La Promesa de la Automatización: ¿Una Visión Cautelar del Futuro?
En el vertiginoso avance de la inteligencia artificial, emerge una pregunta crucial: ¿cuánto control estamos dispuestos a ceder a un modelo de lenguaje grande (LLM) sobre nuestra existencia digital? Para aprovechar al máximo el valor de estos sistemas, la clave parece ser otorgarles las riendas. Esta premisa, que para muchos podría sonar alarmante o para los más recelosos de la IA, excesiva, es vista por Andrew Ambrosino, ingeniero principal de la aplicación de escritorio de OpenAI, como la única vía para testar el futuro. Por ello, su aplicación ahora tiene acceso y control sobre su bandeja de entrada, su cuenta de Slack, su teléfono y herramientas como Notion y Figma.
Ambrosino, figura clave en el desarrollo de ChatGPT Work, el ambicioso proyecto de OpenAI lanzado el mes pasado, reconoce los riesgos inherentes. “Si le pido que escriba un documento, ¿existe la posibilidad de que extraiga información de un mensaje directo privado sobre ese tema y no sepa que no debe compartirla? Sí”, admitió a TechCrunch. “Lo haré por el trabajo. Aceptaré el golpe personal aquí y allá si es necesario. Y no he tenido que hacerlo”. Este producto, disponible en el nivel de suscripción más bajo de la compañía por 20 dólares al mes, está diseñado para permitir que los trabajadores de cuello blanco integren agentes de IA en sus flujos de trabajo digitales, desde contadores hasta médicos. La visión de OpenAI, tal como se expresa en su estrategia de convertir ChatGPT en una 'super app', es un mundo donde la inteligencia “va más allá de responder preguntas para ayudar a todos a convertir sus mayores ideas en realidad”.
Este salto cualitativo, aunque ya evidente en el ámbito del desarrollo de software, ha sido más lento en otras profesiones. ChatGPT Work es una versión modificada de Codex, la herramienta de codificación de OpenAI, pensada para ofrecer a los no ingenieros la misma funcionalidad que los ingenieros ya obtienen de los agentes: una herramienta de IA que no solo responde preguntas, sino que completa proyectos complejos de forma autónoma. Thibault Sottiaux, quien lidera el trabajo de producto central de OpenAI, enfatiza que “ChatGPT puede realizar tareas enteras, muy complicadas para ti, de forma autónoma, lo que es una delicia y seguro”. Esta misión de democratizar la IA representa un pilar fundamental para OpenAI.
La Expansión de los Agentes de IA: Datos y Realidades del Mercado
Comercialmente, la apuesta de OpenAI es significativa. Los agentes que operan por períodos más largos consumen más tokens, lo que los hace más lucrativos por usuario. Llegar a nuevas profesiones es crucial, no solo para OpenAI, sino para la industria en general. Si bien la codificación ha demostrado ser un terreno fértil para los laboratorios de IA, es solo una fracción del trabajo profesional que las herramientas de IA necesitan abordar para justificar las masivas inversiones en entrenamiento y computación. Mientras los laboratorios se han centrado en ingenieros de software, competidores verticales como Harvey (para derecho) y Clay (para ventas) han perseguido a estos clientes con un enfoque agnóstico al modelo, utilizando la IA que mejor funcione en cada momento.
Analistas de la industria, como Christian Catalini, advierten sobre la competencia. “Si los laboratorios no pueden obtener rápidamente los activos complementarios clave necesarios para escalar la IA en el mercado, el valor se acumulará en otros lugares”, escribió Catalini en el blog a16z. Adaptar las aplicaciones de IA para usuarios no ingenieros requiere un enfoque más guiado. Los equipos no ingenieros de OpenAI, como los de comunicaciones y finanzas, comenzaron a usar Codex cuando “era activamente hostil para ellos, preguntándoles sobre código y mostrándoles, ‘oh, tienes una diferencia vacía para esto’”, explicó Ambrosino. “Así que empezamos a hacerlo más general entre febrero y ahora”.
Un estudio interno de OpenAI reveló que, en junio, el 98% de sus empleados usaban Codex, pero solo el 17% de los suscriptores organizacionales y menos del 1% de los individuales utilizaban la herramienta. Esta brecha entre la adopción interna y la externa representa tanto un desafío como una oportunidad. “Cuanto más valor y utilidad generemos para los usuarios, más dispuestos estarán a pagar por parte de esa utilidad”, señaló Sottiaux, “Te sientas y piensas, ‘claro que quiero pagar 20 dólares al mes por esto’, porque el valor que obtienes es mucho mayor”.
