Openai on KnightLi Blog

Detrás de la subida de Cerebras tras su IPO: ¿pueden los chips wafer-scale de IA desafiar a Nvidia?

Mon, 18 May 2026 00:19:51 +0800

Cerebras Systems finalmente llegó al mercado público.

La compañía, conocida por sus “chips de IA wafer-scale”, comenzó a cotizar en Nasdaq el 14 de mayo de 2026 con el ticker CBRS. Según el anuncio oficial de Cerebras, el precio de la IPO fue de 185 dólares por acción, con una oferta de 34,5 millones de acciones ordinarias Class A, incluida la opción de sobreasignación de 4,5 millones de acciones ejercida por completo por los colocadores.

En su primer día de cotización, las acciones de Cerebras abrieron con una fuerte subida y llegaron a acercarse a los 386 dólares. Con base en el precio de emisión, la compañía recaudó más de 5.500 millones de dólares, convirtiéndose en una de las IPOs de hardware de IA más observadas del mercado estadounidense en 2026.

Por eso muchos medios la llaman “retadora de Nvidia”. Pero no es preciso entender Cerebras simplemente como “la próxima Nvidia”. Lo que realmente la hace especial es que eligió una ruta técnica muy distinta de las GPUs tradicionales.

Cerebras no fabrica una GPU normal

El producto central de Cerebras es WSE, sigla de Wafer-Scale Engine.

La fabricación tradicional de chips corta una oblea completa en muchos chips pequeños, que luego se empaquetan, prueban y envían. Cerebras hace lo contrario: intenta convertir la oblea completa directamente en un chip gigante.

Las ventajas de esta ruta son bastante claras:

Mayor área de chip.
Más unidades de cómputo en el chip.
SRAM en chip más cerca de los núcleos de cómputo.
Menor distancia de movimiento de datos dentro del chip.
Mejor ajuste para ciertas cargas de inferencia y entrenamiento de IA.

En cómputo de IA, mover datos suele ser más difícil de optimizar que el cálculo puro. La idea de Cerebras es mantener cómputo y almacenamiento en la misma pieza de silicio tanto como sea posible, reduciendo latencia y consumo causados por sacar datos repetidamente del chip.

Esa es la parte más atractiva del enfoque WSE. No sigue simplemente la ruta de escalar GPUs, sino que usa un chip individual mucho más grande para buscar mayor ancho de banda en chip y menor coste de movimiento de datos.

Por qué el mercado se entusiasmó

El mercado de chips de IA depende hoy en gran medida de Nvidia. Ya sea para entrenar grandes modelos, desplegar servicios de inferencia o construir centros de datos de IA, las GPUs de Nvidia siguen siendo la opción dominante.

Eso hace que el mercado se interese naturalmente por dos tipos de empresas:

Las que pueden reducir la dependencia de la cadena de suministro de Nvidia.
Las que pueden ofrecer más rendimiento o menor coste en ciertas cargas de IA.

Cerebras encaja en ambos relatos.

No fabrica una CPU general ni una tarjeta aceleradora común. Diseña sistemas directamente alrededor del entrenamiento y la inferencia de IA. La compañía también ha enfatizado que sus chips wafer-scale y su plataforma cloud de inferencia pueden ofrecer throughput muy alto en ciertos escenarios de inferencia de modelos.

Este tipo de historia es fácil de amplificar en 2026. La infraestructura de IA sigue expandiéndose, y empresas, proveedores cloud y compañías de modelos buscan más fuentes de cómputo. Si una empresa de chips puede demostrar que en algunos escenarios no es “otra GPU pequeña”, el mercado le presta atención.

La colaboración con OpenAI amplía la narrativa

Otra razón por la que Cerebras recibe tanta atención es su relación con OpenAI.

Según reportes de medios, Cerebras firmó un acuerdo de cooperación con OpenAI por más de 20.000 millones de dólares. El artículo original de Sohu señala que, a finales de 2025, las obligaciones de desempeño restantes de ese acuerdo alcanzaban 24.600 millones de dólares.

Para una compañía de hardware de IA recién listada, este tipo de contrato de largo plazo es muy importante. Sugiere que la empresa no solo tiene una historia técnica, sino también demanda de grandes clientes.

Aun así, los pedidos de largo plazo no equivalen automáticamente a ingresos realizados. El despliegue de centros de datos de IA depende de capacidad de fabricación, empaquetado, suministro eléctrico, ritmos de entrega, presupuestos de clientes y cambios en la estrategia de modelos. Para una empresa de chips, conseguir pedidos es solo el primer paso. Entregar a tiempo, escalar de forma estable y construir márgenes es más difícil.

La concentración de clientes sigue siendo un gran riesgo

Cerebras también tiene un riesgo evidente: alta concentración de clientes.

El artículo de Sohu señala que G42 aportó el 85% de los ingresos de Cerebras en 2024 y bajó al 24% en 2025, mientras que Mohamed bin Zayed University of Artificial Intelligence aportó el 62% de los ingresos en 2025. Esto significa que, aunque el peso de G42 cayó, los ingresos de Cerebras siguen dependiendo mucho de unos pocos grandes clientes.

Para una empresa de infraestructura de IA, la concentración de clientes tiene dos caras.

El beneficio es que los grandes clientes pueden traer crecimiento rápido, contratos de largo plazo y visibilidad de pedidos.

El riesgo es que, si esos clientes recortan presupuestos, cambian de ruta técnica, retrasan centros de datos o enfrentan cambios regulatorios, la volatilidad de ingresos puede ser muy alta.

Por eso no conviene mirar Cerebras solo por la subida de su IPO. El precio del primer día refleja entusiasmo y expectativas. La valoración de largo plazo dependerá de estructura de ingresos, capacidad de entrega, márgenes y diversificación de clientes.

El límite técnico: capacidad de memoria

WSE tiene fortalezas claras, pero sus límites también son claros.

El artículo de Sohu señala que el chip WSE-3 incluye 44GB de SRAM, mientras que Nvidia B200 incluye 192GB de memoria. El diseño de Cerebras coloca mucho cómputo y SRAM en la misma oblea, lo que reduce movimiento de datos, pero también limita la capacidad de memoria disponible.

Para los grandes modelos, la capacidad de memoria afecta directamente la longitud de contexto, el tamaño de batch y la forma de despliegue. Las ventanas de contexto son cada vez más largas, y los modelos insignia avanzan hacia contextos de millones de tokens. En esa tendencia, la capacidad de SRAM en chip se vuelve una restricción real.

Las GPUs tradicionales pueden seguir ampliando memoria mediante apilamiento HBM, expansión de empaquetado e interconexión multi-GPU. La ruta wafer-scale de Cerebras es más difícil de ampliar de forma simple, porque el área de la oblea ya está ocupada por unidades de cómputo y SRAM. Aumentar SRAM puede implicar sacrificar área de cómputo.

Esto no significa que la ruta técnica de Cerebras haya fallado. Significa que es una elección arquitectónica orientada a cargas específicas. Puede ser muy fuerte en ciertos escenarios de inferencia, pero no necesariamente cubre todas las necesidades de entrenamiento e inferencia de IA.

¿Puede reemplazar a Nvidia?

A corto plazo, es poco probable que Cerebras reemplace a Nvidia.

La ventaja de Nvidia no es solo el rendimiento de la GPU. Incluye el ecosistema CUDA, herramientas para desarrolladores, integración de sistemas, interconexión de red, soluciones de servidor completas, soporte de proveedores cloud y costes de migración del cliente. Muchas compañías de IA eligen Nvidia no porque un chip gane en una métrica aislada, sino porque todo el ecosistema es el más estable.

La oportunidad más realista para Cerebras es convertirse en una opción complementaria para cargas de IA específicas:

Inferencia de alto throughput.
Servicios de grandes modelos concretos.
Tareas sensibles a latencia y ancho de banda en chip.
Clientes que quieren reducir dependencia de una sola cadena de suministro de GPUs.
Compañías de modelos dispuestas a probar nuevas arquitecturas por rendimiento.

Es decir, no es un “asesino de Nvidia”. Se parece más a una ruta alternativa agresiva dentro del mercado de cómputo de IA.

Resumen

La fuerte subida de Cerebras tras su IPO muestra que los mercados de capitales siguen dispuestos a pagar una prima alta por historias de infraestructura de IA.

Su ruta de chips wafer-scale es realmente distinta y la separa de las compañías comunes de aceleradores de IA. Con colaboraciones de grandes clientes como OpenAI, Cerebras tiene una narrativa de mercado poderosa.

Pero los riesgos también son reales: concentración de clientes, presión de entrega, límites de memoria, barreras de ecosistema y la diferencia sistémica frente a Nvidia determinarán hasta dónde puede llegar.

Para lectores generales, lo más interesante de Cerebras no es cuánto subió la acción. Es que demuestra que la competencia por cómputo de IA no tendrá una sola ruta basada en GPUs. La infraestructura futura de grandes modelos podría incluir GPUs, chips wafer-scale, aceleradores propios y plataformas cloud especializadas de inferencia al mismo tiempo.

Referencias

Codex ya admite acceso remoto desde ChatGPT móvil y Access Tokens para espacios Enterprise

Sun, 17 May 2026 09:12:07 +0800

El 14 de mayo de 2026, OpenAI actualizó las notas de lanzamiento de ChatGPT Enterprise & Edu con dos cambios centrados en Codex: acceso remoto desde la app móvil de ChatGPT y Codex access tokens para automatización controlada en espacios Enterprise.

No es un lanzamiento de nuevas capacidades de modelo. Es un cambio en la forma del producto Codex. Codex está pasando de ser un asistente de programación local o web a un coding agent que puede ejecutarse durante más tiempo, gestionarse a distancia e integrarse en flujos de automatización empresarial.

Qué cambió

Según OpenAI Help Center, Codex ahora admite acceso remoto desde ChatGPT mobile app. Los usuarios pueden conectarse desde el teléfono a un entorno Codex en ejecución, seguir tareas largas e intervenir cuando sea necesario.

Al mismo tiempo, los espacios ChatGPT Enterprise reciben Codex access tokens. Están pensados para flujos locales confiables y no interactivos, permitiendo que la automatización use ChatGPT workspace identity y controles empresariales sin iniciar sesión en el navegador cada vez.

La actualización tiene dos entradas principales:

Acceso remoto móvil: resuelve qué hacer cuando Codex ejecuta una tarea larga y el usuario no está frente al ordenador.
Access Tokens: resuelve cómo los scripts empresariales de automatización pueden llamar flujos de Codex con una identidad controlada.

Qué problema resuelve el acceso remoto móvil

Las tareas típicas de Codex no siempre terminan en segundos. En desarrollo real, puede leer un repositorio, modificar varios archivos, ejecutar pruebas, esperar salida de comandos, corregir errores y pedir aprobación a mitad del proceso.

Antes, estas tareas solían exigir que el usuario estuviera cerca del Mac local, la app de escritorio, la CLI o el IDE. Ahora, ChatGPT móvil puede funcionar como una consola remota para seguir Codex incluso lejos del ordenador.

OpenAI indica que el móvil puede mostrar el estado en tiempo real del entorno subyacente, incluyendo:

Contexto del proyecto.
approvals.
screenshots.
terminal output.
diffs.
test results.

El usuario también puede responder preguntas de Codex, redirigir la ejecución, aprobar acciones, revisar salidas y cambiar entre distintos connected hosts. La tarea sigue ejecutándose en un Mac host o en un entorno remoto conectado; el teléfono sirve para revisar y controlar.

Valor para desarrolladores

Esta capacidad es especialmente útil para tareas largas que requieren confirmaciones ocasionales.

Por ejemplo:

Codex está ejecutando pruebas lentas y quieres revisar el resultado fuera de casa.
Codex modificó varios archivos y quieres revisar el diff en el móvil antes de aprobar el siguiente paso.
Codex espera confirmación antes de una operación riesgosa.
Hay varios connected hosts y quieres cambiar entre ellos desde el móvil.

El valor no es escribir código en el teléfono. El valor es no tener que permanecer frente al ordenador todo el tiempo. Codex sigue trabajando en el entorno original y el usuario interviene solo en momentos clave.

Esto también muestra que Codex se acerca a un modelo de “Agent en segundo plano”: las tareas pueden seguir ejecutándose, el usuario no necesita estar siempre conectado, pero la aprobación y el control siguen en manos humanas.

Qué resuelven los Access Tokens

Codex access tokens están dirigidos a espacios ChatGPT Enterprise. Su objetivo no es el inicio de sesión normal de usuarios personales, sino la automatización empresarial confiable.

En una empresa, a menudo hay flujos locales o internos que deben ejecutarse de forma no interactiva, por ejemplo:

Revisiones de código programadas.
Activación de flujos Codex en máquinas controladas.
Integración de Codex con herramientas internas de desarrollo.
Uso de identidad de workspace sin abrir el navegador.

Access tokens permiten que estos flujos se ejecuten con ChatGPT workspace identity y sigan sujetos a políticas empresariales. Frente al login manual, encajan mejor con automatización. Frente a compartir credenciales personales, son más fáciles de gobernar.

No es una API key genérica

Este punto es importante. Codex access tokens no deberían entenderse como una simple “API key universal”.

OpenAI señala que access tokens están disponibles para espacios ChatGPT Enterprise, los administradores pueden gestionar su disponibilidad a nivel de workspace, y los miembros con roles permitidos pueden crear sus propios tokens. Cuando esté disponible, la interfaz de gobernanza también puede reflejar actividad de access tokens.

Es decir, access tokens se integran en el marco de permisos, roles y auditoría empresarial:

El administrador decide si el workspace los habilita.
No todos los miembros pueden crearlos por defecto.
La actividad del token puede aparecer en vistas de gobernanza.
Heredan ChatGPT workspace identity y controles empresariales.

Esto no es lo mismo que crear casualmente un secreto personal de larga duración.

Valor seguro por defecto: Remote Control está apagado

Codex mobile remote access toca entornos de código, salida de terminal, diffs, resultados de pruebas y acciones de aprobación. Si estuviera habilitado por defecto, implicaría riesgos empresariales evidentes.

Por eso OpenAI adopta una postura conservadora: remote control está apagado por defecto y un admin u owner debe habilitarlo en Workspace settings.

Al activar el acceso remoto móvil, también pueden intervenir:

workspace-enabled Remote Control access.
SSO.
Autenticación multifactor.
passkey.

Esto muestra que es una capacidad que debe configurar el equipo de IT y seguridad, no algo disponible automáticamente para todos tras actualizar la app.

Qué hay que actualizar antes de usarlo

OpenAI indica que el acceso remoto móvil requiere actualizar ambos lados:

ChatGPT mobile app.
Codex app en macOS.

Si el workspace lo exige, la configuración móvil también puede activar SSO, autenticación multifactor o passkey.

En la práctica, los administradores deberían revisar primero la configuración de remote control en Workspace settings y decidir qué miembros o roles pueden usar estas capacidades.

Impacto en el uso empresarial de Codex

Esta actualización empuja Codex en dos direcciones.

Primero, Codex se vuelve más apto para tareas largas. Antes, el problema era que el usuario debía vigilarlo constantemente. Ahora puede revisar estado y aprobar acciones desde el móvil, lo que hace más natural que Codex trabaje en segundo plano.

Segundo, Codex se vuelve más apto para automatización empresarial. Access tokens dan a los flujos no interactivos una identidad formal, facilitando integraciones futuras con CI interno, revisión de código, scripts y plataformas de desarrollo.

Juntas, estas dos direcciones significan que Codex deja de ser solo un asistente de IA junto al desarrollador y se convierte en un agent administrable dentro del flujo de desarrollo empresarial.

Límites que siguen importando

La actualización es útil, pero no significa que Codex pueda ejecutarse sin supervisión.

Las empresas todavía deben considerar:

Qué proyectos permiten control remoto.
Qué comandos requieren aprobación.
Cómo crear, rotar y revocar tokens.
Si mobile remote access encaja con la política de gestión de dispositivos.
Si terminal output, screenshots y diffs pueden contener información sensible.
Si los logs de auditoría y vistas de gobernanza cumplen los requisitos internos.

Especialmente los access tokens: una vez que entran en flujos de automatización, deben gestionarse como otras credenciales empresariales, con mínimo privilegio, rotación, sin hardcoding y revocación rápida de tokens que ya no se usen.

Resumen

La actualización de Codex es clara: ChatGPT móvil puede acceder remotamente a tareas largas de Codex, y los espacios Enterprise pueden usar Codex access tokens para automatización controlada.

Lo primero evita que el desarrollador tenga que estar siempre frente al ordenador. Lo segundo permite a las empresas integrar Codex de forma más formal en flujos internos. Juntas, ambas funciones muestran que Codex avanza desde un asistente interactivo de programación hacia un coding agent empresarial, gestionable, auditable y preparado para automatización.

Referencia:

OpenAI Help Center: ChatGPT Enterprise & Edu - Release Notes

Por qué se reinician de repente los límites de Codex: historial y fuentes

Sun, 17 May 2026 08:36:15 +0800

Los usuarios de Codex a veces se encuentran con algo extraño: sus usage limits vuelven a estar disponibles aunque todavía no haya llegado su hora normal de reset. Este tipo de reinicio sin aviso no es nuevo, y no significa necesariamente que las reglas de cuota se hayan vuelto más generosas de forma permanente. Puede deberse a compensación por incidentes, promociones de producto, hitos de crecimiento o a un reset interno que solo afecta a ciertas ventanas o estados de cuenta.

La captura proviene de una publicación en X de Tibo Sottiaux (@thsottiaux), responsable del equipo de OpenAI Codex. Para quienes siguen de cerca sus límites, la parte clave no es el detalle del modelo, sino que Tibo dijo que resetearía los usage limits esa misma noche. Por el contexto, se trató de un reset compensatorio, no de una renovación normal del ciclo.

Resumen rápido

Los reinicios repentinos de límites en Codex suelen entrar en estas categorías:

Compensación por incidente: un problema en Codex o en un modelo hace que los usuarios gasten cuota de forma anormal, y OpenAI reinicia límites para compensar.
Lanzamiento o promoción: un nuevo modelo, cliente o función se acompaña de más capacidad temporal o de un reset.
Hito de crecimiento: OpenAI reinicia o aumenta límites cuando Codex alcanza cierto nivel de adopción.
Cambio de política interna: solo se resetean algunas ventanas de cuota o ciertos estados de cuenta, y la UI no siempre explica el alcance.

El malentendido más común es creer que “reset” significa que todas las ventanas visibles se han recuperado. En la práctica, Codex puede tener ventanas cortas, weekly limit, pesos de consumo por modelo y reglas por plan. Un reset especial puede afectar solo a una parte del sistema.

Qué muestra esta captura

La captura muestra que Tibo publicó una actualización el 15 de mayo de 2026, diciendo que el equipo seguiría monitoreando y que reiniciaría los usage limits esa noche. La publicación cita un mensaje anterior en el que el equipo decía estar investigando reportes de algunos usuarios.

Para el usuario, hay tres ideas prácticas:

No fue el ciclo normal de reset de cada cuenta; fue un reset activo del equipo.
El reset tuvo un contexto concreto y no fue un aumento permanente de límites.
La expresión “usage limits” no aclara por sí sola si incluía tanto la ventana de 5 horas como el weekly limit.

Por eso, si tu cuota se recuperó, conviene tratarlo primero como un reset event especial, no como prueba de que las reglas futuras cambiaron.

Por qué los resets de Codex pueden parecer inesperados

Los límites de Codex no funcionan simplemente como “se actualizan todos los días a una hora fija”. El backend puede rastrear varias cosas a la vez:

Ventanas cortas de uso, por ejemplo de unas horas.
Límites semanales o de periodos más largos.
Pesos de consumo distintos para diferentes modelos.
Entradas distintas, como Codex local, Cloud Tasks, IDE y CLI.
Diferencias entre Plus, Pro, Business y Team.
Si una cuenta es elegible para un reset especial.

Cuando OpenAI aplica un reset especial, la UI puede no decir con claridad si se trata de una renovación normal o de una compensación. Si solo se reinicia la ventana corta, algunos usuarios pueden asumir que el weekly limit también debería recuperarse. Si el weekly no cambia, parece que el reset falló.

En el repositorio de OpenAI Codex en GitHub también se planteó este problema de transparencia: el mensaje público decía que se habían reseteado los Codex rate limits, pero la UI no mostraba claramente qué ventanas se habían reiniciado, si el weekly limit estaba incluido o si todos los planes de pago se veían afectados de la misma forma.

Patrones históricos

1. Febrero de 2026: periodo de lanzamiento y capacidad temporal

Durante el periodo de promoción de la app de escritorio de Codex y GPT-5.3-Codex, usuarios de la comunidad hablaron de usage limit reset y de 2x rate limits temporales. En Reddit, algunos mencionaron que el lanzamiento de Codex app incluyó 2x rate limits por tiempo limitado y un usage limit reset.

Este tipo de reset parece una acción de lanzamiento: animar a más usuarios a probar el nuevo cliente, modelo o flujo de trabajo.

2. Marzo de 2026: resets aleatorios y consumo anormal

Alrededor de marzo, la comunidad discutió varias veces comportamientos como “random usage reset” y “weekly limit reset daily”. Algunos usuarios dijeron que su weekly limit se recuperó antes de tiempo, mientras que otros lo relacionaron con nuevos modelos de Codex, bloqueos de seguridad, consumo anormal de cuota o correcciones de bugs.

