ChatGPT Work, lanzado el mes pasado y disponible ya en el plan más básico de la empresa, por 20 dólares mensuales. Según Thibault Sottiaux, responsable del trabajo de producto principal de OpenAI, incluyendo Work, la app ahora puede realizar tareas enteras y muy complejas de forma totalmente autónoma, de una manera que es encantadora y segura. Él resume la misión de la empresa como traer a todos juntos.
ChatGPT Work: la apuesta de OpenAI en el entorno profesional
El ChatGPT Work no es una actualización incremental. En la práctica, es una versión modificada de Codex, la herramienta de código de la propia empresa. La idea es darle a quien no es ingeniero la misma funcionalidad que los desarrolladores de software ya tienen con los agentes: una IA que no solo responde preguntas, sino que completa proyectos de múltiples etapas por su cuenta.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Comercialmente, esto importa mucho. Los agentes que trabajan durante períodos más largos consumen más tokens, lo que los hace más rentables para OpenAI por usuario. Llegar a nuevas profesiones es crucial, no solo para OpenAI, sino para la industria entera. Si la programación ya se demostró un territorio rentable para los laboratorios de IA, sigue siendo una porción pequeña del trabajo profesional que estas empresas necesitan alcanzar para justificar sus inversiones gigantescas en entrenamiento y computación. Mientras los laboratorios se enfocaron en los ingenieros de software, competidores verticales como Harvey, en el área jurídica, y Clay, en ventas, fueron detrás de esos clientes con un enfoque agnóstico de modelo, enchufando cualquier IA que funcione mejor en el momento.
Los números muestran el tamaño del desafío. Un estudio respaldado por OpenAI reveló que, en junio, el 98% de los empleados de la empresa usaban Codex, pero solo el 17% de los suscriptores organizacionales y menos del 1% de los suscriptores individuales utilizaban la herramienta. Esa diferencia entre adopción casi total dentro de la empresa y adopción despreciable fuera de ella es al mismo tiempo el desafío y la oportunidad de la compañía.
Para hacer que la app funcione para quienes no son ingenieros, hizo falta mucho más soporte. Según Ambrosino, los equipos de comunicación y finanzas de la propia OpenAI empezaron a usar Codex en un momento en que era activamente hostil con ellos, preguntando sobre código y mostrando cosas que no tenían sentido. Fue solo entre febrero y ahora que la herramienta ganó un propósito más general.
Cómo hacer la IA intuitiva
Para entender esa desconexión, ayuda comprender lo que los ingenieros de OpenAI están construyendo. Todo LLM necesita lo que los ingenieros llaman harness, el software que envuelve al modelo y decide qué información ve, qué herramientas puede usar y cómo presenta las respuestas. Si quieres que el modelo haga cosas, que se convierta en un agente, el harness le da las herramientas y las instrucciones para usarlas en tareas de largo plazo.
Para los desarrolladores, una interfaz de línea de comandos fue suficiente para cambiar la forma en que se construye software. Pero la mayoría de las personas no usa ese tipo de interfaz, hay una razón por la cual Windows reemplazó a DOS. Un producto agéntico que va más allá de la ingeniería de software, como explica Ambrosino, necesita lidiar con el mundo desordenado de tu vida, de tus herramientas y de sitios que fueron construidos en 1995 y nunca se actualizaron.
Él compara el esfuerzo con el esqueumorfismo, esa práctica ya en desuso de hacer que las herramientas digitales se parezcan a los objetos físicos que reemplazaron, como una app de calculadora con aspecto de calculadora de bolsillo. Aquello no era solo diseño anticuado. Aquello realmente ayudó a las personas a hacer la transición, afirma. Internamente, hay debates: algunos empleados defienden que los botones son innecesarios si el usuario puede simplemente pedirle al modelo. Ambrosino discrepa, al menos por ahora: Nosotros rebatimos eso, porque todavía es muy temprano. El descubrimiento importa en esta fase, y en algún momento ya no tendremos el botón. 🔍
Flujos de trabajo inteligentes: qué cambia en la práctica
Cuando hablamos de flujos de trabajo transformados por agentes de IA, vale la pena pensar en casos concretos. Por ahora, OpenAI posiciona la herramienta como ideal para tareas rutinarias e con uso intensivo de datos. Los empleados de la empresa están armando reportes semanales de métricas y transformando hojas de cálculo en herramientas de planificación.