El Desafío de la Interfaz y la Usabilidad
Para comprender la desconexión, es fundamental entender la “harness” o arnés que OpenAI está construyendo. Cada LLM requiere este software que envuelve el modelo, decidiendo qué información ve, qué herramientas puede usar y cómo presenta sus respuestas. Para que un modelo actúe como un agente, el arnés le proporciona herramientas e instrucciones para tareas a largo plazo. Para los desarrolladores, una interfaz de línea de comandos (CLI) que permitía a los LLM codificar fue suficiente para revolucionar el desarrollo de software. Sin embargo, la mayoría de las personas no usan CLIs; hay una razón por la que Windows reemplazó a DOS. Un producto agéntico que vaya más allá de la ingeniería de software “va a jugar con el mundo desordenado de tu vida, tus herramientas y sitios web construidos en 1995 que nunca se actualizaron”, comentó Ambrosino.
La funcionalidad de herramientas como OpenClaw, utilizada por programadores para poner a trabajar a los LLM, busca ser tan sencilla como una simple instrucción. “Sin estos productos frente al modelo, los expertos sabrían cómo obtener los mismos resultados, pero no llegarías a mil millones de personas usando la cosa”, dijo Ambrosino. Esta tensión entre las necesidades de los usuarios avanzados y la adopción masiva se refleja en debates internos en OpenAI, donde algunos argumentan que un botón es innecesario si los usuarios pueden simplemente preguntar al modelo directamente. Work incorpora más botones para seleccionar proyectos y plugins, buscando la misma interfaz de “caja mágica” que otros productos de OpenAI, comparándolo con el eskeuomorfismo, una práctica de diseño que ayudó a las personas a transitar hacia lo digital.
La Rivalidad con Anthropic y la Evolución del “Harness”
La rivalidad en el espacio de los agentes de IA, especialmente con Anthropic y su Claude Code, ha sido un motor clave en el diseño de productos de OpenAI. Aunque los ingenieros de OpenAI a menudo minimizan la atención a las herramientas de la competencia, las similitudes en las interfaces y la necesidad de inteligencia competitiva son evidentes. Cuando OpenAI desarrolló Codex por primera vez, hubo un enfoque excesivo en la capacidad del modelo para manejar tareas de forma autónoma. Claude Code, en contraste, se orientó hacia una conversación bidireccional con el usuario, ofreciendo opciones y solicitando retroalimentación continua. Este enfoque de Anthropic, aunque exigía más interacción del usuario, demostró ser más efectivo inicialmente.
“Nuestro producto estaba un poco por delante de donde estaban el modelo y el arnés en ese momento”, reconoce Ambrosino. OpenAI, al añadir más oportunidades para la interacción del usuario, evolucionó hacia el Codex actual. Los datos sugieren que, si bien Claude Code tuvo una mayor demanda hasta abril de este año, Codex ha tomado una ligera ventaja recientemente, con encuestas de uso empresarial que indican que OpenAI está recuperando terreno. Este avance se atribuye, en parte, a un mejor ajuste producto-mercado y a las quejas sobre las restricciones de seguridad de los modelos de Anthropic, así como a la escasez de capacidad computacional. La clave diferenciadora, según los ingenieros de OpenAI, es la fuerza de sus modelos más recientes, potentes y rentables.
Análisis de Impacto: Seguridad, Costos y el Futuro del Trabajo
OpenAI está posicionando ChatGPT Work como una herramienta ideal para tareas rutinarias y de coordinación intensiva en datos. Sus propios empleados ya lo utilizan para generar informes de métricas semanales o transformar hojas de cálculo en herramientas de planificación. Inversionistas y equipos de operaciones están empleando agentes para generar análisis sobre empresas y crear paneles de control personalizados. El CEO, Sam Altman, incluso lo usa para planificar sus vacaciones. “Hay un diluvio de información para el trabajador promedio o empleado de cualquiera de estas empresas, incluyéndome a mí”, comentó Akshay Nathan, líder del equipo de ingeniería de productos en OpenAI. “Estamos bastante limitados por nuestra capacidad para analizar todo lo que tenemos disponible y luego tomar medidas al respecto. Esta información reside en todas estas herramientas de registros de sistemas [como Salesforce… el valor de ChatGPT es que ya tienes acceso a esto, pero ahora realmente lo tienes”.