Estas discusiones no son anuncios oficiales, pero muestran que los usuarios ya habían observado recuperaciones fuera del calendario normal.

3. Abril de 2026: hitos de crecimiento y resets para planes de pago

A finales de abril, algunos reportes públicos indicaron que Codex alcanzó 3 millones de usuarios activos semanales y que OpenAI reseteó rate limits, con la intención de dar más margen en futuros hitos de crecimiento.

Un issue de GitHub también citó una publicación de Tibo del 28 de abril, donde decía que había reseteado los Codex rate limits para planes de pago tras una “good week”, para que los usuarios pudieran crear más con GPT-5.5. Ese mismo issue señalaba que la UI no explicaba con claridad qué ventanas se habían reseteado ni si el weekly limit estaba incluido.

Esto muestra por qué los resets vinculados a actividad o crecimiento también pueden confundir: los usuarios oyen un mensaje amplio, pero ven resultados distintos en su cuenta.

4. Mayo de 2026: reset compensatorio

La captura de este artículo es un ejemplo más claro de reset compensatorio. Tibo dijo que el equipo había encontrado problemas y que resetearía los usage limits esa noche. OpenAI Status también registró errores elevados y latencia degradada relacionados con Codex el 13 de mayo de 2026.

Para usuarios normales, lo importante no es el detalle exacto del modelo. La lección es que, cuando un problema del servicio hace que los usuarios quemen cuota de forma anormal, OpenAI puede compensar con un reset especial.

Cómo interpretar un reset repentino

Si tu cuota de Codex se recupera de repente, revisa en este orden:

Comprueba si llegó tu hora normal de reset.
Revisa OpenAI Status para ver incidentes de Codex, errores de modelo, latencia o rendimiento degradado.
Busca actualizaciones de Tibo, cuentas oficiales de OpenAI o issues de Codex en GitHub.
Mira si la comunidad reporta el mismo reset, consumo anormal o confusión con el weekly limit.
Separa las ventanas cortas del weekly limit; no asumas que siempre se mueven juntas.

Si es compensación oficial por un incidente, normalmente habrá una entrada en la página de estado, un anuncio del equipo o muchos reportes concentrados. Si solo es una actualización parcial del backend, puede que no haya anuncio claro.

Cómo evaluar la fiabilidad de las fuentes

Conviene separar las fuentes por nivel de fiabilidad:

OpenAI Status: mejor para confirmar incidentes, tasas de error, latencia y tiempos de recuperación.
Tibo / cuentas oficiales de OpenAI: útiles para confirmar resets especiales, compensaciones o promociones.
OpenAI Codex GitHub issues: útiles para ver reportes de usuarios sobre UI, ventanas de cuota y comportamiento real del producto.
Reddit / X: útiles para detectar patrones amplios entre usuarios, pero no son confirmación oficial.
Noticias o blogs de terceros: útiles para completar la línea temporal, pero conviene contrastarlos con fuentes originales.

Al escribir o tomar decisiones, conviene mantener separadas estas capas. “OpenAI Status registró un incidente” es una señal oficial. “Usuarios de Reddit reportaron resets aleatorios” es una observación de la comunidad. “Un GitHub issue señaló falta de transparencia en la UI” es un problema reportado por un usuario.

Resumen

Un reset repentino de usage limits en Codex no suele ser simplemente “cuota gratis”. Puede venir de compensación por incidentes, promociones de lanzamiento, actividades de crecimiento o cambios internos. Lo confuso es que Codex tiene varias ventanas de cuota, y un reset especial no siempre las incluye todas. La UI tampoco siempre muestra claramente el reset scope.

Cuando ocurra, revisa primero la cuota real en el cliente, luego compárala con OpenAI Status, publicaciones de Tibo, GitHub issues de Codex y reportes de la comunidad. No asumas que un reset cambia las reglas a largo plazo, ni que weekly limit, ventanas cortas y todos los planes se recuperan al mismo tiempo.

Referencias:

Acceso remoto móvil de Codex: sigue tareas de programación en Mac desde la app ChatGPT

Sat, 16 May 2026 17:42:40 +0800

OpenAI llevó Codex remote access a la app móvil de ChatGPT a mediados de mayo de 2026. La idea no es programar en el teléfono, sino seguir y dirigir Codex mientras trabaja en un Mac.

Codex sigue leyendo el proyecto, ejecutando comandos, editando archivos y revisando pruebas en el ordenador. El móvil sirve para revisar progreso, responder preguntas, añadir instrucciones y aprobar acciones.

Qué puede hacer

Según la documentación de OpenAI, desde el móvil puedes:

iniciar nuevos threads en proyectos del host o continuar existentes;
enviar instrucciones, responder preguntas y ajustar la dirección del trabajo;
aprobar comandos y otras acciones;
revisar salidas, diffs, resultados de pruebas, terminal y capturas;
recibir notificaciones cuando Codex termina o necesita atención;
cambiar entre hosts y threads conectados.

No es solo una ventana de chat pequeña: conecta con el contexto real de trabajo de Codex en el host.

Requisitos

Necesitas acceso a Codex en la misma cuenta y workspace de ChatGPT en el móvil y en el Mac. También necesitas la última app móvil de ChatGPT en iOS o Android.

El host actualmente debe ser un Mac despierto, en línea, ejecutando Codex App y con la misma cuenta y workspace. La configuración móvil y el control del dispositivo requieren por ahora Codex App for macOS; no se configuran desde Codex CLI ni desde la IDE Extension.

Si tu cuenta usa MFA, SSO o passkey, debes completar ese flujo. En un workspace de ChatGPT, un administrador puede tener que habilitar Remote Control access.

Límites

Primero, requiere un macOS host. El teléfono se conecta a Codex App en un Mac, no directamente a Codex CLI, a la IDE Extension ni a cualquier equipo Linux / Windows.

Segundo, el host debe estar en línea. El Mac debe permanecer despierto, conectado y con Codex App abierto. Si duerme, pierde red o cierra Codex, la sesión remota puede desconectarse.

Tercero, la conexión usa QR. Debes abrir Set up Codex mobile en el Mac, escanear el código y completar la vinculación en ChatGPT.

Cuarto, las acciones remotas siguen pasando por aprobaciones. Antes de aprobar desde el móvil, conviene leer qué quiere hacer Codex, sobre todo si implica terminal, cambios de archivos, pruebas o acceso externo.

Cómo conectarlo

Abre Codex en el Mac.
Elige Set up Codex mobile en la barra lateral.
Codex activa el acceso remoto para ese host y muestra un QR.
Escanea el QR con el teléfono para abrir el flujo en ChatGPT.
Confirma la misma cuenta y workspace.
Completa MFA, SSO o passkey si hace falta.
El Mac aparecerá en Codex dentro del móvil.

Después puedes gestionar dispositivos en Settings > Connections desde Codex en el Mac, y revisar opciones como mantener el equipo despierto, Computer Use o Chrome extension.

Para qué sirve el móvil

El móvil sirve sobre todo para aprobar, corregir dirección y revisar resultados. Puedes aprobar comandos, añadir una instrucción cuando Codex se equivoca o falla una prueba, y mirar diffs, logs de terminal, pruebas y capturas sin volver al escritorio.

El valor no es escribir código en el móvil, sino convertirlo en una consola ligera para tareas de ingeniería que siguen ejecutándose en el host.

Problemas comunes

Si el host no aparece, confirma que Codex App sigue abierto en el Mac, que Allow other devices to connect está activado y que ambos dispositivos usan la misma cuenta y workspace.

Si no aparece una solicitud de aprobación, abre Codex dentro de la app móvil de ChatGPT, vuelve a escanear el QR o reinicia la configuración desde el host. En equipos, revisa si el administrador habilitó Remote Control access.

Si la sesión se desconecta, revisa si el Mac se durmió, perdió red o cerró Codex App. Si la autenticación bloquea la configuración, completa MFA, SSO o passkey primero.

Cuándo conviene

Encaja bien si ejecutas tareas largas con Codex, necesitas aprobar comandos lejos del escritorio, gestionas varios proyectos o threads y usas Mac como máquina principal.

Encaja peor si trabajas principalmente en Windows o Linux, solo usas Codex CLI o IDE Extension, esperas un entorno de desarrollo completo en el teléfono o tienes una red inestable.

Mi lectura

El acceso remoto móvil de Codex no mueve el desarrollo al teléfono. Hace más manejables los momentos en los que Codex se detiene por aprobación, preguntas, fallos de pruebas o cambios de dirección.

Si ya usas Codex intensivamente en Mac, merece la pena activarlo. Si solo haces preguntas de código ocasionales, su valor será menos evidente.

Referencias

Qué es ChatGPT File Library: almacenamiento, límites y privacidad

Sat, 16 May 2026 17:40:14 +0800

ChatGPT File Library es la biblioteca de archivos dentro de ChatGPT.

Antes, un archivo subido a una conversación servía sobre todo para ese chat. Con File Library, los archivos que subes o que ChatGPT crea pueden guardarse en tu cuenta, encontrarse después, descargarse, eliminarse o reutilizarse en una nueva conversación.

Esto convierte ChatGPT en un espacio de trabajo persistente, no solo en una ventana de chat temporal.

Disponibilidad más reciente

Según las ChatGPT Release Notes del 14 de mayo de 2026, File Library se está ampliando a usuarios Free y Go, incluidos usuarios del Espacio Económico Europeo. OpenAI también añadió gestión de almacenamiento por plan.

Hay un matiz: la página específica de File storage and Library todavía mostraba, al revisarla, una disponibilidad anterior. Por eso este artículo usa como referencia principal las Release Notes más recientes. Que aparezca en tu cuenta depende del despliegue, la región y la versión de la app.

Qué archivos guarda

ChatGPT puede guardar archivos que subes o creas, por ejemplo:

documentos;
hojas de cálculo;
presentaciones;
PDF;
imágenes;
archivos generados por ChatGPT.

Las imágenes generadas siguen apareciendo en la pestaña Images. File Library funciona como un lugar central para gestionar archivos subidos y generados.

Si sueles pedir a ChatGPT que analice PDF, ordene tablas, cree documentos o trabaje con presentaciones, evita subir lo mismo una y otra vez.

Añadir archivos a un chat nuevo

En clientes compatibles, abre el menú de adjuntos o añadir cerca del cuadro de entrada, elige Add from library y selecciona el archivo.

Las Release Notes también mencionan Library y Recent files en Web, iOS y Android, así que el móvil puede reutilizar archivos guardados o recientes.

Buscar y gestionar

En la web, Library está en la barra lateral izquierda. Permite ver archivos subidos y generados, filtrar por tipo u origen y gestionar el almacenamiento.

La página de ayuda menciona filtros como archivos subidos, archivos generados, imágenes, documentos, hojas de cálculo, presentaciones y PDF.

La gestión de almacenamiento está en Settings > Storage, y también puedes eliminar archivos directamente desde Library.

Capacidad por plan

Las Release Notes del 14 de mayo de 2026 indican:

Plan	Capacidad de File Library
Free	500 MB
Go	4 GB
Plus	20 GB
Business	20 GB
Pro	100 GB

La capacidad incluye archivos subidos y archivos creados por ChatGPT, como documentos, hojas, presentaciones e imágenes.

Límites por archivo

La ayuda de OpenAI enumera estos límites:

archivos subidos a GPT o conversaciones de ChatGPT: hasta 512 MB cada uno;
documentos de texto: hasta 2 millones de tokens;
CSV u hojas de cálculo: normalmente unos 50 MB, según el tamaño de las filas;
imágenes: hasta 20 MB cada una.

Estos límites son distintos de la capacidad total de la cuenta.

Borrar y descargar

Los archivos permanecen en tu cuenta hasta que los borras.

Desde Library puedes seleccionar un archivo y usar borrar o el icono de papelera. La ayuda de OpenAI indica que los archivos eliminados se retiran de la cuenta inmediatamente y se programan para eliminación permanente de los sistemas de OpenAI en un plazo de 30 días, salvo excepciones de anonimización, seguridad u obligaciones legales.

También puedes descargar archivos desde Library.

Temporary Chat no guarda archivos

Los archivos subidos en Temporary Chat no se guardan en la cuenta ni en Library.

File Library está pensado para reutilización a largo plazo. Temporary Chat encaja mejor para tareas temporales, sensibles o que no deberían dejar contexto persistente.

Datos y entrenamiento

La ayuda de OpenAI explica que archivos y chats siguen tus ajustes y controles de datos.

Si Memory está activado, archivos y conversaciones pueden ayudar a ChatGPT a recordar información útil entre chats. En servicios de consumo, si Improve the model for everyone está activado, OpenAI puede usar contenido enviado a ChatGPT, incluidos archivos subidos, para mejorar modelos. Se puede desactivar en Settings > Data Controls.

File Library no es una carpeta local: es una función de cuenta en la nube. Conviene pensar qué documentos son adecuados para subir.

Usos recomendados

Encaja bien para analizar PDF o informes de forma recurrente, reutilizar materiales de clase o reuniones, seguir editando documentos generados por ChatGPT, reutilizar la misma fuente en varios chats y convertir ChatGPT en un espacio ligero de trabajo documental.

Encaja mal para documentos de identidad, contratos, historiales médicos, extractos financieros, copias de seguridad formales o documentos internos de empresa sin revisar antes los controles de datos.

Mi lectura

El valor de ChatGPT File Library no es solo tener una lista de archivos. Cambia ChatGPT de una herramienta de conversación puntual a un espacio con materiales persistentes.

Eso exige nuevos hábitos: limpiar archivos antiguos, vigilar la capacidad, distinguir chats normales de Temporary Chat y revisar Data Controls.

Si usas ChatGPT a menudo con documentos, tablas y materiales de investigación, File Library ahorra tiempo. Si solo subes archivos sensibles de vez en cuando, úsalo con más cautela.

Referencias

Guía de migración de prompts para GPT-5.5: por qué conviene recortar antes de reescribir

Fri, 15 May 2026 01:25:27 +0800

OpenAI actualizó la GPT-5.5 prompting guide en su documentación de API. Lo más valioso de esta guía no es que ofrezca otra plantilla de prompt más larga, sino que recuerda algo importante: al migrar a GPT-5.5, muchos prompts antiguos deberían hacerse más cortos.

Documentación oficial: https://developers.openai.com/api/docs/guides/prompt-guidance

En una frase, la dirección para prompts en GPT-5.5 es: escribir menos proceso y más resultado; apilar menos reglas y definir mejor los criterios de aceptación; usar menos instrucciones de tipo “siempre debe” y explicar cuándo detenerse, cuándo validar y cuándo buscar más evidencia.

Por qué hay que reescribir prompts antiguos

Muchos prompts de producción se construyen por capas. Si el modelo es inestable, se añade una regla. Si falla una llamada a herramientas, se añade una prohibición. Si la salida es demasiado larga, se añade otro párrafo de formato. Con el tiempo, el system prompt se convierte en un manual de operaciones pesado.

Ese estilo podía ser útil con modelos antiguos, porque el modelo necesitaba más restricciones paso a paso para no desviarse. Pero con GPT-5.5, la recomendación de OpenAI es clara: no migres el prompt stack antiguo tal cual.

Especificar demasiado el proceso trae varios efectos secundarios:

Más ruido: el modelo tiene que encontrar las restricciones importantes dentro de muchas reglas viejas.
Espacio de búsqueda más estrecho: el modelo se atreve menos a elegir soluciones más eficientes.
Salida mecánica: parece ejecutar un guion, no resolver un problema.
Reglas antiguas que se contradicen: tanto las tool calls como la respuesta final pueden empeorar.

GPT-5.5 funciona mejor con prompts que describen el estado objetivo, las restricciones, la evidencia disponible y la salida final, en lugar de codificar cada paso.

outcome-first: definir primero qué significa terminado

La documentación oficial insiste en una dirección: GPT-5.5 funciona mejor con prompts outcome-first.

Eso significa que el prompt debería definir primero:

Cuál es el resultado objetivo.
Qué cuenta como éxito.
Qué restricciones no se pueden cruzar.
Qué contexto está disponible.
Qué campos o secciones debe incluir la respuesta final.
Qué hacer cuando falta evidencia.

Un estilo menos recomendable:

`1`	`Primero revisa A, luego revisa B, después compara todos los campos, piensa en todas las excepciones, decide qué herramienta llamar, llama la herramienta y finalmente explica todo el proceso.`

Un estilo más adecuado para GPT-5.5:

Resuelve el problema del usuario. Criterios de éxito:
- Tomar la decisión con base en la política y los datos de cuenta disponibles
- Si la acción está permitida, completarla antes de responder
- La salida final incluye completed_actions, customer_message, blockers
- Si falta evidencia clave, preguntar solo los campos mínimos necesarios

Esto no vuelve el prompt ambiguo. Traslada el control desde el “orden del proceso” hacia el “resultado y los límites”. El modelo puede elegir su ruta de búsqueda, razonamiento y uso de herramientas, pero debe cumplir los criterios de éxito.

Usar menos reglas absolutas y más reglas de decisión

Los prompts antiguos suelen contener muchos ALWAYS, NEVER, must y only. No están prohibidos, pero deberían reservarse para restricciones que realmente no se pueden violar, como reglas de seguridad, campos obligatorios y acciones prohibidas.

Para decisiones como “cuándo buscar”, “cuándo preguntar al usuario”, “cuándo seguir iterando” y “cuándo detenerse”, GPT-5.5 funciona mejor con reglas de decisión.

Por ejemplo, no escribas solo:

`1`	`Siempre busca tres veces primero.`

Mejor:

Empieza con una búsqueda que cubra la pregunta central. Si los primeros resultados ya soportan los hechos clave, deja de buscar y responde. Continúa buscando solo si la evidencia es contradictoria, falta o no basta para sostener la conclusión.

Este estilo da margen de juicio al modelo y también una condición de parada. Para productos que usan web search, retrieval, file search o consultas de base de datos, esto es clave, porque cada tool call adicional añade latencia y coste.

Añadir un retrieval budget

Una clase de regla que vale la pena añadir a prompts de GPT-5.5 es el retrieval budget.

No es un presupuesto de dinero. Es una regla para detener la recuperación de información. Le dice al modelo cuándo la evidencia es suficiente, cuándo debe seguir buscando y cuándo debe reconocer que falta evidencia.

Una formulación práctica:

Para preguntas normales, empieza con una búsqueda amplia usando palabras clave cortas y distintivas. Si los primeros resultados ya soportan la solicitud central, responde con base en esos resultados y no sigas buscando. Añade más retrieval solo si los resultados entran en conflicto, falta un hecho clave o la conclusión no queda soportada.

Este tipo de regla reduce dos problemas frecuentes:

Buscar demasiado poco y responder sin evidencia.
Buscar demasiado y desperdiciar tiempo en un bucle de herramientas.

Más importante aún, la documentación recuerda que no encontrar evidencia no debería convertirse automáticamente en un “no” factual. A veces la conducta correcta es decir que la evidencia es insuficiente o acotar la pregunta y seguir revisando.

No subir reasoning effort demasiado pronto

GPT-5.5 es más eficiente al razonar, así que OpenAI recomienda reevaluar low y medium, en lugar de subir reasoning effort cada vez que la calidad no parezca suficiente.

Un orden más estable:

Primero confirma si el prompt define claramente objetivo, formato de salida y condiciones de parada.
Añade un ciclo de validación, como pruebas, citas, revisión o render checks.
Añade reglas de persistencia y criterios de finalización para el uso de herramientas.
Solo entonces sube reasoning effort si aún hace falta.

En otras palabras, reasoning.effort se parece más a una perilla final de ajuste. No debería sustituir un prompt bien diseñado.

Si la tarea es clasificación corta, extracción de campos, enrutamiento de tickets o conversión de formato, empieza con bajo coste de razonamiento. Si se trata de síntesis de documentos largos, juicio entre fuentes conflictivas, escritura estratégica o investigación compleja, considera medium o más.

text.verbosity controla la salida, no el pensamiento

GPT-5.5 permite controlar muy bien el formato de salida. La documentación oficial recomienda usar text.verbosity junto con los requisitos de salida dentro del prompt.

El valor por defecto de text.verbosity es medium. Si el producto necesita respuestas más cortas y limpias, se puede usar low. Pero eso no significa que todo tenga que ser corto.

Una pauta típica:

Mantener breves las actualizaciones de estado y el resumen final para el usuario.
Seguir exigiendo legibilidad cuando se genera código, configuración o resultados estructurados.
No sacrificar campos completos, citas o caveats necesarios solo por ser “breve”.

Esto es especialmente útil en productos de código. Las respuestas de chat pueden ser más cortas, pero el código generado puede seguir exigiendo nombres legibles, estructura clara y comentarios necesarios.

preamble y phase: hacer visibles las tareas largas

En tareas complejas, GPT-5.5 puede razonar, planificar o preparar tool calls antes de emitir texto visible. En productos con streaming, el usuario nota la espera hasta el primer token.

La recomendación oficial es: para tareas de varios pasos, intensivas en herramientas o de larga duración, deja que el modelo emita primero un preamble breve. No tiene que explicar todo el plan; basta con decir qué hará primero.

