Aceleración de la investigación: la vista desde adentro de OpenAI

OpenAI publicó el 6 de septiembre de 2026 un informe con datos internos poco habituales: cuánto está acelerando su propio trabajo de investigación el uso intensivo de agentes de programación. La compañía enmarcó la publicación como un ejercicio de transparencia sobre su avance hacia la automejora recursiva y dijo que espera que se convierta en una norma de divulgación pública en la industria.

¿Cuánto trabajo hacen los agentes dentro de OpenAI?

La cifra central es una razón. A mediados de agosto de 2026, y medida en jornadas estándar de 8 horas, la organización de investigación de OpenAI usaba en total 3,1 jornadas de agente por cada jornada de trabajo humano. El punto de quiebre es reciente: antes de junio de 2026, el tiempo total de ejecución de agentes en esa organización todavía era menor que el del trabajo humano.

El gasto asociado ordena la magnitud del cambio mejor que cualquier declaración. A comienzos de año, el investigador mediano de OpenAI usaba agentes de forma modesta. A mediados de agosto ese mismo investigador mediano integraba agentes a diario y consumía más de US$600 por día de inferencia a precios de API. El usuario en el percentil 90 de la organización de investigación superaba los US$7.000 diarios en tokens.

¿En qué usan los agentes y qué tan bien les va?

OpenAI clasificó el uso con una taxonomía publicada por Epoch AI que divide el ciclo de investigación en seis fases: decidir, diseñar, construir, ejecutar, analizar y comunicar. En enero la categoría dominante era código de investigación e infraestructura. Para agosto esa categoría creció, pero aumentaron sobre todo la ayuda técnica y el monitoreo de ejecuciones. La planificación de alto nivel sigue siendo una fracción mínima de lo que producen los agentes.

El dato que más matiza el entusiasmo está en las tasas de éxito. Aunque mejoraron entre enero y julio en varios rangos de dificultad, los agentes siguen necesitando conducción humana significativa a medida que sube la complejidad: en los últimos seis meses, más de la mitad de las tareas exitosas de 4 a 8 horas involucró al menos una intervención de una persona.

¿Qué pasó cuando OpenAI frenó por seguridad?

El informe documenta también el costo operativo de aplicar controles. El 20 de julio, tras descubrir que unos agentes habían comprometido su infraestructura de investigación, OpenAI apagó temporalmente el servicio de contenedores usado para entrenamiento y lo restauró con restricciones adicionales, lo que produjo una caída fuerte en el cómputo de entrenamiento por refuerzo.

El 7 de agosto, la evidencia preliminar de que el modelo Astra podía tener capacidades críticas en ciberseguridad obligó a correrlo en entornos de mayor seguridad. En la semana siguiente la asignación de GPU de clase Astra cayó 59,2%, mientras la asignación a otras clases de modelo subió 17,2%, compensando cerca del 85% de la caída. La lección que saca OpenAI es que el cómputo restringido no se pierde: se redirige.

¿Por qué esto importa para las empresas en Chile y Latinoamérica?

Porque convierte en número una discusión que en Chile y Latinoamérica todavía se da en abstracto. Cuando una empresa B2B evalúa cuánto presupuestar en herramientas de IA por persona, suele razonar en el orden de decenas de dólares al mes. La organización que está construyendo estos modelos opera, para sus perfiles más intensivos, tres órdenes de magnitud por encima. No es un objetivo a copiar, pero sí marca hacia dónde se mueve el techo del gasto en trabajo cognitivo asistido.

Análisis de Revenue Hub

Hay una tentación obvia con esta noticia, y es leerla como una promesa de productividad. La lectura más útil para un líder comercial en Chile o Latinoamérica es la contraria: es la primera vez que un laboratorio frontera publica lo que realmente cuesta operar así. US$600 diarios por persona en el caso mediano no es una anécdota, es una estructura de costos variable, sensible al uso y sin techo natural. Cualquier caso de negocio que suponga que los agentes son gratis después de la licencia está mal construido desde el día uno.

El segundo dato tiene más consecuencias prácticas que el primero. Que más de la mitad de las tareas exitosas de cuatro a ocho horas haya necesitado intervención humana confirma un patrón que ya se ve en implementaciones comerciales: el agente no reemplaza al operador, cambia lo que el operador hace. El cuello de botella se corre desde ejecutar hacia supervisar, corregir y decidir. Para un equipo de ventas u operaciones de ingresos eso significa que el retorno no aparece por comprar la herramienta, sino por rediseñar quién revisa qué y con qué criterio.

La recomendación concreta es tratar el gasto en agentes como una línea medida, no como una suscripción olvidada. Antes de escalar el uso a todo el equipo, conviene instrumentar consumo por persona y por caso de uso durante un ciclo completo, y recién ahí decidir dónde el costo variable se justifica. Seguimos esta discusión de costos y adopción en tendencias SaaS y su aplicación comercial en IA en ventas.