Esto podría ser el asistente personal digital que tanto anhelan los evangelistas de la IA. ChatGPT Work, al igual que Claude Cowork o el agente de navegación de Perplexity AI, conecta a los agentes con tu espacio de trabajo existente (correo electrónico, navegador web, plataformas SaaS) y utiliza ese contexto a tu favor. La eficacia es innegable: un usuario logró que ChatGPT Work extrajera el calendario escolar de su hijo de un correo electrónico y lo integrara en su Google Calendar, ahorrando un tedioso trabajo manual. Sin embargo, persisten las preocupaciones sobre la seguridad y el control. “No confié en OpenAI con acceso a mi bandeja de entrada, entrevistas de fuente o borradores de historias [...] y no le permitiría tener acceso a mi cuenta bancaria”, comentó un periodista.
La Curva de Aprendizaje y los Costos Ocultos
Aunque interactuar con el modelo es intuitivo, configurarlo para que actúe no lo es tanto. La configuración de permisos para que los agentes accedan, por ejemplo, a una unidad en la nube, resultó confusa para algunos usuarios. El propio modelo no siempre ofrecía ayuda clara, y muchas configuraciones importantes solo están disponibles en la aplicación web. Además, las limitaciones de ChatGPT Work pueden ser desconcertantes; puede crear eventos en Google Calendar, pero no calendarios nuevos. “No te molestes en intentar nada a menos que el nivel de esfuerzo sea alto, de lo contrario, tendrás al peor interno con el que hayas trabajado”, aconsejan los primeros adoptadores de IA, quienes temen que los novatos frustrados se rindan.
Joe Gershenson, el líder de ingeniería del arnés de OpenAI, admitió que la configuración del esfuerzo aún no es intuitiva para los nuevos usuarios, prometiendo mejoras. OpenAI enfrenta otro desafío importante al entrar en el mundo de los trabajos de cuello blanco: la mayoría de los flujos de trabajo no son tan medibles como el código. Una buena presentación o estrategia de negocios es más difícil de evaluar que si un software funciona o no. “Uno de los desafíos únicos con un producto como este es que realmente puede hacer cualquier cosa”, dijo Ambrosino. Aunque los ingenieros de OpenAI usan su benchmark GDPVal, basado en 44 ocupaciones y cientos de pruebas de trabajo de conocimiento, complementado con la retroalimentación del usuario, la incertidumbre sobre la generalización de los flujos de trabajo persiste.
Lock-in y el Impacto Económico
La adopción a la escala que OpenAI anhela forzará conversaciones más difíciles sobre los costos. Un usuario de una suscripción de 20 dólares al mes reportó haber utilizado más de 80 millones de tokens en cuatro días, lo que, según el análisis del modelo, costó 65 dólares. Esto representa un subsidio de más de tres veces el precio de la suscripción por solo cuatro días de uso casual. Sottiaux asegura que están trabajando en la eficiencia, señalando una reciente reducción del 80% en el precio del modelo Luna de OpenAI. El impacto económico de los agentes de IA ya está reconfigurando modelos de negocio, desde el SaaS hasta la gestión de identidades.
Otra cuestión relevante es si estas aplicaciones crean un efecto de “lock-in” en los clientes a través de la retención de datos o la complejidad de configurar el acceso y los permisos a todos los plugins. Aunque algunos, como el creador de Pi (un arnés minimalista), sugieren que un enfoque “AGI-pilled” puede funcionar para tareas de codificación, argumenta que los grandes laboratorios buscan controlar todo el ecosistema para no ser solo proveedores de modelos. Databricks, por ejemplo, encontró que Pi superó a Codex utilizando el mismo modelo GPT 5.5, lo que sugiere que el arnés tiene un papel crítico. Para el futuro, la seguridad y el control, junto con la usabilidad, serán fundamentales para la adopción masiva. OpenAI también está implementando mejoras en seguridad y control para agentes de IA empresariales, reconociendo la creciente demanda de entornos fiables. La promesa de la “caja mágica” sigue siendo el enfoque principal, pero la complejidad actual requiere una solución nativa de IA, algo que los equipos de OpenAI están optimistas en lograr.