Por ejemplo:

`1`	`Primero revisaré los archivos relevantes y la configuración existente, y luego propondré los cambios.`

En workflows largos o intensivos en herramientas con Responses API, también hay que prestar atención al phase del assistant item. Si la aplicación usa previous_response_id, la API conserva automáticamente el estado anterior del assistant. Si la aplicación reproduce manualmente la salida del assistant, debe conservar el valor original de phase.

Convenciones comunes:

phase: "commentary": actualización intermedia de estado.
phase: "final_answer": respuesta final.
No añadir phase a user messages.

Parece un detalle de implementación, pero importa en productos con tool calls, actualizaciones de estado y respuestas finales. Perder phase durante una reproducción manual puede hacer que el modelo confunda progreso intermedio con conclusión final.

Pedir al modelo que revise su propio trabajo

Otro punto muy práctico de la guía GPT-5.5: en tareas verificables, dale al modelo herramientas y reglas de validación.

Para agentes de código, se puede pedir explícitamente:

Ejecutar unit tests relevantes después de modificar.
Ejecutar type check o lint cuando corresponda.
Ejecutar build si el paquete afectado es grande.
Si la validación completa es demasiado cara, hacer al menos el smoke test mínimo.
Si no se puede validar, explicar por qué y cuál es la siguiente mejor comprobación.

Para resultados visuales o páginas, se puede pedir renderizar primero y luego comprobar layout, recortes, espaciado, contenido faltante y consistencia visual.

Para planes de ingeniería, se puede pedir que incluyan relación con requisitos, archivos/API/sistemas afectados, transiciones de estado, comandos de validación, comportamiento ante fallos, privacidad y seguridad, y preguntas abiertas que realmente afectan la implementación.

Estas reglas son mucho más efectivas que “sé cuidadoso”. Convierten “cuidado” en comprobaciones ejecutables.

Un esqueleto de prompt más adecuado para GPT-5.5

La estructura de la documentación de OpenAI puede simplificarse así:

Role:
Qué rol tienes y en qué contexto trabajas.

# Personality
Tono, forma de colaborar, si hace falta calidez o punto de vista.

# Goal
El resultado visible para el usuario.

# Success criteria
Condiciones que deben cumplirse antes de la respuesta final.

# Constraints
Límites de seguridad, negocio, evidencia, permisos, coste y efectos secundarios.

# Output
Estructura, longitud, tono y campos requeridos.

# Stop rules
Cuándo continuar, reintentar, degradar, preguntar o detenerse.

El punto no es que todos los prompts deban tener todos estos títulos. La idea real es que un prompt para tareas complejas debe decirle al modelo destino, límites y entregable, no codificar cada paso.

Orden práctico para migrar prompts antiguos

Si ya tienes prompts antiguos para GPT-4.1, GPT-4o, GPT-5.2 o GPT-5.4, no conviene reescribir todo de una vez.

Un orden más estable:

Cambia primero el modelo, manteniendo fijo el reasoning effort y los parámetros de salida actuales.
Ejecuta evals existentes o ejemplos reales para detectar cambios de comportamiento.
Elimina reglas de proceso claramente obsoletas, repetidas o contradictorias.
Convierte “requisitos de pasos” en “criterios de éxito” y “condiciones de parada”.
Añade retrieval budgets, reglas de cita y comportamiento ante falta de evidencia.
Añade ciclos de validación para tareas con herramientas.
Ajusta reasoning.effort y text.verbosity al final.

Si no tienes evals, al menos prepara un conjunto de tareas típicas: Q&A simple, retrieval complejo, uso de herramientas, salida formateada, rechazo/degradación y finalización de tareas largas. No juzgues la calidad del prompt con un único demo case.

Checklist para migrar prompts antiguos

Al migrar un prompt antiguo, empieza con esta lista. El objetivo no es hacerlo más corto sin más, sino borrar restricciones inútiles y convertir las restricciones importantes en algo verificable.

Elemento	Problema común	Manejo sugerido
Reglas repetidas	La misma instrucción aparece en varias secciones, a veces con redacción distinta	Unirla en una regla clara y dejar solo la versión final
Palabras absolutas	`ALWAYS`, `NEVER`, `must`, `only` aparecen por todas partes	Reservarlas para seguridad, cumplimiento, permisos y campos obligatorios
Sin condición de parada	El modelo debe seguir buscando, analizando o corrigiendo, pero no se dice cuándo parar	Añadir stop rules: evidencia suficiente, validación aprobada, límite de turnos o coste
Sin comando de validación	Solo dice “asegura que sea correcto”, sin pruebas, lint, citas o comprobaciones	Usar checks concretos: tests, type check, build, citas o smoke test
Proceso demasiado detallado	Cada paso está fijado y el modelo solo puede seguir el flujo	Convertirlo en objetivos, criterios de éxito, límites y requisitos de salida
Parches de modelos antiguos	Siguen presentes restricciones escritas para debilidades de modelos antiguos	Borrar primero y decidir con evals si aún hacen falta
Reglas de herramientas vagas	Solo dice “usa herramientas cuando sea necesario”	Definir cuándo llamar, cuándo parar y cómo degradar si falla
Formato de salida inestable	Hay formato, pero no reglas de campos completos	Definir campos obligatorios, opcionales y salida cuando falta evidencia

Si solo puedes hacer una cosa, prioriza “sin condición de parada” y “sin comando de validación”. Son las dos vías más fáciles para convertir GPT-5.5 en un bucle infinito de herramientas, o en un modelo que da respuestas pulidas pero no verificadas.

Ejemplos de prompts GPT-5.5: viejo vs nuevo

Estos no son system prompts completos, sino reescrituras parciales comunes durante una migración.

Ejemplo 1: Q&A con retrieval

Viejo:

`1`	`Antes de responder, debes buscar al menos 3 veces. Debes leer todos los resultados relevantes. Debes dar una explicación completa.`

Nuevo:

Empieza con una búsqueda que cubra la pregunta central. Si los primeros resultados ya soportan los hechos clave, deja de buscar y responde. Si los resultados entran en conflicto o faltan hechos clave, añade otra búsqueda. En la respuesta final, explica la base; si la evidencia es insuficiente, dilo claramente.

La versión nueva cambia “número de búsquedas” por “si la evidencia es suficiente”. Da al modelo una razón para seguir y una razón para detenerse.

Ejemplo 2: cambios de código

Viejo:

`1`	`Modifica el código con cuidado. No rompas la lógica existente. Al terminar, dime qué cambió.`

Nuevo:

Haz el cambio de código mínimo necesario solicitado por el usuario. Criterios de éxito:
- Modifica solo archivos relacionados con la tarea
- Conserva la compatibilidad de la API pública existente salvo que el usuario pida cambiarla explícitamente
- Ejecuta unit tests relevantes después del cambio; si no pueden ejecutarse, explica por qué y cuál es la siguiente mejor validación
- El resumen final incluye cambios, resultado de validación y riesgos restantes

La versión nueva no pide “cuidado” de forma vaga. Lo concreta en alcance de archivos, compatibilidad de API, pruebas y reporte de riesgos.

Ejemplo 3: salida estructurada

Viejo:

`1`	`Devuelve JSON. No devuelvas contenido extra. Los campos deben estar completos.`

Nuevo:

Devuelve JSON estricto sin Markdown. Campos requeridos:
- status: "ok" | "needs_more_info" | "blocked"
- answer: string
- evidence: string[]
- missing_info: string[]
Si la evidencia es insuficiente, usa status "needs_more_info" y no inventes evidence.

La versión nueva no solo pide JSON. También define una ruta válida cuando falta evidencia, para que el modelo no tenga que inventar información para cumplir “campos completos”.

Cómo combinar parámetros

reasoning.effort y text.verbosity no deberían verse de forma aislada. El primero influye en cuánto razonamiento invierte el modelo; el segundo, en cuán detallada es la salida. Un error común es subir reasoning.effort cuando la calidad no alcanza, o endurecer el prompt cuando la salida es larga. Es más estable configurarlos por tipo de tarea.

Escenario	reasoning.effort	text.verbosity	Nota
Extracción de campos, clasificación, conversión corta de formato	`none` o `low`	`low`	Prioriza baja latencia; lo importante es un schema claro
Enrutamiento de soporte, rutas simples de herramientas	`low`	`low` o `medium`	Si las reglas son claras, no hace falta mucho razonamiento
Q&A normal, resumen ligero con retrieval	`low` o `medium`	`medium`	Requiere algo de juicio, pero no conviene poner high por defecto
Síntesis de varios documentos, juicio entre conflictos	`medium`	`medium`	Primero asegura reglas de evidencia y citas; luego considera subir effort
Cambios de código complejos, agents de tareas largas	`medium` o `high`	Respuesta al usuario `low`, salida de código clara	El chat puede ser breve; código y diff deben ser legibles
Estrategia, planes, análisis de riesgos	`medium` o `high`	`medium` o `high`	Necesita explicar tradeoffs, riesgos y supuestos

Para la mayoría de aplicaciones, empieza con low o medium. Sube reasoning.effort solo cuando el prompt ya define criterios de éxito, condiciones de parada y reglas de validación, y aun así el modelo omite restricciones clave.

text.verbosity tampoco mejora siempre al bajar. Low verbosity sirve para actualizaciones de estado, respuestas cortas de soporte y resúmenes de operación. Pero para código, configuración, planes de migración o explicaciones de auditoría, una salida demasiado breve dificulta la revisión.

Qué reglas conviene conservar

Migrar a GPT-5.5 no significa borrar todo el prompt antiguo. Las siguientes reglas suelen conservarse, y conviene escribirlas con más precisión.

Reglas de seguridad: acciones que no se pueden ejecutar, contenido que no se puede generar, casos que requieren rechazo o degradación.
Reglas de cumplimiento: políticas de industria, restricciones regionales, límites de edad, auditoría, aprobaciones.
Reglas de privacidad: manejo de datos personales, redacción de datos sensibles, límites de logging, prohibición de transferir datos.
Campos de salida: respuestas de API, JSON schema, columnas de tabla, estructuras fijas requeridas por componentes frontend.
Límites de negocio: reglas de reembolso, permisos de cuenta, niveles de servicio, alcance contractual, escalado a soporte humano.
Límites de permisos de herramientas: qué herramientas se pueden llamar, cuáles requieren confirmación y cuáles están prohibidas.
Reglas de citas y evidencia: cuándo se requieren fuentes y cómo manejar evidencia conflictiva.

Estas reglas no son lastre viejo. Son contratos del producto. La diferencia es que, durante la migración, deben pasar de eslóganes largos a restricciones ejecutables.

Por ejemplo:

`1`	`No filtres privacidad del usuario.`

Puede convertirse en:

No incluyas números de teléfono completos, documentos de identidad, access tokens, API keys ni IDs internos de usuario en la respuesta final. Si hace falta referenciarlos, muestra solo una versión redactada, como conservar los últimos 4 dígitos del teléfono.

Qué no se debe borrar por error

El mayor peligro al recortar prompts no es borrar texto inútil, sino borrar límites reales del sistema. Lo siguiente no debería eliminarse a la ligera, aunque parezca viejo.

Requisitos de privacidad y tratamiento de datos: especialmente reglas de logs, exportación, transferencia entre sistemas y tool calls de terceros.
Límites de seguridad y permisos: confirmaciones para borrar datos, transferir dinero, enviar correos, cambiar permisos o ejecutar shell commands.
Formato de citas: si el producto depende de citas, notas, listas de fuentes o trazas de auditoría, no lo borres solo porque ocupa espacio.
Límites de tool calls: qué herramientas son solo lectura, cuáles pueden escribir y cuáles requieren confirmación del usuario.
Comportamiento ante fallos: cómo degradar cuando hay timeouts de API, datos faltantes, fallos de retrieval o permisos insuficientes.
Reglas duras de negocio: precios, reembolsos, bloqueos, control de riesgo y revisión de compliance que el modelo no debe improvisar.

Una regla simple: si borrar una regla solo cambia un poco el estilo de salida, puedes considerar borrarla. Si borrarla puede causar exceso de privilegios, filtración, mala operación, promesas falsas o ruptura de auditoría, consérvala y reescríbela con más precisión.

Resumen

El núcleo de la guía de prompting para GPT-5.5 no es “escribir prompts más avanzados”, sino quitar de los prompts antiguos las partes que especifican demasiado el proceso.

Un prompt más adecuado para GPT-5.5 debería:

Priorizar objetivos, no pasos.
Definir criterios de éxito, no pedir de forma vaga “hacerlo bien”.
Incluir condiciones de parada, no búsquedas o tool loops infinitos.
Tener presupuesto de evidencia, no responder sin evidencia ni buscar para siempre.
Incluir reglas de validación, no depender solo de que el modelo sea cuidadoso.
Ajustar parámetros al final, no subir reasoning effort desde el inicio.

Si tu system prompt antiguo ya es largo, el primer paso para migrarlo a GPT-5.5 quizá no sea añadir contenido, sino eliminarlo. Conserva las reglas realmente no negociables y convierte los detalles de proceso en resultados, límites y checks. Eso suele ser más efectivo que seguir acumulando prompts.

Referencias

OpenAI Prompt guidance: https://developers.openai.com/api/docs/guides/prompt-guidance
OpenAI Using GPT-5.5: https://developers.openai.com/api/docs/guides/latest-model

Los nuevos modelos de voz Realtime de OpenAI: GPT-Realtime-2, traducción en vivo y transcripción en streaming

Sat, 09 May 2026 10:58:47 +0800

El 7 de mayo de 2026, OpenAI presentó una nueva generación de modelos de voz para la Realtime API. El objetivo no es solo que la IA suene más natural, sino que los agentes de voz puedan entender, razonar, llamar herramientas, traducir y transcribir durante una conversación en vivo.

La actualización incluye tres modelos:

GPT-Realtime-2: el modelo principal para agentes de voz en tiempo real, con mejor razonamiento, llamadas a herramientas y contexto más largo.
GPT-Realtime-Translate: un modelo de traducción de voz en vivo que admite más de 70 idiomas de entrada y 13 idiomas de salida.
GPT-Realtime-Whisper: un modelo de voz a texto en streaming y baja latencia para subtítulos, notas de reuniones y flujos de trabajo en tiempo real.

Si los primeros asistentes de voz eran más bien “pregunta una vez, responde una vez”, esta actualización se acerca más a una interfaz de voz que escucha y actúa al mismo tiempo.

GPT-Realtime-2: el modelo principal para agentes de voz

GPT-Realtime-2 está diseñado para interacciones de voz en vivo. No solo responde preguntas; debe mantener el contexto mientras el usuario habla, se corrige, interrumpe o añade restricciones, y llamar herramientas cuando sea necesario.

Las capacidades destacadas oficialmente incluyen:

Frases breves antes de la respuesta, como “déjame comprobarlo”, para que el usuario sepa que el sistema está trabajando.
Llamadas paralelas a herramientas para calendarios, búsqueda, pedidos, soporte y otros flujos con varias herramientas.
Recuperación más natural cuando algo falla.
Ventana de contexto ampliada de 32K a 128K para conversaciones más largas y tareas más complejas.
Mejor retención de terminología especializada, nombres propios y vocabulario médico.
Tono y entrega más controlables, por ejemplo respuestas tranquilas, empáticas, confirmatorias o enérgicas.
reasoning effort ajustable: minimal, low, medium, high y xhigh, con low como valor predeterminado.

Esto permite usar agentes de voz en productos más exigentes, no solo en preguntas y respuestas simples. Un agente de soporte puede escuchar mientras consulta un pedido; una app de viajes puede sugerir pasos tras un cambio de vuelo; una app inmobiliaria puede filtrar viviendas y programar visitas a partir de requisitos hablados.

Traducción en vivo para productos de voz multilingües

GPT-Realtime-Translate está pensado para traducción de voz en tiempo real. Cada persona puede hablar en su idioma, mientras la otra escucha la traducción y ve la transcripción en vivo.

Los casos de uso son claros:

Atención al cliente multilingüe.
Ventas internacionales y preventa.
Educación online y eventos en vivo.
Reuniones internacionales y presentaciones.
Localización de contenido para plataformas de video y creadores.

La dificultad de la traducción en vivo no es solo traducir bien. También requiere baja latencia, pausas naturales, conservación del tono, adaptación a acentos y manejo de vocabulario especializado. OpenAI enfatiza conversaciones entre idiomas que se sientan más naturales, en lugar de esperar a que termine un bloque completo antes de traducir.

Transcripción en streaming: la voz entra antes en el flujo de trabajo

GPT-Realtime-Whisper es el nuevo modelo de voz a texto en streaming. Su valor está en convertir la voz en texto utilizable mientras ocurre, no después de que termina una grabación.

Aplicaciones comunes:

Subtítulos en vivo para reuniones.
Subtítulos para clases y emisiones.
Notas de reunión en tiempo real.
Entrada de dictado continua para agentes de voz.
Flujos posteriores en soporte, salud, contratación, ventas y otros escenarios de voz frecuentes.

Para un producto, la transcripción en streaming reduce el tiempo entre lo hablado y el texto accionable. Los subtítulos aparecen antes, las notas se generan durante la conversación y procesos como resúmenes, extracción de tareas o actualización del CRM pueden empezar antes.

Precios y disponibilidad

Los tres modelos ya están disponibles en la Realtime API. Los precios oficiales son:

Modelo	Precio
`GPT-Realtime-2`	Entrada de audio $32 / 1M tokens, entrada en caché $0.40 / 1M tokens, salida de audio $64 / 1M tokens
`GPT-Realtime-Translate`	$0.034 / minuto
`GPT-Realtime-Whisper`	$0.017 / minuto

OpenAI también indica que la Realtime API admite EU Data Residency y está cubierta por sus compromisos de privacidad empresarial. Para empresas europeas o productos con requisitos de residencia de datos, es un punto que conviene evaluar por separado.

Qué significa para los desarrolladores

El cambio principal es que la voz empieza a pasar de ser una capa de entrada y salida a ser una capa de interacción del producto.

Muchas funciones de voz anteriores convertían voz a texto y luego convertían la respuesta textual de nuevo a voz. La parte difícil está en el medio: entender la intención, gestionar interrupciones, mantener contexto, llamar herramientas, explicar qué está haciendo el sistema y recuperarse con naturalidad cuando algo falla.

GPT-Realtime-2 intenta llevar más de esa capacidad directamente al modelo de voz en tiempo real. Para los desarrolladores, la pregunta no es solo la calidad de una respuesta, sino si el modelo puede sostener conversaciones largas y tareas de varios pasos.

Productos especialmente interesantes para probar:

Agentes de voz para atención al cliente.
Asistentes de voz en autos y móviles.
Servicios de viajes, reservas, inmobiliaria, finanzas y otros donde se conversa mientras se consulta información.
Herramientas de reuniones multilingües y comunicación internacional.
Subtítulos en vivo, notas de reuniones y sistemas de control de calidad de llamadas.

Seguridad y aviso al usuario

OpenAI afirma que la Realtime API incluye varias capas de seguridad, como clasificadores activos sobre sesiones y la posibilidad de detener conversaciones que violen políticas. Los desarrolladores también pueden añadir sus propias barreras con Agents SDK.

Un requisito fácil de pasar por alto es informar claramente cuando el usuario final interactúa con IA, salvo que el contexto ya lo haga evidente.

Esto importa en soporte, ventas, educación, salud y escenarios similares. Cuanto más natural sea la voz, más importantes son los límites del producto: el usuario debe saber que habla con IA y entender qué acciones pueden grabarse, transcribirse o activar herramientas.

Resumen

La actualización de Realtime API de OpenAI lleva la voz en vivo de “puede escuchar y hablar” hacia “puede escuchar mientras trabaja en tareas”.

GPT-Realtime-2 cubre agentes de voz más complejos, GPT-Realtime-Translate cubre comunicación multilingüe en vivo y GPT-Realtime-Whisper cubre transcripción de baja latencia. Juntos cubren tres capacidades básicas de muchos productos de voz: conversación, traducción y transcripción.

Si estás construyendo productos de soporte, automóvil, reuniones, educación, comunicación internacional o asistentes de voz móviles, vale la pena probar esta actualización. Lo importante no es solo si el modelo suena natural, sino cómo se comporta en conversaciones largas, interrupciones, llamadas a herramientas, recuperación de fallos y control de costes.

Referencia:

OpenAI: Advancing voice intelligence with new models in the API

Juicio Musk vs. OpenAI: misión sin ánimo de lucro, control y carrera de AI

Fri, 08 May 2026 23:37:37 +0800

La demanda entre Elon Musk, OpenAI y Sam Altman parece, en la superficie, una ruptura entre antiguos socios. En el fondo, plantea una de las grandes preguntas estructurales de la industria de AI: cuando entrenar modelos de frontera requiere capital enorme, ¿puede una organización fundada sobre beneficio público, apertura y seguridad moverse hacia una forma más comercial, y bajo qué límites?

La disputa sigue creciendo no solo porque ambas partes están entre las figuras más influyentes de Silicon Valley, sino porque pone sobre la mesa tres tensiones de OpenAI al mismo tiempo: misión sin ánimo de lucro frente a financiación comercial, discurso de seguridad de AI frente a competencia de mercado, y contribución fundacional frente a control posterior.

