Este Informe USERS analiza el DevDay 2026 de OpenAI y sostiene que sus anuncios, vistos en conjunto, responden a una misma idea: la inteligencia artificial deja de ser un lugar al que acudimos para pedir algo y pasa a integrarse al entorno donde trabajamos, con agentes que actúan aunque el usuario no esté presente.
Autor: Claudio Peña
Agentes que conservan responsabilidades
La pieza que mejor resume el evento es Dots, un agente personal integrado en ChatGPT. A diferencia de un chat convencional, que responde y termina, un Dot sostiene una tarea a lo largo del tiempo y vuelve al usuario cuando necesita una decisión.
Para lograrlo, cada Dot cuenta con su propia computadora y su propio navegador en la nube. La máquina del usuario deja de ser el lugar donde ocurre el trabajo, y el agente puede seguir activo aunque se cierre el notebook.
Esa persistencia cambia también la manera de comunicarse con él. Durante una demostración, alguien llamó por teléfono a su Dot, cortó la llamada y recibió la respuesta más tarde por texto. El canal importa menos que el agente que lleva adelante la tarea.
La autonomía trae un problema evidente: cuanto más puede hacer un agente, más riesgoso resulta concederle permisos amplios. Por eso el usuario define qué conexiones tiene disponibles, y la exploración por cuenta propia opera con más restricciones que una tarea encomendada.
En la misma línea, OpenAI presentó mecanismos de privacidad como Zero Data Retention (la no conservación de datos después del procesamiento). El autor advierte que la protección real depende de cada producto y de cómo se lo configure.
La transición puede resumirse como el paso de un agente reactivo a uno proactivo: ya no se limita a contestar cuando alguien escribe, y mantiene una relación temporal con su entorno para actuar cuando corresponde. Es una diferencia fundamental. Hasta ahora utilizábamos la IA principalmente para encargar tareas. Dots introduce la posibilidad de comenzar a delegar responsabilidades.
Modelos más baratos y más rápidos
Detrás de los agentes hay un modelo nuevo, GPT-6.1 Sol, pensado para programación agéntica y uso de computadoras. Según OpenAI, se acerca a GPT-6 Astra en capacidad a cerca de un quinto del costo, con una ventana de contexto que supera el millón de tokens.
El precio de la caché (la reutilización de datos ya procesados) pesa más de lo que parece. Un agente que trabaja durante horas relee una y otra vez instrucciones y resultados previos, y abaratar esas relecturas reduce mucho el gasto de los procesos largos.
Sol, además, puede repartir subtareas entre subagentes, una lógica que también llega a Agents API para los desarrolladores. El texto aclara que sumar agentes no garantiza mejores resultados, porque cada uno agrega consumo y posibilidades de error.
Ultrafast, en cambio, ataca la velocidad. Es una modalidad de Astra que llega a 300 tokens por segundo a cambio de un consumo de capacidad muy alto, por lo que conviene reservarla para los casos en que la espera corta el ritmo de trabajo.
La conclusión del autor es que ya no existe una única medida de potencia. Encontrar el equilibrio entre velocidad y costo puede pesar tanto como elegir el modelo más inteligente.
GPT Live y Ultrafast apuntan a lo mismo: los modelos ya no solo tienen que ser inteligentes, también responder a tiempo. Ese es el mensaje de esta capa del DevDay: no hay una única medida de potencia. Según el caso hará falta más inteligencia, menos costo, varios agentes en paralelo o una respuesta casi inmediata, y equilibrar inteligencia, velocidad, costo y autonomía puede pesar tanto como elegir el modelo.
ChatGPT como espacio de trabajo y plataforma
Si los agentes van a trabajar durante días, necesitan un lugar común. Esa es la función de ChatGPT Space, que reúne alrededor de un proyecto documentos y conversaciones junto con los agentes que participan, de modo que nadie tenga que explicar el contexto en cada consulta.
Allí se suman Pages, documentos que pueden editar tanto personas como agentes, y Team Tasks, tareas que arrancan cuando ocurre un evento y no solo según un horario. MCP Events completa esa idea al permitir que una aplicación externa avise a ChatGPT que algo sucedió.
En paralelo, OpenAI busca que otros construyan sobre ChatGPT. Plugin Extensions da interfaz propia a los plugins y Sign in with ChatGPT aporta identidad. El Marketplace, por su parte, permite a las empresas comprar software de terceros con el gasto que ya tienen comprometido.
Codex sigue el mismo camino en programación. Codex Cloud ejecuta tareas en entornos remotos aunque la computadora local esté apagada, y la nueva CLI (la herramienta de línea de comandos) permite coordinar varios agentes en paralelo.
Codex Security Cloud analiza repositorios completos en busca de vulnerabilidades, pero nunca modifica el código de producción sin revisión humana.
Para el autor, la apuesta de fondo es clara: OpenAI ya no compite solamente por tener el modelo más inteligente, sino por convertirse en el lugar donde ese modelo trabaja.
Hasta ahora, una aplicación que utilizaba modelos de OpenAI normalmente debía pagar su propio consumo de API y trasladar de alguna forma ese costo al usuario. El nuevo sistema abre otra posibilidad: que una persona se identifi que con ChatGPT y utilice parte de la capacidad asociada a su propia suscripción.
Encuentra la versión completa de la publicación en la que se basa este resumen, con todos los detalles técnicos en RedUSERS PREMIUM
También te puede interesar:
JEV Y MUSE DECISIÓN + ACCIÓN
Analizamos dos lanzamientos de septiembre de 2026 que corren el límite de la inteligencia artificial: Muse, el agente de Meta que compra por su cuenta, y Jev, el modelo de TypeSafe que devuelve decisiones en lugar de texto.
Con esas ideas, el autor construye un agente de compras y lo somete a pruebas.
Lee todo lo que quieras, donde vayas, contenidos exclusivos por una mínima cuota mensual. Solo en RedUSERS PREMIUM: SUSCRIBETE!