Los inversores de capital de riesgo usan los agentes para reunir comunicaciones y análisis sobre empresas dentro de memorandos de inversión, y los equipos de operaciones crean dashboards a medida. Hasta Sam Altman usa la herramienta para planificar sus vacaciones. Un ingeniero de OpenAI describió haberle pedido al programa que revisara una conversación en Slack sobre un problema de ingeniería y generara gráficos, recibiendo de vuelta una serie de visualizaciones reveladoras.
Akshay Nathan, quien lidera el equipo de ingeniería de producto de OpenAI, resume bien el valor: Existe una avalancha de información para el trabajador promedio de cualquiera de estas empresas, incluyéndome a mí. Estamos limitados por nuestra capacidad de procesar todo lo que está disponible y actuar en consecuencia. Esa información vive en herramientas de registro de sistemas. El valor de ChatGPT es que ya tenías acceso a eso, pero ahora tienes acceso de verdad.
En la práctica, cuando el sistema funciona, es impresionante. Fue posible pedirle al ChatGPT Work que extrajera el calendario mal formateado de la guardería desde un correo electrónico y lo volcara en Google Calendar, ahorrando mucha digitación repetitiva. También armó dashboards financieros con actualización automática de empresas que cotizan en bolsa, creó bases de datos consultables y comenzó a enviar resúmenes semanales sobre nuevas investigaciones de IA.
No todo es color de rosa: los límites y la curva de aprendizaje
A pesar de todo, pedirle algo al modelo es intuitivo, pero darle lo que necesita para actuar no es tan sencillo. Configurar permisos para que un agente acceda a un drive en la nube, por ejemplo, puede ser confuso y circular. Muchas configuraciones importantes solo están disponibles en la versión web, lo que obliga al usuario a trabajar en dos lugares al mismo tiempo. Y algunas limitaciones son desconcertantes: conecta Google Calendar y el agente crea eventos, pero no calendarios nuevos.
Joe Gershenson, líder del harness de OpenAI, admite que los niveles de esfuerzo todavía no son intuitivos para nuevos usuarios. Hay cosas que podemos hacer mejor para ayudarlos a llegar al nivel correcto de razonamiento, dijo, agregando un enigmático estén atentos.
Hay además un desafío mayor para entrar en el trabajo de oficina común: la mayoría de los flujos de trabajo no es tan medible como el código. El software funciona o no funciona. En cambio, una buena presentación, una estrategia de negocios o un pitch de ventas no son tan fáciles de evaluar. Uno de los desafíos únicos de un producto como este es justamente que puede hacer cualquier cosa, resume Ambrosino. OpenAI dice usar el benchmark GDPval, con 44 ocupaciones y cientos de pruebas de trabajo intelectual, complementado por feedback de los usuarios. ⚙️
La rivalidad que moldeó el diseño de OpenAI
Detrás de toda esta carrera existe una rivalidad que nadie en OpenAI asume con naturalidad: la disputa con Claude, de Anthropic. Cuando se les preguntó qué diferencia a Codex y al ChatGPT Work de los competidores, los ingenieros fueron evasivos. La respuesta honesta es que realmente no miro los harnesses que ellos construyen, dijo Gershenson, recurriendo incluso a un meme de Mad Men.
Difícil creerlo del todo, considerando las similitudes entre las interfaces y el hecho de que lo primero que ChatGPT Work pide es importar los datos de Claude Cowork. El tema es sensible porque Anthropic definió el mercado de código con IA y lanzó una revolución en la forma en que los ingenieros trabajan. Es aún más frustrante porque OpenAI tuvo la idea primero, pero no la ejecutó bien al principio.