Qué se discute realmente

Según los reportes públicos, el argumento central de Musk es que OpenAI nació con una misión clara de beneficio público, y que sus donaciones e implicación inicial estaban destinadas a apoyar una organización de AI que no enriqueciera a individuos sino que sirviera a la humanidad. Desde esa visión, la creación posterior de una entidad con fines de lucro, la aceptación de grandes inversiones y la conversión en una compañía de alta valoración habrían traicionado los compromisos originales.

La respuesta de OpenAI es que las donaciones de Musk no incluían las restricciones permanentes que ahora reclama. OpenAI sostiene que la estructura con fines de lucro se creó para conseguir compute, talento y capital necesarios para seguir desarrollando AI avanzada y segura. También argumenta que Musk no se oponía a una estructura comercial en sí, sino que quería controlarla.

Así que no es una disputa simple de “sin ánimo de lucro vs. con fines de lucro”. Las preguntas más concretas son: ¿qué fuerza legal tenía la misión original de OpenAI? ¿Los 38 millones de dólares aportados por Musk fueron una donación ordinaria o un charitable trust con condiciones ejecutables? ¿La reestructuración posterior siguió bajo control de la entidad sin ánimo de lucro?

La narrativa de Musk

Musk ha enfatizado en el juicio que participó en OpenAI para crear una institución pública que evitara que la AI quedara controlada por unos pocos gigantes comerciales. Describe los cambios estructurales de OpenAI como el saqueo de una organización benéfica y advierte que permitirlo dañaría la base de la filantropía en Estados Unidos.

Esta narrativa tiene fuerza porque captura el contraste entre la imagen inicial de OpenAI y su éxito comercial posterior. OpenAI se presentó al principio como un laboratorio de investigación sin ánimo de lucro centrado en seguridad, apertura y beneficio público. Hoy es una entidad comercial clave en la carrera global de AI, profundamente vinculada a grandes socios como Microsoft.

Pero el lado de Musk también enfrenta una pregunta: ¿aceptó alguna vez algún tipo de arreglo con fines de lucro? Si en su momento también discutió crear una entidad comercial, pero exigía control sin ánimo de lucro o mayor control personal, entonces el caso deja de ser “si podía existir una estructura comercial” y pasa a ser “quién controlaba esa estructura”.

La narrativa de OpenAI

La página pública de OpenAI y su defensa en juicio enfatizan otra línea: OpenAI siempre ha estado gobernada por una organización sin ánimo de lucro, y la entidad comercial se creó para reunir los recursos necesarios para su misión de AGI. Según OpenAI, Musk demandó después de no conseguir control y tras crear su competidor xAI.

OpenAI también subraya que Musk donó 38 millones de dólares a la organización sin ánimo de lucro, que ese dinero se usó para la misión, y que ahora intenta reinterpretarlo como inversión para reclamar derechos sobre OpenAI. En la versión de OpenAI, Musk buscaba control absoluto e incluso propuso integrar OpenAI en Tesla; al rechazarse sus condiciones, se fue.

El objetivo de esta narrativa es mover el caso desde “OpenAI traicionó su misión pública” hacia “Musk no obtuvo el control que quería”. Si el jurado y la jueza aceptan ese marco, la acusación moral de Musk se debilita y el caso parece más una disputa tardía de control fundacional.

Por qué importa la estructura sin ánimo de lucro

Lo complejo de OpenAI no es simplemente que tenga ingresos comerciales, sino su estructura de gobernanza. No es una compañía comercial tradicional ni un instituto de investigación separado del mercado. Intenta que una entidad sin ánimo de lucro controle una filial con fines de lucro, usando mercados de capital para obtener compute y talento mientras conserva la narrativa de beneficiar a la humanidad.

Esa estructura tiene una razón práctica. Entrenar modelos de frontera requiere centros de datos, chips, investigadores, evaluaciones de seguridad e infraestructura global de producto. Las donaciones por sí solas difícilmente pueden sostener esa escala.

Pero cuanto más compleja es la estructura, mayor es el coste de confianza. El público pregunta naturalmente si el control sin ánimo de lucro es realmente efectivo, si las alianzas comerciales cambian la dirección de investigación y quién decide cuando las promesas de seguridad chocan con el crecimiento del producto. Por eso el caso Musk v. OpenAI genera tanta atención.

El juicio no es un referéndum sobre seguridad de AI

En la sala se mencionarán repetidamente seguridad de AI, riesgo de AGI, promesas de open source y beneficio público. Pero sigue siendo un caso legal. El tribunal debe tratar términos de donación, charitable trust, gobernanza organizativa, control y enriquecimiento injusto, no redactar política de seguridad de AI para toda la industria.

Es decir, incluso si Musk gana, el tribunal no necesariamente producirá un marco completo de gobernanza de seguridad de AI. Incluso si OpenAI gana, las dudas sobre comercialización y mission drift no desaparecerán.

La señal importante es cómo el tribunal tratará los compromisos públicos tempranos de organizaciones de AI. ¿Dónde está la frontera entre donación fundacional y comercialización posterior? ¿Cómo debe supervisarse una compañía de AI comercial controlada por una entidad sin ánimo de lucro? Esas preguntas van más allá del caso.

Qué significa para la industria de AI

La demanda es una advertencia para toda la industria de AI: cuando una gran narrativa de beneficio público se combina con necesidades enormes de capital, la gobernanza debe ser lo bastante clara para soportar ese peso. De lo contrario, misión inicial, expectativas de donantes, incentivos de empleados, retorno de inversores y riesgo social terminan en el mismo campo de batalla legal y reputacional.

Para otras compañías de AI, esto implica:

Documentos fundacionales, declaraciones de misión y acuerdos de donación más claros.
Fronteras no ambiguas entre entidades sin ánimo de lucro y con fines de lucro.
Compromisos de seguridad acompañados de gobernanza auditable, no solo marketing.
Conflictos entre fundadores, inversores y beneficio público resueltos antes de financiarse.

El tamaño de OpenAI amplifica estos problemas, pero no son exclusivos de OpenAI. A medida que las compañías de AI absorben más capital y entran en medicina, educación, defensa, productividad y consumo, estos conflictos de gobernanza volverán una y otra vez.

Resumen

El núcleo de Musk v. OpenAI no es solo “quién traicionó a quién”. Es cómo una organización de AI de frontera demuestra que sigue atada a su misión al pasar de laboratorio de investigación a superplataforma.

El lado de Musk intenta demostrar que OpenAI se apartó de su misión benéfica original. OpenAI intenta demostrar que la comercialización era necesaria para cumplir esa misión, y que la demanda de Musk es una reacción a haber perdido el control. El resultado dependerá de pruebas, documentos de donación, estatutos organizativos y comunicaciones de aquellos años.

Sea cual sea el resultado, el juicio ya deja clara una cosa: las empresas de AI no pueden mantener la confianza solo con lemas sobre beneficiar a la humanidad. Cuanto más se acerquen a AGI y mayor valor comercial controlen, más transparente, verificable y resistente al escrutinio público y judicial debe ser su gobernanza.

Referencias:

Diferencias entre GPT-5.5, GPT-5.5 Instant, GPT-5.5 Thinking y GPT-5.5 Pro

Thu, 07 May 2026 21:59:33 +0800

OpenAI ahora divide GPT-5.5 en niveles de uso más claros: Instant, Thinking y Pro.

Muchas personas mezclan GPT-5.5, GPT-5.5 Instant, GPT-5.5 Thinking y GPT-5.5 Pro. La explicación corta es esta: GPT-5.5 es el nombre general de esta generación de capacidades del modelo. Instant es el modelo rápido para el día a día, Thinking es el modo de razonamiento profundo y Pro es un modo más pesado orientado a investigación.

Comparación rápida

Nombre	Qué es	Casos adecuados	Velocidad/coste	Disponibilidad
GPT-5.5	Nombre del modelo/familia principal GPT-5.5; en ChatGPT suele corresponder a la orientación de capacidades de GPT-5.5 Thinking	Trabajo complejo, código, investigación, análisis, uso de herramientas	Más pesado que Instant, pero más capaz	Plus, Pro, Business, Enterprise
GPT-5.5 Instant	Modelo rápido predeterminado que reemplaza a GPT-5.3 Instant	Preguntas diarias, escritura, resúmenes, código ligero, consultas rápidas	El más rápido y eficiente en cuota	Despliegue gradual para todos los usuarios de ChatGPT
GPT-5.5 Thinking	Modo de razonamiento profundo	Problemas difíciles, análisis de contexto largo, código complejo, investigación, tareas con muchos documentos	Más lento, pero con razonamiento más estable	Los usuarios de pago pueden seleccionarlo manualmente
GPT-5.5 Pro	Modo de investigación de mayor intensidad	Tareas de alto riesgo o alta precisión: derecho, negocios, educación, ciencia de datos, análisis científico	El más lento y pesado, orientado a calidad	Pro, Business, Enterprise, Edu

Si solo quieres recordar una regla:

Tareas rápidas del día a día: usa GPT-5.5 Instant.
Razonamiento complejo y análisis de código: usa GPT-5.5 Thinking.
Trabajo especialmente difícil, importante o que requiere más rigor: usa GPT-5.5 Pro.

Qué es GPT-5.5

Cuando se dice GPT-5.5 sin más, normalmente se habla de las capacidades generales de la generación GPT-5.5, no de un botón fijo.

OpenAI posiciona GPT-5.5 como un modelo más fuerte para trabajo real. Sus mejoras se centran en:

agentic coding;
depuración de código complejo;
investigación y síntesis de materiales;
generación de documentos, hojas de cálculo y presentaciones;
uso de computadora y trabajo entre herramientas;
razonamiento sostenido y autocomprobación en tareas largas.

En ChatGPT, el usuario no suele ver un botón genérico GPT-5.5, sino opciones más concretas: Instant, Thinking y Pro. Por eso, si alguien dice “estoy usando GPT-5.5”, conviene preguntar: ¿Instant, Thinking o Pro?

GPT-5.5 Instant: predeterminado, rápido y diario

GPT-5.5 Instant es el nuevo modelo rápido predeterminado. En la comunicación oficial de OpenAI, empieza a reemplazar a GPT-5.3 Instant, se convierte en el modelo predeterminado de ChatGPT y se ofrece en la API como chat-latest.

Es adecuado para:

conversaciones diarias;
preguntas rápidas;
escritura normal;
resumir artículos;
reescribir correos;
explicar código ligero;
tablas y listas sencillas;
tareas que no requieren razonamiento prolongado.

La ventaja principal de Instant es la velocidad y su disponibilidad predeterminada. No necesitas seleccionar manualmente un modo de razonamiento cada vez, ni pagar más latencia por preguntas normales.

También cambia el estilo predeterminado: OpenAI destaca que GPT-5.5 Instant responde de forma más clara y concisa, con mayor personalización. Para usuarios normales, eso lo hace más adecuado como modelo abierto todo el día.

La advertencia es que Instant no es el modo más potente. Para matemáticas complejas, código largo, diseño de arquitectura, análisis de múltiples archivos o investigación seria, puede cambiar automáticamente a Thinking, o quizá tengas que seleccionar Thinking manualmente.

GPT-5.5 Thinking: el modo principal para tareas complejas

GPT-5.5 Thinking es el modo de razonamiento más adecuado para tareas complejas.

Encaja con:

depuración de código;
diseño de arquitectura;
razonamiento de varios pasos;
análisis de documentos largos;
organización de materiales académicos;
simulación de escenarios de negocio;
explicación de análisis de datos;
tareas que requieren comparación, ponderación y verificación.

Thinking dedica más tiempo al razonamiento. El Help Center de OpenAI indica que, cuando GPT-5.5 Thinking o GPT-5.5 Pro empiezan a razonar, pueden mostrar primero un breve preamble explicando lo que planean hacer. El usuario también puede añadir instrucciones mientras el modelo sigue thinking para ajustar la dirección antes.

En ChatGPT, al elegir Thinking manualmente, también se puede ajustar el thinking time. Según la explicación oficial, los usuarios Plus y Business pueden usar Standard y Extended; los usuarios Pro tienen además opciones como Light y Heavy.

Mi interpretación: Thinking es la opción predeterminada para trabajar en serio. Si la tarea implica varios pasos, contexto largo o mayores requisitos de precisión, es más adecuado que Instant.

GPT-5.5 Pro: nivel de investigación, más pesado y más riguroso

GPT-5.5 Pro es el modo para problemas más difíciles y trabajos de mayor precisión.

Es adecuado para:

análisis de materiales legales;
investigación de negocio;
educación y diseño curricular;
ciencia de datos;
síntesis de literatura científica;
revisión profunda antes de decisiones de alto riesgo;
tareas con múltiples documentos, múltiples restricciones y múltiples rondas de verificación.

En el anuncio de GPT-5.5, OpenAI señala que los primeros evaluadores consideraron que GPT-5.5 Pro mejoraba frente a GPT-5.4 Pro en completitud, estructura, precisión, relevancia y utilidad, especialmente en negocios, derecho, educación y ciencia de datos.

La desventaja también es clara: Pro es más lento y pesado, y no está pensado para cada pregunta pequeña. Se parece más a un revisor experto o socio de investigación que a una entrada diaria de chat.

Además, Pro tiene limitaciones específicas de herramientas. El Help Center de OpenAI indica que Apps, Memory, Canvas y generación de imágenes no están disponibles en Pro. Si tu tarea necesita esas funciones de ChatGPT, quizá sea mejor usar Instant o Thinking.

Diferencias de soporte de herramientas

Según el Help Center de OpenAI, GPT-5.5 Instant y GPT-5.5 Thinking admiten herramientas comunes de ChatGPT, entre ellas:

Web search;
Data analysis;
Image analysis;
File analysis;
Canvas;
Image generation;
Memory;
Custom Instructions.

GPT-5.5 Pro se orienta más al razonamiento de investigación, pero no todas las herramientas de ChatGPT están disponibles. Presta especial atención:

Apps no está disponible;
Memory no está disponible;
Canvas no está disponible;
la generación de imágenes no está disponible.

Por eso, al elegir modelo, no basta con preguntar “cuál es más inteligente”; también hay que mirar qué herramientas necesitas.

Diferencias de ventana de contexto

El Help Center de OpenAI describe aproximadamente así las ventanas de contexto en ChatGPT:

Modo	Ventana de contexto
GPT-5.5 Instant	Free: 16K; Plus/Business: 32K; Pro/Enterprise: 128K
GPT-5.5 Thinking	Normalmente 256K al seleccionarlo manualmente en planes de pago; hasta 400K en Pro

Esto significa:

para conversaciones normales y documentos cortos, Instant basta;
para trabajo con múltiples archivos, investigación de varias rondas y análisis de bases de código largas, Thinking es más adecuado;
para tareas especialmente largas, complejas y de alta precisión, los usuarios Pro pueden aprovechar más contexto y razonamiento más pesado.

Cómo elegir

Preguntas diarias

Usa GPT-5.5 Instant.

Es rápido, suficientemente inteligente y adecuado para preguntar, escribir y editar de forma rápida.

Escribir, resumir y editar correos

Empieza con GPT-5.5 Instant.

Si el artículo es largo, necesita reestructuración o requiere varias rondas de revisión, cambia a GPT-5.5 Thinking.

Programación y depuración

Para explicaciones simples de código, usa Instant.

Para depurar múltiples archivos, diseñar arquitectura o analizar errores complejos, usa Thinking. Para problemas de ingeniería muy difíciles y prolongados, considera Pro.

Investigación y análisis de materiales

Para organizar materiales normales, usa Thinking.

Para derecho, negocios, investigación científica y ciencia de datos, donde se necesita mayor precisión, Pro es más adecuado.

Tareas que necesitan generación de imágenes, Canvas o Memory

Prioriza Instant o Thinking.

No elijas Pro por defecto, porque Pro no admite algunas herramientas de ChatGPT.

Conclusión breve

GPT-5.5 Instant es el modelo predeterminado diario: rápido, claro, eficiente en cuota y adecuado para la mayoría de tareas comunes.

GPT-5.5 Thinking es el modo principal para tareas complejas: código, investigación, documentos largos, análisis y razonamiento de varios pasos.

GPT-5.5 Pro es el modo de investigación de alta precisión: adecuado para tareas más difíciles, importantes y rigurosas, pero con más limitaciones de velocidad y herramientas.

GPT-5.5 en sí es más bien el nombre general de esta generación. En la práctica, la elección real es si en ChatGPT seleccionas Instant, Thinking o Pro.

Enlaces relacionados

Anuncio de GPT-5.5 Instant: https://openai.com/index/gpt-5-5-instant/
Anuncio de GPT-5.5: https://openai.com/index/introducing-gpt-5-5/
GPT-5.5 in ChatGPT Help Center: https://help.openai.com/en/articles/11909943-gpt-53-and-gpt-55-in-chatgpt

Qué revelan las ChatGPT Release Notes sobre el ritmo de producto de OpenAI

Thu, 07 May 2026 14:31:22 +0800

La página ChatGPT Release Notes de OpenAI es una forma directa de observar el ritmo de producto de ChatGPT. La página registra de forma continua los cambios en modelos, funciones, seguridad de cuenta, integraciones de apps y experiencia de cliente.

Al 7 de mayo de 2026, la página muestra la actualización más reciente como “ayer”, con las entradas nuevas concentradas el 5 de mayo de 2026. Pueden parecer actualizaciones normales, pero juntas muestran hacia dónde va ChatGPT: un modelo predeterminado más fiable, memoria más controlable, flujos de oficina más profundos y mayor seguridad de cuenta.

Primer foco reciente: las fuentes de memoria se vuelven visibles

La primera actualización del 5 de mayo trata sobre mejoras de memoria en ChatGPT.

OpenAI dice que los usuarios Plus y Pro recibirán gradualmente respuestas más personalizadas y continuas. ChatGPT puede usar mejor chats anteriores, memorias guardadas, archivos disponibles y contexto de Gmail conectado para ofrecer sugerencias, recomendaciones y próximos pasos más adaptados.

El valor de esta capacidad se vuelve claro en el uso prolongado. Si un usuario trabaja en un proyecto, escribe una serie de artículos, sigue un conjunto de correos o maneja repetidamente tareas similares, lo más molesto es volver a explicar el contexto cada vez. Una memoria más fuerte busca reducir esa repetición.

Pero cuanto más fuerte se vuelve la memoria, más necesitan los usuarios saber qué contexto usó el modelo. Por eso OpenAI está introduciendo memory sources. Los usuarios pueden ver memorias guardadas relevantes, chats anteriores, instrucciones personalizadas y, en ciertos casos, archivos y mensajes de Gmail referenciados debajo de una respuesta.

Si la información está desactualizada, es inexacta o ya no es relevante, los usuarios pueden corregirla, eliminarla o marcarla como no relevante.

La personalización no es solo “conocerte mejor”

Cuando se habla de personalización en IA, la conversación suele centrarse solo en si el modelo entiende mejor al usuario. Pero una personalización sostenible debe responder tres preguntas:

¿Puede el usuario ver qué consultó el modelo?
¿Puede editar o eliminar esa información?
¿Puede apagar la memoria cuando no la necesita?

Las release notes dicen claramente que las fuentes de memoria solo se muestran dentro de la experiencia de la propia cuenta del usuario y no se exponen cuando se comparte un chat. Los usuarios también pueden borrar chats, usar chats temporales, desactivar la memoria, desconectar apps y gestionar si su contenido se usa para mejorar modelos.

Esto muestra que OpenAI no solo está añadiendo capacidad de personalización. También está añadiendo superficies de control. Para un asistente de largo plazo, ese paso importa.

Segundo foco reciente: GPT-5.5 Instant se vuelve el modelo predeterminado

Ese mismo día, OpenAI también empezó a desplegar GPT-5.5 Instant como nuevo modelo predeterminado de ChatGPT, reemplazando GPT-5.3 Instant para todos los usuarios.

Las release notes describen la actualización del modelo en términos prácticos: más preciso, más claro, más conciso, mejor en comprensión de imágenes y preguntas STEM, y mejor al decidir cuándo usar búsqueda web.

Las actualizaciones del modelo predeterminado tienen mucho impacto. La mayoría de usuarios no cambia de modelo todos los días. La calidad de ChatGPT que perciben es la calidad del modelo predeterminado. Si el modelo predeterminado tiene menos alucinaciones, menos relleno y menos preguntas de seguimiento inútiles, la experiencia real mejora de forma visible.

OpenAI también dice que GPT-5.5 Instant reduce el exceso de formato y el contenido decorativo innecesario. Puede parecer un detalle pequeño, pero está muy cerca del uso diario. Muchos usuarios no necesitan un ensayo totalmente estructurado. Necesitan una respuesta precisa, directa y accionable.

Los usuarios de pago podrán seguir usando GPT-5.3 Instant durante tres meses antes de que se retire.

Tercer foco reciente: ChatGPT entra en Excel y Google Sheets

La tercera actualización del 5 de mayo es el lanzamiento global de ChatGPT para Excel y Google Sheets.

Esta función coloca ChatGPT en la barra lateral de Microsoft Excel y Google Sheets, permitiendo crear, actualizar y entender datos dentro de hojas de cálculo. Los escenarios oficiales incluyen trackers, presupuestos, fórmulas, archivos con varias pestañas, análisis de escenarios y limpieza de hojas.

Esto muestra que ChatGPT no se queda dentro de una ventana de chat. Está entrando en los lugares donde los usuarios ya trabajan.

Para usuarios de oficina, las hojas de cálculo son una superficie de trabajo muy común. Muchas empresas, equipos y personas guardan datos de negocio no en plataformas complejas de datos, sino en montones de archivos de Excel y Google Sheets. Si ChatGPT puede entender datos, escribir fórmulas, organizar varias hojas y explicar resultados junto a la hoja de cálculo, la barrera es mucho menor que copiar todo a una ventana de chat.

OpenAI también recuerda a los usuarios que revisen los resultados antes de confiar en fórmulas o análisis. Es realista: la IA puede acelerar el trabajo con hojas de cálculo, pero no puede asumir toda la responsabilidad de decisiones financieras, operativas o de negocio.

Base de finales de abril: seguridad y selección de modelos

Mirando hacia atrás, la actualización Advanced Account Security del 30 de abril también merece atención.

Es una configuración de seguridad opcional para cuentas personales de ChatGPT. Cuando se activa, la cuenta usa métodos de inicio de sesión más fuertes, como passkeys o llaves de seguridad compatibles, y desactiva rutas más débiles como contraseña, códigos por email o SMS y recuperación de cuenta por email. También incluye claves de recuperación, sesiones activas más cortas, notificaciones de inicio de sesión y controles de gestión de sesión.

Esto muestra que las cuentas de ChatGPT se están volviendo más importantes. A medida que archivos, memorias, conexiones de apps, correo, hojas de cálculo y proyectos de trabajo entran en ChatGPT, la seguridad de cuenta deja de ser solo un tema de login. Se relaciona con el contexto de trabajo de largo plazo del usuario.

El 28 de abril, OpenAI también acercó la selección de modelos al compositor y movió los controles de thinking effort para modelos Thinking y Pro al selector de modelos. Es un cambio típico de detalle de producto: a medida que crece el número de modelos, los usuarios necesitan una forma más fácil de elegir la herramienta correcta antes de enviar un mensaje.

Otra dirección de finales de abril: respuestas comunes más rápidas

El 22 de abril, ChatGPT introdujo Fast answers.

Esta función está pensada para consultas comunes de información. Cuando una pregunta no necesita personalización y ChatGPT tiene una respuesta de alta confianza, puede devolver resultados más rápido. Fast answers no usa chats anteriores ni memoria, y los usuarios pueden desactivarlas en la configuración de personalización.

Puede parecer lo contrario de una memoria más fuerte, pero sigue la misma lógica de producto: distintas preguntas necesitan distintos tratamientos.

Algunas preguntas necesitan contexto de largo plazo, como “ayúdame a continuar el plan de ese proyecto de la semana pasada”. Otras solo necesitan una respuesta rápida y precisa, como “cuáles son las Siete Maravillas del Mundo”. La primera necesita memoria y contexto; la segunda necesita velocidad y claridad. ChatGPT está separando esos caminos.

El ritmo de producto está cambiando

Estas release notes muestran que las actualizaciones de ChatGPT ya no son solo lanzamientos de modelos.

Ahora las actualizaciones cubren:

Calidad del modelo predeterminado.
Memoria y personalización.
Conexiones de apps y complementos de oficina.
Seguridad de cuenta.
Selección de modelos y puntos de entrada de interacción.
Respuestas rápidas y experiencia móvil.

Esto significa que ChatGPT está pasando de ser un único producto de chat con IA a una plataforma de trabajo más completa. La capacidad del modelo sigue siendo importante, pero la experiencia de producto, la gestión de contexto, los puntos de entrada de herramientas, la seguridad de cuenta y las integraciones de terceros importan tanto como eso.

Resumen

Lo más interesante de estas ChatGPT Release Notes no es una actualización concreta, sino la dirección que forman juntas.

OpenAI está haciendo que ChatGPT sea más rápido, más consciente del contexto, más presente en flujos de oficina y también más controlable y seguro. GPT-5.5 Instant mejora la calidad de respuesta predeterminada, memory sources explica la personalización, Excel y Google Sheets llevan ChatGPT a archivos de trabajo reales, y Advanced Account Security protege un uso de cuenta más pesado.

De aquí en adelante, la competitividad de ChatGPT no dependerá solo de parámetros de modelo. También dependerá de si OpenAI puede organizar estas actualizaciones en una experiencia de producto estable y clara, en la que los usuarios estén dispuestos a confiar contexto de largo plazo.

Enlaces

ChatGPT Release Notes: https://help.openai.com/en/articles/6825453-chatgpt-release-notes%253F.ejs

Actualización de ChatGPT Release Notes: fuentes de memoria, GPT-5.5 Instant y complementos para hojas de cálculo

Thu, 07 May 2026 14:30:15 +0800

La página ChatGPT Release Notes de OpenAI se actualizó a principios de mayo de 2026. El último grupo de cambios se concentra en tres cosas: memory sources y una personalización más fuerte en ChatGPT, GPT-5.5 Instant como nuevo modelo predeterminado, y el lanzamiento global de ChatGPT para Excel y Google Sheets.

En conjunto, estas actualizaciones apuntan a una dirección clara: ChatGPT sigue moviéndose desde una entrada de chat hacia un asistente de trabajo más continuo, más personalizado y más nativo de las herramientas de oficina.

Memory sources hacen más transparente la personalización

La actualización más importante es memory sources.

OpenAI dice que los usuarios de ChatGPT Plus y Pro están empezando a recibir mejoras de memoria más fuertes. ChatGPT puede extraer mejor contexto relevante de chats anteriores, memorias guardadas, archivos disponibles y apps de Gmail conectadas para ofrecer ideas, recomendaciones y próximos pasos más adaptados.

Esto significa que los usuarios no tienen que explicar una y otra vez el contexto del proyecto, preferencias, hábitos o materiales existentes en cada conversación nueva. Para escritura de largo plazo, planificación de proyectos, organización de investigación, aprendizaje y trabajo en equipo, la continuidad mejora.

Pero cuanto más fuerte se vuelve la personalización, más importante se vuelve la transparencia. Por eso OpenAI introduce memory sources, para que los usuarios puedan ver qué información ayudó a personalizar una respuesta. Los usuarios pueden hacer clic en el icono Sources bajo una respuesta para ver memorias guardadas relevantes, chats anteriores e instrucciones personalizadas. Los usuarios Plus y Pro también pueden ver archivos de su biblioteca y correos referenciados de Gmail conectado.

Si alguna información está desactualizada, no es relevante o es incorrecta, los usuarios pueden corregirla, eliminarla o marcarla como no relevante.

El control de memoria sigue siendo la clave

OpenAI también señala que memory sources puede no mostrar todos los factores que dieron forma a una respuesta, y que seguirá mejorando la vista.

Eso importa. Memory sources no es un “registro completo del pensamiento del modelo”. Es una interfaz de producto para entender el contexto personalizado. Mejora la visibilidad, pero no puede exponer por completo cada factor que influyó en una respuesta.

Para privacidad y control, OpenAI dice que memory sources solo aparece dentro de la experiencia de la propia cuenta del usuario. Si un usuario comparte un chat, las fuentes no aparecen en el chat compartido. Los usuarios también pueden borrar chats, usar chats temporales que no usan ni actualizan memoria y no aparecen en el historial, desactivar la memoria, desconectar apps en cualquier momento y gestionar si su contenido se usa para mejorar modelos.

Esto muestra que la personalización de ChatGPT sigue un camino más claro: hacer que el asistente conozca mejor al usuario, pero también darle formas de ver y gestionar por qué respondió de cierta manera.

GPT-5.5 Instant se convierte en el modelo predeterminado

Las release notes también confirman que GPT-5.5 Instant se está desplegando como nuevo modelo predeterminado de ChatGPT, reemplazando GPT-5.3 Instant para todos los usuarios.

La actualización del modelo predeterminado mejora varias áreas:

Precisión.
Claridad y concisión.
Comprensión de imágenes.
Respuestas STEM.
Decidir cuándo usar búsqueda web.

OpenAI enfatiza que GPT-5.5 Instant es más fiable factualmente, especialmente para prompts donde la precisión importa. También da respuestas más compactas y directas, reduce preguntas de seguimiento innecesarias y baja el ruido de exceso de formato y contenido decorativo.

Para los usuarios, esto puede no ser tan visible como un nuevo botón, pero cambia la sensación de abrir ChatGPT cada día: menos desvíos, menos verbosidad y menos formato apilado sobre preguntas simples.

La personalización y el modelo predeterminado ahora trabajan juntos

Para usuarios Plus y Pro en la web, GPT-5.5 Instant también puede usar con más eficacia contexto de chats anteriores, archivos y Gmail conectado.

Esto forma parte de la misma dirección de producto que memory sources. El modelo no solo es “más inteligente”. También debería saber, cuando corresponde, en qué trabajaste antes, qué te importa y qué materiales ya proporcionaste. Al continuar un proyecto, escribir un plan, organizar información de correo o hacer sugerencias basadas en preferencias pasadas, ChatGPT puede hacer menos preguntas repetidas.

Los usuarios de pago pueden seguir usando GPT-5.3 Instant durante tres meses mediante la configuración de modelos antes de que se retire.

ChatGPT para Excel y Google Sheets

Otra actualización importante es el lanzamiento global de ChatGPT para Excel y Google Sheets.

Lleva ChatGPT a una barra lateral dentro de Microsoft Excel y Google Sheets, para que los usuarios puedan crear, actualizar y entender datos en el lugar. OpenAI menciona casos de uso como:

Trackers.
Presupuestos.
Fórmulas.
Archivos con varias pestañas.
Trabajo de escenarios.
Limpieza de hojas de cálculo.

Donde esté disponible, también soporta Skills y apps.

El significado es directo: muchos datos de oficina no viven en un sistema BI especializado. Viven en Excel y Google Sheets. Colocar ChatGPT en la barra lateral de la hoja es más natural que pedir a los usuarios copiar y pegar en una ventana de chat, y facilita entrar en flujos de trabajo reales.

Límites de uso e instalación

Las release notes dicen que los planes Free y Go incluyen uso limitado, mientras que Plus y Pro usan los mismos límites de uso agentic que Codex. Los usuarios pueden comprar créditos adicionales si necesitan superar los límites del plan.

La instalación también es directa: instalar ChatGPT para Excel desde Microsoft Marketplace o ChatGPT desde Google Workspace Marketplace, y luego iniciar sesión con una cuenta de ChatGPT elegible.

OpenAI también recuerda a los usuarios que revisen los resultados antes de confiar en fórmulas o análisis. Ese punto es importante. La IA puede acelerar el trabajo con hojas de cálculo, pero fórmulas, presupuestos, trabajo financiero y análisis de negocio aún necesitan revisión humana.

Patrón reciente de actualizaciones

Mirando las release notes desde finales de abril hasta principios de mayo, la dirección de ChatGPT se vuelve más clara.

El 30 de abril, OpenAI introdujo Advanced Account Security para cuentas personales de ChatGPT, añadiendo requisitos de inicio de sesión más fuertes y protecciones de cuenta, incluyendo passkeys, llaves de seguridad, claves de recuperación, sesiones más cortas y notificaciones de inicio de sesión.

El 28 de abril, la selección de modelos se acercó al compositor, facilitando elegir un modelo antes de enviar un mensaje. Los controles de thinking effort para modelos Thinking y Pro también se movieron al selector de modelos.

El 22 de abril, ChatGPT introdujo Fast answers para consultas comunes de información que no requieren personalización y donde el modelo tiene una respuesta de alta confianza. Fast answers no referencia chats anteriores ni memoria, y los usuarios pueden desactivarlas en la configuración de personalización.

Todas estas actualizaciones sirven al mismo objetivo: hacer que ChatGPT funcione mejor para el uso frecuente de todos los días. Debe ser rápido cuando importa la velocidad, personalizado cuando importa el contexto, y ofrecer controles de seguridad y visibilidad cuando se necesitan.

Resumen

El punto de esta actualización de ChatGPT Release Notes no es una sola función. Es la forma continua que va tomando el producto.

GPT-5.5 Instant mejora la calidad de la respuesta predeterminada. Memory sources hace más visible la personalización. Los complementos de Excel y Google Sheets colocan ChatGPT dentro de hojas de cálculo de oficina. Advanced Account Security y los cambios del selector de modelos fortalecen la protección de cuenta y el diseño de interacción.

ChatGPT se está convirtiendo en una capa de trabajo de más largo plazo. Recuerda más contexto, entra en más herramientas y maneja más tareas diarias. Las siguientes preguntas son si la transparencia de personalización es lo bastante clara, si los complementos de oficina se mantienen estables en hojas complejas reales y si los usuarios pueden conservar un equilibrio sano entre comodidad y control.

Enlaces

ChatGPT Release Notes: https://help.openai.com/en/articles/6825453-chatgpt-release-notes

GPT-5.5 Instant llega: el modelo predeterminado de ChatGPT se vuelve más preciso, breve y personal

Thu, 07 May 2026 14:28:40 +0800

OpenAI lanzó GPT-5.5 Instant el 5 de mayo de 2026 y comenzó a desplegarlo como modelo predeterminado para todos los usuarios de ChatGPT.

Las palabras clave de esta actualización no son “más grande” ni “más llamativa”. Están más cerca del uso diario: respuestas más precisas, respuestas más claras y cortas, un tono más natural y mejor uso del contexto que los usuarios ya compartieron. Para ChatGPT, los cambios en el modelo predeterminado importan especialmente porque afectan la experiencia que la mayoría de personas usa cada día.

Por qué importa el modelo predeterminado

Instant es el modelo diario de ChatGPT. Muchos usuarios no cambian manualmente de modelo ni estudian las diferencias entre ellos. Su experiencia de ChatGPT es la calidad del modelo predeterminado.

Por eso GPT-5.5 Instant no es solo otro nombre de modelo. Empuja hacia adelante la experiencia base. OpenAI dice que la actualización hace que las interacciones cotidianas sean más útiles y fluidas: mejores respuestas en distintos temas, conversaciones más compactas y mejor uso del contexto existente cuando corresponde.

Este tipo de mejora es menos dramático que un gran lanzamiento multimodal, pero para cientos de millones de usuarios, un modelo predeterminado que comete menos errores, escribe menos de más y hace menos preguntas de seguimiento inútiles es un gran cambio de producto.

Menos alucinaciones y respuestas más fiables

OpenAI coloca la precisión en primer lugar.

En evaluaciones internas, OpenAI dice que GPT-5.5 Instant produjo 52,5% menos afirmaciones alucinadas que GPT-5.3 Instant en prompts de alto riesgo sobre medicina, derecho y finanzas. En conversaciones especialmente difíciles que los usuarios habían marcado por errores factuales, las afirmaciones inexactas se redujeron 37,3%.

Estos números importan. Muestran que OpenAI no solo intenta hacer el modelo más fluido, sino que sigue reduciendo errores factuales. En áreas como medicina, derecho y finanzas, un modelo no puede limitarse a sonar convincente. Tiene que ser más cauteloso e inventar menos.

Esto no significa que los usuarios deban tratar ChatGPT como reemplazo de asesoramiento profesional. Un modelo más preciso aún necesita verificación, fuentes y juicio humano en contextos de alto riesgo. Pero como experiencia de producto, una mayor fiabilidad factual en el modelo predeterminado reduce muchos riesgos cotidianos.

Mejor rendimiento en tareas diarias

GPT-5.5 Instant también mejora en tareas diarias.

OpenAI menciona mejor análisis de fotos e imágenes subidas, respuestas STEM más fuertes y mejor criterio sobre cuándo usar búsqueda web. El último punto es importante. A muchos usuarios no les importa si internamente el modelo llama a una herramienta. Les importa que la respuesta sea actual, precisa y clara.

Si el modelo puede decidir mejor qué preguntas necesitan búsqueda web y cuáles se pueden responder directamente, los usuarios no tienen que repetir “búscalo”. ChatGPT se siente más como un asistente proactivo que como una caja de chat esperando instrucciones explícitas.

El ejemplo matemático de OpenAI también apunta en esa dirección. GPT-5.5 Instant acepta inicialmente una solución incorrecta, pero luego verifica el resultado, encuentra el error algebraico y resuelve la ecuación corregida. Lo importante no es que nunca se equivoque, sino que tiene más posibilidades de detectar y reparar un error durante el razonamiento.

Respuestas más cortas, no menos sustancia

OpenAI también enfatiza que GPT-5.5 Instant da respuestas más compactas y directas, manteniendo contenido útil y el tono amable de ChatGPT.

Esto importa para un modelo predeterminado. La fatiga con respuestas de IA muchas veces no viene de falta de información, sino de demasiada estructura, demasiada preparación y demasiado formato. Una pregunta simple puede convertirse en cinco encabezados y una docena de advertencias, lo cual se siente artificial.

GPT-5.5 Instant busca reducir la verbosidad y el exceso de formato innecesarios, hacer menos preguntas de seguimiento sin necesidad y evitar ruido decorativo. Para trabajo diario de oficina, consejos de escritura, preguntas de vida y explicaciones rápidas, estos cambios suelen importar más que una puntuación de benchmark.

Más corto no significa más superficial. Un buen modelo predeterminado debe juzgar si el usuario necesita una frase práctica, una explicación o un plan completo. GPT-5.5 Instant avanza hacia un criterio más estable en ese equilibrio.

La personalización sigue mejorando

Otro hilo principal es la personalización.

OpenAI dice que Instant ahora usa mejor, cuando está disponible, contexto de chats anteriores, archivos y Gmail conectado para hacer respuestas más relevantes. Decide cuándo la personalización extra puede mejorar una respuesta y busca conversaciones pasadas más rápido, para que los usuarios no tengan que repetir tanto contexto.

Esto es valioso para usuarios de ChatGPT de largo plazo. Al planificar, escribir, elegir herramientas, organizar proyectos o continuar un flujo de trabajo, los usuarios quizá ya dieron preferencias, restricciones y contexto en chats anteriores. Si el modelo puede continuar de forma natural, reduce explicaciones repetidas.

Pero la personalización debe venir con transparencia y control. De lo contrario, los usuarios no saben por qué el modelo menciona de repente una preferencia o qué memorias están dando forma a una respuesta.

Memory sources hace más visible la personalización

OpenAI también está introduciendo memory sources en todos los modelos de ChatGPT.

La función permite a los usuarios ver qué contexto se usó para personalizar una respuesta, como memorias guardadas o chats anteriores. Si algo está desactualizado, es inexacto o ya no se desea, los usuarios pueden eliminarlo o corregirlo.

OpenAI también dice que memory sources no se muestra a otras personas cuando los usuarios comparten un chat. Los usuarios pueden borrar chats que no quieren que se citen, editar memorias guardadas en configuración o usar chats temporales que no usan ni actualizan memoria.

Esto importa. Cuanto más personalizado se vuelve un asistente de IA, más necesita explicar “qué usé para responderte”. Memory sources quizá no muestre todos los factores, pero saca parte de la personalización de la caja negra.

Disponibilidad

GPT-5.5 Instant se despliega desde el día del anuncio para todos los usuarios de ChatGPT, reemplazando GPT-5.3 Instant como modelo predeterminado. En la API, corresponde a chat-latest.

Los usuarios de pago pueden seguir usando GPT-5.3 Instant durante tres meses mediante la configuración de modelos antes de que se retire.

La personalización mejorada desde chats anteriores, archivos y Gmail conectado se despliega primero para usuarios Plus y Pro en la web, con soporte móvil más adelante. OpenAI planea expandirla a Free, Go, Business y Enterprise en las siguientes semanas. Memory sources se despliega en la web para planes de consumo de ChatGPT y llegará a móvil después. La disponibilidad de fuentes específicas de personalización puede variar por región.

Resumen

GPT-5.5 Instant es una mejora de la experiencia predeterminada de ChatGPT.

No se trata solo de mayor capacidad del modelo. Ajusta precisión, densidad de respuesta, tono, uso de contexto y transparencia de personalización a la vez. Para usuarios comunes, el cambio más directo debería ser: menos relleno, menos errores factuales y mejor continuidad con su contexto.

Para OpenAI, es otro paso en la evolución del asistente predeterminado. ChatGPT se vuelve menos una herramienta que empieza de cero cada vez y más un asistente de largo plazo que puede recordar preferencias, entender contexto, saber cuándo buscar y dejar que los usuarios gestionen esas fuentes de memoria.

Enlaces

Anuncio de OpenAI: https://openai.com/index/gpt-5-5-instant/

Guía inicial de Codex App: instalación, sandbox, tareas paralelas, Skills y MCP

Wed, 06 May 2026 08:41:17 +0800

Codex App puede entenderse como un espacio de trabajo de tareas para programación con IA. No es un IDE tradicional ni solo una ventana de chat. Reúne multitarea, gestión de proyectos, permisos de sandbox, Git, ejecución en la nube, plugins, Skills, MCP y automatización en una sola interfaz.

Si ya usas Codex CLI, Claude Code, Cursor u otros coding agents, la parte más interesante de Codex App es que convierte “ejecutar varios agentes en paralelo” en un flujo de escritorio más claro.