Herramientas que usamos a diario
Cuando desarrolló Codex como app web, los ingenieros quedaron, en palabras de Ambrosino, un poco demasiado AGI-pilled, apostando a que el modelo sería lo suficientemente inteligente para manejar todo solo. Claude Code, creado poco después, fue orientado a una conversación de ida y vuelta con el usuario, ofreciendo opciones y verificando en cada paso. El enfoque de Anthropic demostró ser más eficaz. Después, OpenAI siguió el mismo camino, añadiendo más interacción, y hoy Codex ya tomó una ligera delantera en descargas, con datos de uso empresarial sugiriendo que la empresa está alcanzando a su rival.
Al final, ¿qué hace un buen harness?
Esta discusión remite a la famosa lección amarga aprendida por los investigadores de IA: un modelo general mejor es más importante que la experiencia específica de dominio. Para los verdaderos creyentes, el harness es una muleta temporal, no la ventaja competitiva. Puedes obtener buenos resultados a corto plazo añadiendo un montón de extras, pero el próximo modelo sale en unos meses y vuelve todo eso obsoleto, advierte Gershenson.
No todos están de acuerdo. Ethan Mollick, profesor de la Wharton School que estudia herramientas de IA en el trabajo, todavía ve a Claude como más amigable, escribiendo que ChatGPT tiende a querer hacer magia y resolverlo todo por ti, mientras que Claude muestra comparaciones y pide feedback repetidamente. Sottiaux discrepa, argumentando que la naturaleza conversacional de la app es mejor que aprender a usar una aplicación. Vemos claramente que el mundo parece listo. Por eso tuvimos una adopción increíble, afirma.
Confianza, privacidad y el costo detrás de los tokens
Ninguna conversación sobre agentes de IA en entornos reales está completa sin abordar confianza, privacidad y costo. Para funcionar bien dentro de un flujo de trabajo corporativo, el agente necesita acceso a datos sensibles: correos electrónicos confidenciales, conversaciones internas, documentos estratégicos. Esto plantea preguntas serias sobre dónde quedan esos datos, quién los accede y cómo OpenAI garantiza que no serán usados para entrenar modelos sin consentimiento explícito.
También está la cuestión económica. En cuatro días de uso casual con una suscripción de 20 dólares mensuales, fue posible consumir más de 80 millones de tokens, el equivalente a unos 65 dólares según el análisis del propio modelo. Eso representa un subsidio de más de tres veces el precio de la suscripción solo por cuatro días de prueba. Trabajamos todos los días para empujar la frontera de la eficiencia, dijo Sottiaux, señalando una reducción reciente del 80% en el precio de uno de los modelos de la empresa. Si te despiertas dentro de seis meses, deberías poder hacer las mismas tareas gastando menos.
Mario Zechner, creador del harness open source Pi, resume bien el desafío de expandir los agentes de IA más allá de la programación: Todo tiene forma de agente de código, porque solo existen datos de entrenamiento para tareas de agente de código. Si soy gestor y tomo una decisión hoy cuyo resultado solo aparece meses después, eso no se captura en un simple registro de ida y vuelta entre usuario y agente. Para él, los grandes laboratorios empujan sus harnesses como forma de retener usuarios y no convertirse en meros proveedores de modelo.
Al final, la promesa sigue siendo lo que Nathan llama caja mágica. Todavía creo que hay demasiada complejidad, pero soy muy optimista de que podemos resolver eso, con el modelo y de una forma verdaderamente nativa de IA, afirma. La tecnología ya entrega valor real, el modelo de negocio está estructurado y el producto se está refinando con uso real. Lo que todavía está en construcción es la capa de confianza institucional que va a permitir que empresas de todos los tamaños adopten estos flujos de trabajo inteligentes con seguridad. Y esa parte, más que cualquier avance técnico, va a definir si todo el mundo realmente va a usar los agentes que OpenAI está construyendo. 🛡️