Para qué sirve Codex App

El valor central de Codex App no es responder preguntas, sino permitir que la IA ejecute tareas de forma continua dentro de un directorio de proyecto:

Editar código, ejecutar comandos e iniciar servidores de desarrollo.
Gestionar múltiples proyectos y múltiples tareas.
Ejecutar tareas largas localmente o en la nube.
Llamar plugins, Skills y MCP para ampliar capacidades.
Gestionar cambios mediante Git, worktree y flujos PR.

OpenAI también posiciona Codex App como una interfaz para gestionar múltiples coding agents. Es adecuada para personas que necesitan avanzar varias tareas de programación a la vez, especialmente páginas frontend, scripts, apps pequeñas, documentación y flujos de automatización.

Preparación antes de instalar

Antes de usar Codex App, conviene preparar tres herramientas básicas:

Git
Node.js
VS Code o tu IDE preferido

Codex App soporta macOS y Windows. Después de instalar, inicia sesión con tu cuenta de ChatGPT. En el primer lanzamiento, puedes elegir tu escenario principal de uso, como programación o trabajo diario. Codex precargará algunos plugins y Skills según tus elecciones, y luego puedes ajustarlos en configuración y en el marketplace de plugins.

Las funciones principales en Windows y macOS son bastante parecidas, pero algunas capacidades de automatización del ordenador pueden depender de la plataforma y del soporte de plugins. Usa lo que tu versión actual muestre realmente.

Estructura de interfaz: proyectos, tareas y chats

Codex App usa un diseño clásico de tres columnas:

Izquierda: proyectos, tareas, historial de chats, plugins y entradas de automatización.
Centro: ventana de chat actual.
Derecha: archivos, navegador, terminal, resultados de ejecución y otros paneles.

Un proyecto normalmente corresponde a una carpeta local. Puedes abrir varios chats dentro del mismo proyecto, o abrir varios proyectos a la vez para que distintos agentes trabajen en paralelo.

La lista de tareas muestra distintos estados:

Running: el agente sigue ejecutando.
Waiting for approval: debes confirmar permisos, red, instalación de dependencias o una acción de alto riesgo.
Completed: la tarea terminó, y puedes inspeccionar el resultado o seguir preguntando.

Esto es más intuitivo que cambiar entre varias ventanas de terminal, y se adapta mejor a gestionar varias tareas de IA a la vez.

Sandbox y control de permisos

El sistema de permisos de Codex App se construye alrededor del sandbox. Por defecto, la carpeta actual del proyecto se convierte en el workspace principal del agente.

Los límites de permisos comunes incluyen:

Puede leer y modificar archivos dentro del directorio del proyecto.
Por defecto no puede modificar libremente archivos fuera del proyecto.
La red o comandos de alto riesgo están restringidos por defecto.
Cuando necesita acceso elevado, pide aprobación al usuario.

Un modo práctico es “auto review”: las acciones de bajo riesgo se permiten automáticamente, mientras que las acciones de alto riesgo siguen siendo confirmadas por el usuario. Esto reduce ventanas emergentes frecuentes y evita que operaciones peligrosas ocurran en silencio.

“Full access” debe habilitarse con cautela. Es adecuado cuando sabes exactamente qué necesita hacer el agente, el proyecto ya tiene respaldos Git y los archivos importantes tienen copias separadas. No se recomienda como valor diario permanente.

Contexto, modelos y cuotas

Codex App muestra el uso de contexto del chat actual. Cuanto más larga es la conversación y más historial contiene, más contexto necesita procesar el modelo.

Hábitos útiles:

Empezar un chat nuevo después de terminar una tarea.
Los chats largos pueden comprimirse manualmente, pero no trates la compresión como memoria perfecta.
Para tareas complejas, declara claramente objetivos, límites y criterios de aceptación.
No pegues de golpe logs, errores o archivos grandes e irrelevantes en un chat.

Para selección de modelos, ajusta la fuerza de razonamiento según la complejidad de la tarea. Ediciones simples, escritura y tareas repetitivas no siempre necesitan el modelo más fuerte. Migraciones de arquitectura, bugs difíciles y refactors entre archivos encajan mejor con modelos más potentes.

Si la interfaz tiene un modo rápido, recuerda que normalmente consume más cuota. Úsalo cuando la velocidad importe, pero no como valor diario predeterminado.

Generación de imágenes y entradas multimodales

Codex App puede aceptar imágenes y archivos como contexto, y puede llamar generación de imágenes en escenarios adecuados.

Esto es útil para proyectos frontend y de contenido. Por ejemplo, puedes pedir a Codex:

Corregir estilos de página según capturas.
Reemplazar imágenes inadecuadas en una web.
Generar imágenes de producto, imágenes de carrusel o assets de página.
Señalar qué debe cambiarse a partir de una captura de UI.

Un enfoque más eficiente no es decir solo “hazlo más bonito”, sino usar capturas y señalar problemas concretos, como “el espacio en esta tarjeta es demasiado grande”, “esta imagen no coincide con la escena del servicio” o “haz más clara el área del mapa”.

Steer: corregir dirección durante la ejecución

Steer puede entenderse como tomar control de la dirección durante la ejecución. Si el agente ya empezó pero notas que entendió mal, no siempre conviene esperar a que termine para corregirlo.

Puedes usar steering para insertar una nueva instrucción en el flujo de ejecución actual y hacer que Codex corrija el rumbo.

Buenos casos de uso para Steer incluyen:

El agente entendió mal el requisito.
El estilo de página generado es claramente incorrecto.
El plan actual es demasiado costoso o pesado.
Necesitas añadir una restricción clave temporalmente.

En general, mantén el comportamiento predeterminado en cola y usa Steer manualmente solo cuando se necesite intervención. Esto evita interrumpir tareas normales y aun así permite recuperar la dirección en momentos clave.

Modo plan y navegador integrado

Para tareas complejas, empieza con modo plan. En modo plan, Codex no modifica código de inmediato. Primero produce un plan y puede hacer preguntas clave con tarjetas.

Tareas adecuadas para modo plan incluyen:

Migración de frameworks, como pasar un proyecto React a Next.js.
Refactors grandes.
Funciones que involucran bases de datos, autenticación o despliegue.
Requisitos donde aún no has decidido la ruta técnica.

El panel derecho de Codex App puede abrir un navegador integrado para previsualizar el servidor local de desarrollo. Puedes anotar la página y dejar que Codex modifique una ubicación específica de UI. Este flujo de “mirar la página, hacer clic en la posición y pedir a la IA que la cambie” suele ser mejor para depuración frontend que descripciones puramente textuales.

Git, IDE y rollback de código

Codex App no es un IDE completo. Puede ver código y añadir anotaciones, pero la edición manual sigue siendo mejor en VS Code, Cursor, Windsurf u otro IDE.

Todo proyecto de Codex debería inicializar Git temprano:

Pedir a Codex que cree o revise .gitignore.
Hacer un commit al llegar a un estado usable.
Asegurar un punto de commit limpio antes de cada cambio grande.
Volver atrás con Git si no estás satisfecho.

Si haces rollback solo del historial de chat, el código no vuelve automáticamente. Un enfoque más seguro es devolver el chat al punto correcto y luego usar un hash de commit Git para devolver el código al estado correspondiente.

Worktree: desarrollo paralelo en varias direcciones

git worktree es especialmente adecuado para agentes paralelos en Codex App.

Crea varios directorios de trabajo independientes desde el mismo repositorio, cada uno correspondiente a una rama distinta. Esto permite que diferentes agentes trabajen en distintas carpetas al mismo tiempo sin sobrescribirse.

Uso típico:

Un worktree optimiza el componente de reseñas de clientes.
Un worktree ajusta información de tienda y diseño del mapa.
Fusionar ambas tareas de vuelta a main tras completarlas.
Eliminar worktrees temporales después de fusionar.

Esto es mucho más seguro que dejar que varios agentes modifiquen código en el mismo directorio. Si hay conflictos, revísalos y fusiónalos con flujos Git normales.

Entorno de ejecución en la nube

Codex puede trabajar no solo en tu máquina local, sino también en un entorno de nube.

La ejecución en la nube es adecuada cuando:

Estás fuera y solo tienes un teléfono.
Quieres que los agentes ejecuten tareas largas en segundo plano.
El código ya se sincronizó con GitHub y Codex necesita modificar el repositorio remoto.
Quieres revisar y fusionar cambios mediante PRs.

Un flujo típico es: subir el código local a GitHub, dejar que Codex descargue el repositorio en un entorno de nube, ejecutar la tarea, generar cambios y presentarlos como PR o diff para revisión.

Al continuar el desarrollo local, recuerda traer los últimos cambios remotos.

Sistema de memoria: escribe un buen AGENTS.md

Los chats nuevos no tienen memoria histórica completa por defecto. Una vez que un proyecto se vuelve complejo, explicar el contexto repetidamente es ineficiente.

La solución más general es mantener AGENTS.md en la raíz del proyecto. Este archivo puede registrar:

Objetivos del proyecto y stack principal.
Comandos comunes.
Estructura de directorios.
Estilo de código y convenciones de nombres.
Acciones prohibidas, como borrar archivos en masa.
Reglas de pruebas, build y despliegue.

También puedes pedir a Codex que lea el proyecto y genere una primera versión de AGENTS.md, luego revisarla manualmente. Para proyectos complejos, vale la pena mantener este archivo.

Las reglas globales deben usarse con cuidado. Son adecuadas para restricciones universales de seguridad, como “no borrar directorios recursivamente” o “confirmar antes de operaciones destructivas”. No pongas detalles específicos del proyecto en reglas globales, o contaminarán otros proyectos.

Plugins y automatizaciones

Los plugins conectan Codex con servicios externos como GitHub, Gmail, Google Drive, bases de datos y plataformas de despliegue.

Su valor está en reducir copiar y pegar. Por ejemplo, Codex puede:

Revisar tendencias de estrellas de un repositorio GitHub.
Resumir contenido de email y enviártelo.
Ejecutar una revisión recurrente.
Escribir el resultado como resumen.

Las automatizaciones son adecuadas para tareas repetidas. Por ejemplo, revisar datos de un repositorio todos los viernes por la tarde y enviar un informe por email. Las tareas simples de automatización normalmente no requieren el modelo más fuerte; basta un modelo más ligero.

Skills: convertir flujos de trabajo en capacidades reutilizables

Las Skills son “manuales profesionales” para Codex. No son prompts de una sola vez. Empaquetan un flujo de tarea, reglas, scripts y notas para que Codex pueda reutilizarlos de forma fiable después.

Fuentes comunes incluyen:

Skills oficiales.
Skills de terceros.
Skills escritas por ti.

Buenos candidatos para Skills incluyen:

Convertir subtítulos en notas ilustradas.
Escribir informes semanales con formato de empresa.
Procesar imágenes o documentos por lotes.
Revisiones de código con formato fijo.
Inicialización de proyectos para un framework concreto.

Si has copiado y pegado el mismo prompt muchas veces, vale la pena convertirlo en una Skill.

MCP: conectar herramientas externas y bases de datos

MCP puede entenderse como un protocolo estandarizado de herramientas para modelos grandes. Mediante MCP, Codex puede llamar servicios externos para completar tareas más concretas.

Por ejemplo, después de conectar Supabase, Codex puede:

Crear tablas de base de datos.
Leer esquemas de base de datos.
Modificar endpoints backend.
Enviar formularios frontend a la base de datos.
Depurar problemas según el estado de la base de datos.

Esto es poderoso, pero los permisos importan. Bases de datos, entornos de producción, plataformas de despliegue y cuentas de email son recursos de alto riesgo. Al conectarlos por primera vez, usa un proyecto de prueba y una cuenta con pocos privilegios.

Plugins de despliegue

Los plugins de plataformas de despliegue pueden permitir que Codex complete builds y releases directamente, como desplegar un proyecto frontend en Netlify.

Estos plugins son adecuados para sitios pequeños, prototipos, herramientas internas y demos. En uso real, presta atención a:

Ejecutar un build local antes del despliegue.
No escribir variables de entorno directamente en el código.
Comprobar que la página abre normalmente después de publicar.
Mantener revisión humana para proyectos de producción.

La IA puede ayudar a conectar el flujo de despliegue, pero los permisos de despliegue deben gestionarse con cuidado.

Automatización del ordenador

Con plataformas y entornos de plugins soportados, Codex también puede operar navegadores o apps de escritorio, completando tareas más cercanas a RPA.

Ejemplos:

Abrir una app de chat y preparar un mensaje.
Navegar un tablero de proyecto y resumir estado de tareas.
Generar un brief en inglés.
Enviarlo a un destinatario especificado después de tu confirmación.
Convertir el flujo en una automatización programada.

Estas capacidades son imaginativas, pero requieren los límites de seguridad más fuertes. Cualquier operación que implique enviar mensajes, enviar email, enviar formularios, pagos o eliminar datos debe conservar confirmación humana.

Sugerencias de uso

La forma correcta de usar Codex App no es dejarle tomar todo de golpe, sino dividir tareas y permitir que ejecute eficientemente en un entorno controlado.

Hábitos recomendados:

Inicializar Git en cada proyecto.
Usar modo plan para tareas complejas.
Usar worktree para tareas paralelas.
Poner reglas de proyecto en AGENTS.md.
Mantener confirmación humana para acciones de alto riesgo.
Convertir flujos repetidos en Skills o automatizaciones.
Validar plugins y MCP primero en un entorno de prueba.

Referencias

Resumen

Codex App no es “otra ventana de chat con IA”. Su foco es convertir la programación con IA en un espacio de trabajo gestionable, donde proyectos locales, tareas en la nube, Git, worktree, plugins, Skills, MCP y automatización puedan conectarse.

La clave para usarla bien es equilibrar libertad y control. Las tareas pequeñas pueden entregarse a Codex con confianza. Las tareas complejas deben empezar con un plan. Las acciones de alto riesgo deben confirmarse. Usada así, Codex puede convertirse no solo en un asistente que escribe código, sino en una herramienta de ingeniería de largo plazo.

Por que ChatGPT muestra 'This chat was flagged for possible cybersecurity risk' y como actuar

Wed, 06 May 2026 00:17:00 +0800

Al usar ChatGPT u otros modelos grandes, a veces aparece el aviso: “This chat was flagged for possible cybersecurity risk”. Esto significa que el sistema automatico de seguridad de la plataforma detecto que el contenido de la conversacion podria infringir las politicas de uso.

A continuacion se analizan las causas habituales, el impacto real y las formas de manejarlo.

Por que se marca

Contenido sensible en la entrada

La conversacion puede contener contenido que el sistema interpreta como potencialmente danino, por ejemplo:

Pedir generacion de codigo o scripts maliciosos.
Analizar o explotar vulnerabilidades de red.
Preguntar por actividades ilegales.
Buscar instrucciones para eludir restricciones de seguridad.

Falsos positivos

Aunque la intencion sea un analisis de codigo legitimo o investigacion tecnica, el sistema puede interpretar terminos de ciberseguridad como un posible intento de ataque. Los modelos de revision de IA son sensibles a palabras clave, y la frontera entre discusion tecnica y conducta ofensiva no siempre se clasifica con precision.

Mecanismo de revision de la plataforma

El sistema escanea automaticamente el contenido de la conversacion para evaluar riesgos. En versiones mas recientes, como actualizaciones de abril de 2026, este tipo de aviso parece mas frecuente, lo que sugiere que la plataforma puede haber incorporado procesos externos de revision mas estrictos.

Impacto del aviso

La conversacion actual se termina: la plataforma puede limitar o detener la generacion en ese chat.
Registro de riesgo: activar controles de riesgo muchas veces puede quedar registrado y, acumulado, afectar el estado de la cuenta.
Mayor sensibilidad: los mecanismos de revision siguen endureciendose, por lo que las discusiones tecnicas chocan con mas facilidad contra el limite.

Como manejarlo

Crear un chat nuevo

La forma mas directa es abandonar la conversacion actual y hacer clic en “New Chat” para empezar una sesion nueva. El contexto anterior deja de arrastrarse y normalmente no vuelve a activar la misma revision.

Ajustar el prompt

Revisa lo que escribiste antes, elimina palabras que puedan considerarse sensibles y formula la pregunta de forma mas neutral. Por ejemplo, cambia “como saltar cierta restriccion” por “cual es el principio de esa restriccion”, o “como escribir un script de ataque” por “que mecanismo suelen aprovechar este tipo de scripts”.

No intentar eludirlo

Evita forzar a la IA a responder preguntas rechazadas mediante prompt injection u otros trucos. Eso aumenta el riesgo de bloqueo de cuenta y suele ser contraproducente.

Confirmar la operacion real

Si no estabas haciendo una operacion de alto riesgo, como analizar enlaces de phishing o escribir malware, probablemente se trate de una interpretacion erronea de conceptos tecnicos por parte del sistema. En ese caso puedes enviar feedback a la plataforma, aunque a corto plazo el efecto suele ser limitado.

Cuidar la privacidad

No subas informacion personal sensible ni secretos comerciales a analisis con IA. Aunque no active controles de riesgo, sigue existiendo riesgo de fuga de datos.

Recomendaciones preventivas

En discusiones tecnicas, describe el problema con terminos lo mas neutrales posible.
Evita concentrar muchos temas sensibles dentro de una sola conversacion.
Limpia periodicamente conversaciones historicas innecesarias.
En cuentas importantes, evita tocar con frecuencia los bordes de las politicas de revision.

Resumen

“This chat was flagged for possible cybersecurity risk” suele ser activado por revision automatica y no necesariamente significa que la cuenta haya infringido reglas. La prioridad es clara: crear un chat nuevo, ajustar la redaccion y no forzar el limite. En el uso diario, cuidar la forma de preguntar evita la mayoria de activaciones.

Por que ChatGPT y Codex piden verificar el numero de telefono al iniciar sesion

Tue, 05 May 2026 23:57:50 +0800

Algunos usuarios se encuentran con esta situacion: la cuenta de ChatGPT ya fue registrada correctamente, pero al iniciar sesion en ChatGPT o Codex el sistema vuelve a pedir verificar un numero de telefono. Esto resulta especialmente confuso en Codex: si la cuenta ya se registro, ¿por que el inicio de sesion de la herramienta exige telefono?

Este tipo de problema suele estar relacionado con controles de riesgo de cuenta, abuso de cuotas gratuitas, entorno de red y politicas de seguridad. A continuacion se organizan las causas comunes y las formas de abordarlo.

Por que se exige verificar telefono

La causa mas directa es un endurecimiento del control de riesgo.

Despues de abrir Codex a usuarios, las cuotas gratuitas atraen a muchos usuarios reales, pero tambien a registros masivos y captacion automatizada de cuotas. Si alguien usa registradores para crear cuentas en lote y consumir esas cuotas, la plataforma tiende a endurecer la verificacion.

Desde el lado del usuario, el resultado es que una cuenta que antes solo necesitaba correo o login de terceros de pronto exige agregar verificacion de telefono al iniciar sesion en ChatGPT o Codex.

Esto no significa necesariamente que tu cuenta tenga un problema. Tambien puede indicar un entorno de inicio de sesion de mayor riesgo, por ejemplo:

Uso de una salida de red compartida por muchos usuarios.
Un rango de IP usado con frecuencia para registros o logins anormales.
Cuenta recien creada que accede enseguida a herramientas de alto consumo.
Cambios frecuentes de dispositivo, region o red.
Comportamiento de cuenta gratuita parecido al de cuentas masivas.

Si recientemente hubo anomalias de cuenta, restricciones de inicio de sesion o bloqueos por error, tambien puede estar relacionado con una marca indirecta del entorno de red. Los nodos compartidos por muchas personas tienen un riesgo claramente mayor.

Por que Codex lo activa con mas facilidad

Codex es distinto del chat normal. Se parece mas a una herramienta de desarrollo, puede implicar mayor consumo de recursos y es mas facil que cuentas masivas lo usen para gastar cuotas gratuitas.

Por eso no es raro que la misma cuenta parezca normal en la pagina de ChatGPT, pero active verificacion de telefono en el flujo de inicio de sesion de Codex. Puede entenderse asi: distintos productos tienen entradas con distintas evaluaciones de riesgo.

Para usuarios normales, esta verificacion normalmente no busca dificultar el uso individual, sino limitar el registro masivo y el abuso de cuotas gratuitas. Pero si el entorno de red no esta limpio, tambien puede haber falsos positivos.

Metodo 1: actualizar a Plus

Si usas ChatGPT o Codex de forma prolongada, la forma mas sencilla de manejarlo es actualizar a ChatGPT Plus.

En la experiencia practica, las cuentas de pago suelen activar con menos frecuencia controles de abuso de cuotas que las cuentas gratuitas. Una cuenta Plus tambien es mas adecuada para usar Codex, modelos avanzados de ChatGPT y funciones de alta frecuencia de forma estable.

Pero hay que recordar que actualizar a Plus no significa que nunca volvera a pedirse verificacion. Si despues de pagar aun se exige telefono, la causa frecuente sigue siendo el entorno de red.

En ese caso conviene revisar:

Si estas usando una red compartida por muchos usuarios.
Si la IP de salida cambia con frecuencia.
Si usas desde hace tiempo proxies baratos o nodos publicos de baja calidad.
Si en la misma red inician sesion muchas cuentas de OpenAI.

Si es posible, iniciar sesion desde una red mas estable y limpia suele ser mas efectivo que repetir intentos.

Metodo 2: revisar el entorno de red

Muchos problemas de verificacion al iniciar sesion parecen problemas de cuenta, pero en esencia son problemas de red.

Si una IP de salida es compartida por muchas personas, o se uso antes para registros masivos, logins anormales o solicitudes automatizadas, es mas facil que sea marcada. En ese caso, aunque seas un usuario normal, ChatGPT o Codex pueden pedir verificacion adicional.

Puedes revisar estos puntos:

Cambia a un entorno de red mas estable.
Evita nodos publicos, baratos o compartidos por muchas personas.
Reduce cambios frecuentes de region en poco tiempo.
No cambies muchas cuentas dentro del mismo navegador.
Si usas proxy, prioriza lineas mas estables y con menos abuso.

Tambien puedes usar herramientas externas para evaluar el riesgo de la IP actual, pero esos resultados solo son referencia y no representan por completo el criterio interno de OpenAI.

Metodo 3: completar la verificacion de telefono

Si el sistema exige claramente verificacion de telefono, lo mas seguro es completarla como se pide.

Conviene usar un numero propio que puedas conservar y recibir codigos a largo plazo. Asi, si despues aparece una verificacion de seguridad, recuperacion de acceso o alerta anormal, podras gestionarla.

No se recomienda vincular una cuenta importante a numeros de origen desconocido, compartidos por muchas personas o que no puedas usar durante mucho tiempo. A corto plazo pueden pasar la verificacion, pero a largo plazo traen riesgos de recuperacion, auditoria de seguridad y segunda verificacion.

Si usas una cuenta de trabajo, cuenta de equipo o cuenta de desarrollo de la que dependes a largo plazo, deberias evitar todavia mas los numeros temporales no controlados. La seguridad de la cuenta importa mas que ahorrar unos minutos.

Que cuidar al actualizar a Plus

Si vas a actualizar a Plus, confirma primero varias cosas:

La cuenta puede iniciar sesion con normalidad.
El entorno de red es estable y no cambia de region frecuentemente.
El metodo de pago es fiable; evita pagos de origen desconocido.
Conserva comprobantes de pago y el correo de la cuenta.
No prestes la cuenta para uso compartido por muchas personas.

Muchos problemas de cuenta no vienen de Plus en si, sino de la red, el pago y los habitos de uso compartido antes y despues de actualizar. Una cuenta usada por muchas personas, con logins frecuentes desde lugares distintos y cambios constantes de entorno, puede activar verificaciones aunque sea de pago.

Si solo pruebas ocasionalmente, una cuenta gratuita puede seguir sirviendo. Pero si ya usas Codex como herramienta diaria de desarrollo, Plus es mas adecuado para el uso estable a largo plazo.

No conviene seguir exprimiendo cuotas gratuitas

Las cuotas gratuitas de herramientas como Codex existen para que usuarios normales prueben y experimenten. Si muchas cuentas masivas consumen esas cuotas de forma continua, la plataforma solo puede aumentar la intensidad del control de riesgo.

El resultado es que los usuarios normales tambien se ven afectados: iniciar sesion se vuelve mas molesto, aparecen mas verificaciones, aumentan los bloqueos por error y sube el coste de uso de la cuenta.

Para quienes realmente usan Codex para escribir codigo, modificar proyectos y ejecutar tareas de ingenieria, es mejor ordenar la cuenta y el entorno de red que gastar tiempo evitando controles. A largo plazo, eso ahorra mas trabajo que registrar cuentas nuevas, cambiar nodos y resolver verificaciones una y otra vez.

Resumen

Cuando ChatGPT o Codex piden verificar un numero de telefono al iniciar sesion, normalmente esta relacionado con control de riesgo de cuenta, abuso de cuotas gratuitas y riesgo del entorno de red. No significa necesariamente que la cuenta haya infringido reglas, pero si indica que el entorno de login o el estado de la cuenta activo una verificacion superior.

El orden de manejo puede ser simple:

Primero revisa la red y evita salidas compartidas o de alto riesgo.
Si lo usas a largo plazo, considera actualizar a Plus.
Si el sistema exige telefono, usa preferiblemente un numero que controles a largo plazo.
Evita registros masivos, cuentas compartidas y cambios frecuentes de entorno.

La clave para usar herramientas de IA de forma estable no es saltarse verificaciones todo el tiempo, sino mantener normales la cuenta, la red y la forma de uso. Asi se reducen los problemas de inicio de sesion y tambien la probabilidad de falsos positivos posteriores.

¿Quién metió goblins en GPT-5.5?

Sat, 02 May 2026 11:02:16 +0800

OpenAI revisó recientemente una pregunta pequeña pero reveladora: ¿por qué GPT-5.5 en Codex empezó a usar tan a menudo palabras como goblin y gremlin?

No es solo un problema de muletilla. Muestra un patrón común en el entrenamiento de modelos: puede que el modelo no esté memorizando directamente una palabra, sino aprendiendo un estilo con más probabilidad de recibir recompensa durante reinforcement learning.

Qué ocurrió

Al final del entrenamiento de GPT-5.5, usuarios de Codex notaron que el modelo usaba a menudo lenguaje personificado al explicar problemas de código, fallos de tests o comportamientos extraños.

OpenAI vio el mismo patrón internamente. Comparado con versiones anteriores, GPT-5.5 usaba más palabras como goblin y gremlin. El equipo de investigación lo trató como un rasgo de personalidad extraño y rastreó de dónde venía.

No era una simple repetición de datos

La hipótesis obvia es que los datos de entrenamiento contenían más de esas palabras, así que el modelo aprendió un patrón frecuente.

OpenAI encontró que eso no bastaba para explicar el cambio. Palabras relacionadas sí aparecían en los datos de preentrenamiento, pero no en un nivel capaz de explicar el comportamiento posterior. La diferencia mayor aparecía antes y después del reinforcement learning: el entrenamiento de etapa final amplificó el estilo.

Así que la cuestión no es solo qué existe en los datos, sino qué recompensa el proceso de entrenamiento.

El reinforcement learning amplificó el estilo

En el análisis de OpenAI, el cambio clave ocurrió durante reinforcement learning. GPT-5.5 aprendió un tono más vivo, reconocible y parecido a una personalidad, y algunas palabras juguetonas encajaban bien con ese tono.

En términos simples, el modelo pudo aprender que:

Las respuestas más distintivas tienen más probabilidad de ser preferidas.
Las analogías ligeras pueden hacer que las explicaciones técnicas se sientan mejor.
Ciertas palabras hacen que una respuesta parezca tierna, ingeniosa o juguetona.
Las recompensas locales pueden amplificarse durante el entrenamiento.

El resultado: al modelo nunca se le indicó explícitamente que usara esas palabras con frecuencia, pero desarrolló una tendencia estable en ciertos contextos.

La fuente fue la persona Nerdy

Siguiendo el rastro de los datos, OpenAI encontró rápidamente una rama específica: la persona Nerdy en personalización.

El objetivo de ese modo era hacer que la IA actuara como un tutor nerd: entusiasta, ingenioso, dedicado al conocimiento y al pensamiento crítico, y no demasiado solemne. Desde una perspectiva humana, la petición era clara: sé geek y sé divertido.

Pero el modelo no entiende de verdad los límites del humor. A través de la retroalimentación de reinforcement learning, aprendió un atajo: usar metáforas como goblin podía parecer juguetón, listo y nerd, haciendo que la respuesta tuviera más probabilidad de puntuar bien.

Los números lo hacen visible. De GPT-5.2 a GPT-5.4, el uso de goblin bajo la persona por defecto cambió solo un -3,2%. Bajo la persona Nerdy, subió un 3881,4%. Aunque el modo Nerdy representaba solo el 2,5% de las conversaciones de ChatGPT, aportaba el 66,7% de todo el uso de goblin.

Así que el problema no era la palabra en sí. La señal de recompensa empujó un estilo que parecía humorístico hasta convertirlo en un hábito fijo.

Por qué se veía más en Codex

Codex hizo que el problema fuera más fácil de notar. Las tareas de programación suelen incluir bugs, fallos de tests, diferencias de entorno y casos límite, que un modelo puede personificar con facilidad.

Cuando el modelo quiere explicar que un error es raro, que un test es inestable o que un comportamiento parece travieso, es más probable que recurra a palabras de este tipo. Con el tiempo, los usuarios lo perciben como un tic verbal fijo.

OpenAI añadió después instrucciones al system prompt de Codex para suprimir este comportamiento. Eso no reentrena el modelo; es una forma a nivel de producto de mantenerlo bajo control.

Qué demuestra esto

Lo interesante no es una sola palabra, sino cómo se forma el comportamiento del modelo.

Muestra al menos tres cosas:

El estilo del modelo puede venir de señales de recompensa, no solo de frecuencia en los datos.
Pequeñas preferencias en etapas tardías de entrenamiento pueden convertirse en rasgos de personalidad estables.
Los system prompts a nivel de producto pueden reducir el problema, pero no borran la tendencia dentro del modelo.

Este es un problema difícil de alineación. A los usuarios suelen gustarles las respuestas interesantes, pero optimizar demasiado por interés puede hacer que un modelo suene poco serio, repetitivo o demasiado estilizado en tareas serias.

Qué pueden hacer los usuarios

Si una herramienta de programación con IA tiene una frase o tono repetido, puede que no sea culpa de tu prompt. Puede venir de las preferencias de entrenamiento del modelo.

Puedes reducirlo así:

Especificando el tono en system prompts o reglas de proyecto.
Pidiendo al modelo que evite personificación, jerga y bromas excesivas.
Exigiendo un estilo directo, conciso y centrado en ingeniería para tareas técnicas.
Prohibiendo explícitamente una palabra repetida si sigue apareciendo.

Estas restricciones no cambian los pesos del modelo, pero pueden reducir ruido en el uso real.

Resumen

El hábito de GPT-5.5 con goblin no es solo una broma. Muestra un problema de entrenamiento más profundo: las señales de recompensa moldean el estilo, el estilo se traslada a productos y los usuarios acaban percibiéndolo como personalidad.

Para constructores de modelos, este tipo de problema debe gestionarse en entrenamiento, evaluación y prompts de producto. Para usuarios, el movimiento práctico es declarar claramente el estilo deseado: menos actuación, más estabilidad.

Referencia:

https://openai.com/index/where-the-goblins-came-from/

OpenAI presenta Advanced Account Security: una capa más fuerte para proteger cuentas de ChatGPT y Codex

Fri, 01 May 2026 06:15:29 +0800

OpenAI presentó Advanced Account Security el 30 de abril de 2026 como una opción de alta seguridad para cuentas de ChatGPT.

Está pensada sobre todo para dos grupos: personas con mayor riesgo de ataques dirigidos, como periodistas, cargos electos, disidentes políticos o investigadores; y usuarios especialmente sensibles a la seguridad que quieren más protección para sus cuentas de ChatGPT y Codex.

Una vez activada, la función protege no solo ChatGPT, sino también Codex cuando se accede con la misma cuenta.

Por qué las cuentas de ChatGPT necesitan más seguridad

Cada vez más personas usan ChatGPT para trabajo privado o de alto impacto. Una cuenta puede contener:

preguntas personales y conversaciones largas;
documentos de trabajo y contexto de proyectos;
herramientas conectadas y flujos de trabajo;
código y tareas de desarrollo en Codex;
materiales empresariales, de investigación o de seguridad.

Si una cuenta se compromete, el daño no se limita al historial de chat. Un atacante puede acceder a herramientas conectadas, ver contexto sensible o interferir con trabajo en curso.

Por eso OpenAI no está añadiendo solo otra forma de inicio de sesión, sino un conjunto más estricto de protección de cuenta.

Qué incluye Advanced Account Security

OpenAI coloca esta opción en la sección Security de ChatGPT web, donde el usuario puede activarla.

Primero, el inicio de sesión se vuelve más fuerte.

Advanced Account Security requiere passkeys o llaves físicas de seguridad y desactiva el inicio de sesión con contraseña. El objetivo es que la autenticación resistente al phishing sea el valor por defecto para quienes más la necesitan.

Segundo, la recuperación de cuenta se vuelve más estricta.

La recuperación tradicional suele depender de correo o SMS. Si un atacante controla el correo o el número del usuario, puede usarlo para restablecer la cuenta. Para reducir este riesgo, Advanced Account Security desactiva la recuperación por email y SMS y usa métodos más fuertes, como passkeys de respaldo, llaves de seguridad y claves de recuperación.

Hay una contrapartida importante: después de activar la función, recuperar la cuenta depende mucho más de que el usuario guarde bien esos métodos. OpenAI indica explícitamente que, si los usuarios inscritos pierden sus métodos de recuperación, OpenAI Support no podrá recuperar la cuenta.

Tercero, las sesiones son más cortas y más fáciles de gestionar.

OpenAI reduce la duración de las sesiones para acortar la ventana de exposición si un dispositivo o sesión activa se ve comprometido. El usuario recibe alertas de inicio de sesión y puede revisar y gestionar sesiones activas en sus dispositivos.

Cuarto, la exclusión de entrenamiento se activa automáticamente.

Para quienes manejan información sensible, impedir que las conversaciones se usen para entrenar modelos es una opción de privacidad importante. Al activar Advanced Account Security, las conversaciones de esas cuentas no se usarán para entrenar modelos de OpenAI.

Colaboración con Yubico

OpenAI también anunció una colaboración con Yubico para ofrecer un paquete personalizado de llaves de seguridad.

Incluye:

YubiKey C Nano: pensada para quedarse conectada al portátil y reducir fricción diaria;
YubiKey C NFC: pensada como respaldo y para uso entre portátiles y móviles.

OpenAI dice que también se pueden usar otras llaves físicas compatibles con FIDO o passkeys de software. La función no depende de un hardware concreto, sino de métodos resistentes al phishing.

Trusted Access for Cyber tendrá que activarlo

OpenAI también indica que los miembros individuales de Trusted Access for Cyber que acceden a modelos de ciberseguridad más capaces y permisivos deberán activar Advanced Account Security desde el 1 de junio de 2026.

Las organizaciones pueden cumplir de otra forma: certificando que su flujo de SSO ya usa autenticación resistente al phishing.

La lógica es clara. Cuanto más potente es la capacidad del modelo, más fuerte debe ser la protección de cuenta, sobre todo en investigación de seguridad, análisis de vulnerabilidades y red teaming.

Quién debería considerarlo

No es una función necesaria para todo el mundo.

Si usas ChatGPT solo para conversaciones comunes y no quieres gestionar recuperación estricta, puede tener sentido esperar.

Pero estos usuarios deberían considerarla en serio:

personas que manejan materiales sensibles en ChatGPT;
usuarios de Codex con repositorios privados;
periodistas, profesionales públicos, investigadores, ejecutivos y otros usuarios de alto riesgo;
profesionales de ciberseguridad;
personas cómodas con passkeys o llaves físicas;
usuarios preocupados por phishing, SIM swapping o toma de control del correo.

Antes de activarla, conviene preparar passkeys de respaldo, llaves de seguridad y claves de recuperación, y guardarlas de forma segura.

Qué significa para productos de IA

Advanced Account Security no es una mejora del modelo, pero muestra que los productos de IA están entrando en usos de mayor riesgo.

Cuando ChatGPT y Codex cargan flujos de trabajo, código, documentos, conectores empresariales y contexto de largo plazo, la cuenta ya no es solo una entrada a un chat. Es la llave de un entorno de trabajo con IA.

Cuanto más se parecen estos productos a espacios personales de trabajo, más importantes se vuelven seguridad de cuenta, recuperación, sesiones y controles de datos de entrenamiento.

Conclusión

Advanced Account Security puede entenderse como un modo de alta seguridad para ChatGPT y Codex.

Reduce el riesgo de toma de cuenta mediante inicio de sesión más fuerte, recuperación más estricta, sesiones más cortas, alertas y exclusión automática de entrenamiento. La contrapartida es que el usuario debe cuidar mejor sus métodos de recuperación: después de activarlo ya no existe recuperación tradicional por correo o SMS, y OpenAI Support no sirve como respaldo.

Si ya usas ChatGPT o Codex para trabajo importante, especialmente con código privado, documentos sensibles o una identidad de alto riesgo, esta función merece atención.

Referencia:

Introducing Advanced Account Security - OpenAI

OpenAI lanza GPT-5.5: codificaci贸n ag茅ntica, trabajo de conocimiento e investigaci贸n m谩s fuertes

Fri, 24 Apr 2026 08:39:56 +0800

OpenAI publicó Introducing GPT-5.5 el 23 de abril de 2026. A juzgar por la página oficial, este lanzamiento no se trata solo de hacer que el modelo sea “más inteligente”; se trata más de si el modelo puede seguir ejecutando tareas complejas.

OpenAI posiciona GPT-5.5 como un modelo más adecuado para el trabajo real. Se espera que no solo responda preguntas, sino que también escriba código, depure, investigue en línea, analice datos, cree documentos y hojas de cálculo, opere software y se mueva entre herramientas hasta que la tarea esté terminada.

false

1. Dónde es más fuerte GPT-5.5

La página de lanzamiento destaca repetidamente cuatro áreas:

Codificación agentica
Uso de la computadora y uso de herramientas
Trabajo de conocimiento
Asistencia en investigación científica temprana

En otras palabras, GPT-5.5 está dirigido menos a preguntas y respuestas cortas y más a tareas de larga duración. Por ejemplo, un problema de ingeniería no es solo “¿cómo debe cambiarse este código?”; el modelo necesita entender la estructura del proyecto, localizar la causa de la falla, editar archivos relacionados, añadir pruebas, verificar resultados y reducir la solicitud de prompting repetida por parte del usuario.

OpenAI también enfatiza que GPT-5.5 utiliza menos tokens en tareas de Codex. Esto es importante en la práctica porque los agentes de codificación pueden consumir tokens rápidamente una vez que comienzan a leer archivos, ejecutar comandos y arreglar bugs. Si un modelo puede completar la misma tarea en menos pasos, tanto el costo como el tiempo de espera disminuyen.

false

2. La codificación es el principal escaparate

OpenAI llama a GPT-5.5 su modelo de codificación agentico más potente hasta la fecha.

Los números públicos más destacados incluyen:

Terminal-Bench 2.0: GPT-5.5 alcanza el 82.7%
SWE-Bench Pro: GPT-5.5 alcanza el 58.6%
Expert-SWE interno de OpenAI: GPT-5.5 también obtiene una puntuación más alta que GPT-5.4

Estas evaluaciones tienen algo en común: están más cerca de flujos de trabajo de ingeniería reales que de preguntas de algoritmo aisladas. Terminal-Bench, en particular, implica operaciones de línea de comandos, planificación, prueba y error, coordinación de herramientas y verificación de múltiples pasos.

Para los desarrolladores cotidianos, la implicación es directa: si un modelo puede asumir tareas más grandes depende de si puede mantener el contexto durante mucho tiempo, verificar sus propias suposiciones, saber cuándo ejecutar pruebas y entender qué más puede afectar un cambio.

El valor de GPT-5.5 en Codex también se manifiesta principalmente en estos comportamientos. Se siente más como un colaborador que puede asumir parte de una tarea de ingeniería, en lugar de una herramienta que solo completa fragmentos de código.

false

3. El Trabajo del Conocimiento se Convierte en un Escenario Central

Más allá de la codificación, OpenAI está integrando GPT-5.5 en un contexto de trabajo de oficina más amplio.

El anuncio dice que GPT-5.5 puede generar documentos, hojas de cálculo (spreadsheets) y presentaciones (slide decks) mejor en Codex, y también es más adecuado para la investigación operativa, el modelado de hojas de cálculo y la organización de materiales de negocio. Combinado con el uso de la computadora, su objetivo no es simplemente ofrecer sugerencias, sino participar en el flujo de trabajo completo de encontrar información, comprender el contenido, usar herramientas, revisar la salida y convertir materia prima en un resultado.

La página también señala que OpenAI ya utiliza Codex en muchos departamentos internos, incluyendo ingeniería de software, finanzas, comunicaciones, marketing, data science y product management. Lo interesante no es ningún ejemplo en particular, sino la dirección: OpenAI está expandiendo Codex de una herramienta para desarrolladores a una herramienta de trabajo más general.

En ChatGPT, GPT-5.5 Thinking está disponible para usuarios Plus, Pro, Business y Enterprise; GPT-5.5 Pro está dirigido a preguntas más difíciles y trabajo de mayor precisión, y está disponible para usuarios Pro, Business y Enterprise.

false

4. La Capacidad de Investigación es Más que Respuestas Mejores

GPT-5.5 también recibe una fuerte presentación enfocada en la investigación.

OpenAI afirma que ha mejorado en genética, biología cuantitativa, bioinformática, prueba matemática y áreas relacionadas. La clave no es si el modelo puede recordar un hecho, sino si puede manejar problemas de investigación más realistas: leer datos, detectar anomalías, proponer análisis, interpretar resultados y continuar basándose en hallazgos intermedios.

La página de lanzamiento menciona GeneBench y BixBench, ambos centrados más en el análisis científico multifase. OpenAI también dice que una versión interna de GPT-5.5, con un harness personalizado, ayudó a descubrir una nueva prueba relacionada con los números de Ramsey y la verificó con Lean.

Estos ejemplos no deben simplificarse a “la IA ahora puede hacer investigación de forma independiente”. Pero sí sugieren que los modelos están pasando de ser motores de respuesta a ser colaboradores en la investigación. En escenarios donde se mezclan código, datos, artículos, ideas de experimentos y notas, el razonamiento de horizonte largo y el uso de herramientas de GPT-5.5 se vuelven especialmente importantes.

false

5. Eficiencia de Inferencia: Más Potente Sin Volverse Mucho Más Lento

Un punto fácilmente pasado por alto es que OpenAI afirma que GPT-5.5 iguala a GPT-5.4 en la latencia por token en el mundo real.

Normalmente, los modelos más grandes y más capaces tienen una latencia más alta. Esta vez, OpenAI enfatiza que la optimización del sistema de inferencia ayudó a GPT-5.5 a volverse más capaz mientras mantenía la velocidad estable. La página de lanzamiento también menciona que Codex analizó patrones de tráfico de producción y escribió algoritmos heurísticos de balanceo de carga, aumentando la velocidad de generación de tokens en más de 20%.

Ese detalle es interesante: el modelo no solo es atendido por la infraestructura, sino que también ayuda a mejorar la infraestructura que lo sirve.

false

6. La seguridad se vuelve más estricta, especialmente en ciberseguridad

Dado que GPT-5.5 tiene capacidades de ciberseguridad más sólidas, OpenAI también está reforzando los controles de seguridad.

El anuncio indica que GPT-5.5 mejora respecto a GPT-5.4 en capacidad de ciberseguridad, por lo que OpenAI está implementando clasificadores más estrictos, especialmente para actividades de alto riesgo, solicitudes sensibles de ciberseguridad y uso indebido repetido.

Esto significa que algunos usuarios pueden experimentar más rechazos o fricción al trabajar en tareas relacionadas con la ciberseguridad. OpenAI también ofrece Trusted Access for Cyber, diseñado para reducir barreras innecesarias para usuarios defensivos verificados.

Para los desarrolladores comunes, la conclusión simple es: el refuerzo legítimo de la seguridad (security hardening), la corrección de vulnerabilidades y la auditoría de código deben seguir siendo compatibles, mientras que los flujos de trabajo de ataque de alto riesgo estarán más controlados.

false

7. Disponibilidad y Precios de la API

Según la página de lanzamiento de OpenAI, la disponibilidad de GPT-5.5 es la siguiente:

ChatGPT: GPT-5.5 Thinking para usuarios Plus, Pro, Business y Enterprise
ChatGPT: GPT-5.5 Pro para usuarios Pro, Business y Enterprise
Codex: GPT-5.5 para planes Plus, Pro, Business, Enterprise, Edu y Go
Codex: ventana de contexto de 400K
Codex Modo Fast: velocidad de generación de tokens de aproximadamente 1.5x a un coste de 2.5x

Para la API, OpenAI dice que gpt-5.5 y gpt-5.5-pro estarán disponibles pronto.

Los precios de la API anunciados son:

gpt-5.5: US$5 / 1M tokens de entrada y US$30 / 1M tokens de salida
gpt-5.5-pro: US$30 / 1M tokens de entrada y US$180 / 1M tokens de salida
Ventana de contexto API de gpt-5.5: 1M
Batch y Flex tienen la mitad del precio estándar de la API
El procesamiento prioritario es 2.5x el precio estándar

Esto es claramente más caro que muchos modelos cotidianos, por lo que es más adecuado para tareas de alto valor: cambios de ingeniería complejos, análisis de documentos largos, automatización de oficinas, asistencia de investigación y flujos de trabajo empresariales importantes, en lugar de conversaciones casuales.

false

8. Cómo leer este lanzamiento

En una frase, GPT-5.5 trata sobre cómo OpenAI impulsa los modelos más allá de “responder preguntas” hacia “realizar trabajo”.

La parte más importante no son solo las puntuaciones de referencia (benchmark scores) más altas, sino la convergencia de varias capacidades:

Mejor persistencia en tareas largas
Uso de herramientas más confiable
Comprensión de contexto de ingeniería más sólida
Mejor adaptación a documentos, hojas de cálculo, investigación y flujos de trabajo empresariales
Contexto más largo y mayor eficiencia de tokens
Controles más estrictos en capacidades de alto riesgo

Para los desarrolladores, lo más interesante de probar es trabajo de ingeniería complejo en Codex. Para los usuarios empresariales (enterprise users), la pregunta más grande es si puede convertir trabajo inter-herramental, inter-documental e inter-proceso en resultados entregables.

GPT-5.5 no es una pequeña actualización dirigida solo a la experiencia de chat. Parece más bien otro paso en el avance de OpenAI hacia la IA como una capa de ejecución para el trabajo.

false

Enlaces Relacionados

Presentando GPT-5.5 - OpenAI false

GPT Image 2 se lanza oficialmente: de generar imágenes al uso comercial

Wed, 22 Apr 2026 20:08:22 +0800

El modelo de imagen de nueva generación de OpenAI, GPT Image 2, ya llegó oficialmente a usuarios de ChatGPT. Según el feedback comunitario de la fase de pruebas filtrada y los ejemplos públicos disponibles, este lanzamiento se siente menos como una actualización rutinaria y más como un paso significativo de la generación de imágenes AI desde “parece usable” hacia “es usable”.

Si los modelos anteriores servían sobre todo para moodboards, concept art y experimentación lúdica, lo más notable de GPT Image 2 es que empieza a sentirse más cerca de una herramienta de producción. Ya sea texto legible, screenshots UI, pósters de marketing o imágenes más realistas estilo fotografía comercial, está mucho más cerca de algo que puedes usar directamente.

1. Mejoras centrales: cinco cosas que vale la pena observar

1. El renderizado de texto por fin entra en un rango usable

Para generación de imágenes AI, el texto siempre ha sido uno de los problemas más difíciles. Caracteres deformados, errores ortográficos, pasajes largos rotos y tipografía distorsionada han sido comunes en casi todos los modelos.

GPT Image 2 muestra una mejora muy visible. Puede manejar texto inglés y chino más claro, pero también layouts más complejos, párrafos largos y cierta composición multilingüe. Eso significa que muchos escenarios que antes requerían retoque manual pueden completarse directamente durante la generación.

Casos típicos:

pósters
portadas para redes sociales
páginas promocionales con titulares y texto explicativo
visuales para PPT
screenshots de apps con copy real y elementos de interfaz

Para flujos reales, esto es un gran paso. Cuando el texto se vuelve legible de forma estable, la generación de imágenes deja de ser solo “hazme una imagen de fondo” y empieza a poder manejar assets de marketing y visuales de producto.

2. El fotorrealismo mejora claramente

En comparaciones comunitarias lado a lado, GPT Image 2 parece más nítido en general, con texturas de material más finas e iluminación más consistente. Rostros, manos y detalles de borde, que antes exponían artefactos AI con facilidad, ahora se ven mucho más estables.

Esto no significa que los defectos hayan desaparecido. Significa que el “look AI” obvio ha bajado mucho. Muchas imágenes ahora resultan convincentes a primera vista y pueden confundirse con fotos reales, muestras de fotografía comercial o screenshots de juegos.

Por eso la primera reacción de mucha gente ya no es “está bien dibujado”, sino “esto ya parece real”.

3. Integración más fuerte de conocimiento del mundo

Esta mejora llama menos la atención, pero es muy práctica.

GPT Image 2 se siente menos como un sistema que simplemente junta fragmentos visuales y estilos, y más como uno que entiende lo que representa. Algunos ejemplos del artículo fuente son representativos:

las esferas de reloj muestran horas más lógicamente consistentes
detalles de marca y rasgos de personajes se reproducen con más precisión
screenshots estilo Minecraft o interfaces software siguen una lógica estructural más creíble

Eso significa que, al manejar objetos reales, interfaces digitales o escenas de juego que dependen de sentido común y coherencia estructural, la tasa de éxito es mayor. Para usuarios, este tipo de mejora suele valer más que un simple aumento de resolución.

4. La generación de UI y screenshots es muy fuerte

Desde el periodo de filtraciones hasta el lanzamiento oficial, una de las direcciones más comentadas de GPT Image 2 ha sido generar interfaces software, screenshots web y mockups de apps.

Estas tareas antes eran difíciles porque requieren todo esto a la vez:

texto claro
layout ordenado
alineación entre botones, cards, barras de navegación y elementos similares
color y jerarquía que se sientan como un producto real

Esta vez, el rendimiento del modelo en esas áreas ya parece bastante maduro. Para product managers, desarrolladores indie y diseñadores, eso significa crear más rápido mockups de alta fidelidad para propuestas, demos e incluso pruebas de usuario.

5. La edición local se acerca a un flujo real

Según el artículo fuente, GPT Image 2 soporta edición localizada más precisa, lo que significa que puede modificar una zona específica de una imagen sin forzar un redibujado completo cada vez.

Eso importa mucho en flujos creativos. En trabajo de diseño real, la tarea no suele ser “rehaz toda la imagen”, sino:

cambiar un botón
reemplazar un bloque de texto
mover un objeto
corregir parte del fondo
sustituir un elemento local

Si la edición localizada se vuelve suficientemente estable, el valor de la generación de imágenes AI ya no queda limitado al primer borrador. Puede empezar a participar en trabajo iterativo real.

2. Cómo usar GPT Image 2

Usarlo en ChatGPT

Por ahora, GPT Image 2 ya está integrado en ChatGPT, así que usuarios normales pueden acceder directamente desde la función de generación de imágenes.

Un flujo típico:

Abre ChatGPT en web o app
Haz clic en + en la caja de entrada
Elige “Create image”
Escribe tu prompt y envíalo
El sistema llama a GPT Image 2 y devuelve el resultado

El artículo fuente también señala que distintos niveles de suscripción tienen cuotas diferentes, así que usuarios free y Plus / Pro pueden tener distintos límites de generación. Las reglas exactas conviene revisarlas en lo que muestre ChatGPT dentro del producto en ese momento, porque pueden cambiar.

Usarlo mediante API

Para desarrolladores, el modelo de imagen también puede accederse mediante la API de OpenAI. El artículo fuente menciona el nombre de modelo gpt-image-2, pero en integraciones reales sigue siendo mejor seguir la documentación oficial más reciente para nombre de modelo y parámetros actuales.

El artículo lista varias resoluciones comunes:

Resolution	Typical use case
`1024x1024`	Imágenes cuadradas generales, avatares, gráficos para redes sociales
`1536x1024`	Portadas horizontales, slides, wallpapers widescreen
`1024x1536`	Pósters verticales, wallpapers de teléfono, ilustraciones tipo story
`2048x2048`	Impresión de alta resolución, displays grandes, ilustración detallada

3. Varios casos representativos

1. Screenshots de interfaces de apps

Este tipo de prompt es especialmente útil para prototipos de producto, demos de diseño y discusión de requisitos.

Características típicas:

especificar estilo de plataforma, como iOS
describir claramente la estructura de página
listar las cards de datos principales
definir la navegación inferior
explicar esquema de color y tipografía
enfatizar que el texto debe ser claro y los elementos deben alinearse

El objetivo de escribir prompts así no es solo hacer la imagen atractiva. Es reducir el margen de improvisación del modelo y hacer que el resultado parezca una interfaz real.

2. Imágenes de producto e-commerce

Productos como perfumes, auriculares, relojes y cosméticos encajan muy bien con GPT Image 2.

Ahora es más estable al manejar:

sensación material de vidrio, metal y líquidos
sombras y reflejos suaves
lógica de iluminación común en fotografía comercial
presentación premium sobre fondo limpio
pequeñas cantidades de texto de marca

Si la salida es estable, muchas imágenes de detalle e-commerce, hero images de páginas de marketing y visuales de producto para redes sociales pueden producirse con mucho menor coste de prueba y error.

3. Pósters con mucho texto

Los pósters son uno de los escenarios más claros para mostrar las capacidades textuales de esta generación.

El artículo fuente da una dirección típica: colocar un titular principal claro, hora y lugar, y lista de artistas sobre un fondo de silueta urbana al atardecer, exigiendo:

texto nítido y legible
sin errores ortográficos
layout mixto chino-inglés estable
estilo unificado

Antes estas tareas requerían generar primero el fondo y luego añadir texto manualmente. Si el modelo puede completar gran parte de eso en una sola pasada, su valor práctico aumenta mucho.

4. Concept art de juegos y “screenshots falsos”

Este es uno de los tipos de contenido con más probabilidad de difundirse en redes sociales cuando se crea con GPT Image 2.

Por ejemplo, screenshots de juego en tercera persona, calles con neón, reflejos en lluvia, profundidad de campo, grano de película y look de gameplay PS5 pueden combinarse en prompts que produzcan imágenes que a primera vista parezcan filtraciones de juegos.

Desde una perspectiva de distribución, estas imágenes atraen mucho la atención. Desde una perspectiva de riesgo, también muestran que el umbral para imágenes falsas convincentes ha bajado claramente, así que hay que ser más cauteloso al juzgar si una imagen es real.

5. Retratos realistas y personajes creativos

Los retratos siempre han sido una prueba directa de la capacidad de imagen AI.

Los ejemplos del artículo fuente combinan luz natural, cafeterías, rim lighting, prendas de punto y fondos cálidos desenfocados. El punto real es:

textura natural de piel
detalle completo del cabello
manos que no colapsan estructuralmente
lógica de iluminación creíble
atmósfera general sin artefactos AI obvios

Solo cuando estos puntos se manejan de forma consistente la generación de retratos entra realmente en una etapa usable.

6. Fotografía gastronómica

El artículo fuente también incluye un prompt largo en inglés para generar una foto de ramen tonkotsu con estilo de restaurante de alta gama. Ese ejemplo muestra una tendencia práctica: cuando un modelo es suficientemente fuerte, los prompts pueden empezar a leerse como guiones de fotografía.

Este estilo de prompt puede especificar:

composición del plato
material de vajilla
brillo del caldo
capas de grasa y bordes tostados del chashu
estado del huevo pasado por agua
profundidad de campo y bokeh de fondo
dirección de luz
tipo de lente y apertura

Para marcas de restaurantes, diseño de menús, hero images de plataformas de delivery y contenido social, esta generación ya se acerca mucho a sustituir fotografía gastronómica comercial.

7. Ilustraciones educativas

Otra dirección representativa son diagramas científicos y educativos con etiquetas.

El artículo fuente usa como ejemplo una sección transversal de célula vegetal y pide al modelo manejar todo esto a la vez:

estructura correcta
colocación precisa de etiquetas
líneas guía claras
tipografía consistente
uso de color por capas
estilo general apto para libros de texto o slides docentes

Esto muestra que el valor de GPT Image 2 no está solo en producir imágenes bonitas, sino también visuales informativos.

4. Qué significa en la práctica para usuarios normales

Lo que hace que GPT Image 2 merezca atención no es solo que empuje otra vez la calidad de imagen. Más importante aún, aleja la generación de imágenes AI del entretenimiento y la experimentación y la acerca a una herramienta que puede usarse comercialmente y entregarse como trabajo real.

Se ve en varias formas:

el texto por fin empieza a ser confiable
interfaces y pósters se parecen más a materiales reales
imágenes estilo fotografía comercial son más utilizables
gráficos educativos e informativos también son posibles
la edición localizada vuelve más realista la iteración

Por supuesto, eso no significa que reemplace por completo a diseñadores, fotógrafos o ilustradores. Los proyectos comerciales reales siguen requiriendo juicio estético, control de marca, conciencia de copyright y revisión humana.

Pero como mínimo, esta actualización deja algo claro: la competencia en generación de imágenes AI ya no consiste solo en si un modelo puede producir una imagen. Consiste en si ese modelo puede entrar de forma más fiable en flujos de trabajo reales.

Enlaces relacionados

Enlace de referencia mencionado en el artículo fuente: https://getgpt.pro/blog/gpt-image-2-release
Sitio demo mencionado en el artículo fuente: https://getgpt.pro
Enlace de invitación mencionado en el artículo fuente: https://getgpt.pro/i/ig2

OpenAI presenta ChatGPT Images 2.0: la generación de imágenes comienza a avanzar hacia resultados entregables

Wed, 22 Apr 2026 14:21:45 +0800

OpenAI publicó Presentación de ChatGPT Images 2.0 el 21 de abril de 2026. A juzgar por la página del anuncio, el punto principal no es simplemente que las imágenes se vean mejor. El mensaje más importante es que la generación de imágenes está avanzando hacia algo más controlable, más consciente del diseño y más directamente utilizable.

Si nos fijamos únicamente en esta página de lanzamiento, se parece más a una muestra densa de capacidades que a un anuncio técnico tradicional. Hay muy poco sobre la arquitectura del modelo, los detalles de capacitación o los puntos de referencia. En cambio, OpenAI utiliza un gran conjunto de ejemplos para responder una pregunta más práctica: ¿puede ahora ChatGPT manejar más trabajo que antes requería correcciones manuales repetidas para el texto, el diseño y el pulido final?

01 Las señales más claras en este lanzamiento

Las frases más destacadas de la página ya resumen el enfoque:

Mayor precisión y control
Más fuerte en todos los idiomas
Sofisticación estilística y realismo

En conjunto, esas tres ideas dicen mucho.

En primer lugar, el énfasis se está alejando de la mera imaginación y acercándose al control. La página incluye muchos ejemplos, como carteles, folletos de revistas, páginas promocionales, infografías, hojas de personajes, páginas de cómics y diseños de marcadores listos para imprimir. Lo que comparten estos ejemplos no es sólo el atractivo visual. Requieren manejo de texto, jerarquía, espacios en blanco, composición, coherencia estilística y control de formato al mismo tiempo. Eso sugiere que OpenAI está impulsando intencionalmente el producto desde “generar una imagen” hacia “generar un activo visual que la gente realmente pueda usar”.

En segundo lugar, la representación de texto multilingüe se considera una característica de los titulares. La página incluye carteles multilingües, portadas de libros, una campaña de hospitalidad coreana, manga japonés y varios ejemplos centrados en la tipografía. Esto es importante porque uno de los puntos débiles más persistentes de los modelos de imágenes ha sido el texto largo, los diseños complejos y las escrituras no inglesas. Que OpenAI ponga esto al frente y al centro es en sí mismo una señal: la representación de texto y el diseño en varios idiomas son ahora capacidades que cree que vale la pena mostrar directamente.

En tercer lugar, la gama estilística es muy amplia. Los ejemplos abarcan imágenes fotorrealistas, carteles de collage retro, gráficos inspirados en la Bauhaus, editoriales de moda, estilos documentales en blanco y negro, ilustraciones de libros infantiles, manga, infografías educativas, cuadrículas de productos y hojas de referencia de personajes. El mensaje no es sólo que el modelo puede imitar muchos estilos visuales. Es que el sistema está intentando adaptarse a un conjunto más amplio de tareas visuales reales.

02 Por qué esto parece un paso hacia resultados entregables

Desde el anuncio en sí, ChatGPT Images 2.0 se parece menos a un modelo de conversión de texto a imagen más sólido y más a una herramienta de producción visual mejorada.

Los modelos anteriores podían producir imágenes impresionantes, pero la experiencia a menudo fallaba cuando la tarea cambiaba a cosas como estas:

crear un póster con un título completo, un subtítulo y un texto de respaldo
crear una revista o una página promocional con información densa
generar una página de cómic con continuidad entre personajes y paneles
producir activos de marketing con relaciones de aspecto fijas, restricciones de diseño claras y tono de marca
crear contenido visual pulido que incluya texto multilingüe Esta versión parece diseñada para responder directamente a esas limitaciones anteriores.

La página incluye infografías educativas, carteles de tendencias de diseño, diseños de marcadores listos para imprimir, un cartel de lanzamiento de una cafetería, material de promoción turística, maquetas de productos comerciales y un cartel académico rediseñado. Estas no son sólo imágenes que se ven bonitas de un vistazo. Están mucho más cerca de resultados semiacabados o incluso terminados de flujos de trabajo creativos reales.

En ese sentido, el cambio más importante aquí puede que no sea un simple aumento en la calidad de la imagen. Puede ser que el modelo esté empezando a parecerse más a un sistema para la producción de contenidos, materiales de marca, educación y trabajos de diseño ligero.

03 Qué significa esto para la dirección de productos de ChatGPT

La estructura del anuncio también sugiere un cambio de producto más amplio.

OpenAI no presenta ChatGPT Images 2.0 como una herramienta de nicho solo para artistas o creadores visuales. En cambio, enmarca repetidamente la característica a través de la investigación, el razonamiento, la transformación de fuentes, la organización del diseño, la comunicación de conocimientos y los resultados de marketing. La página incluso incluye ejemplos elaborados en torno a pruebas matemáticas, tendencias de diseño, notas históricas y artículos académicos.

Eso sugiere que la generación de imágenes dentro de ChatGPT ya no se trata solo de agregar una imagen a un chat o generar una sola ilustración. Se está acercando a ser una capa de expresión de uso general. El objetivo parece ser este: una vez que un usuario ya ha investigado, pensado, organizado y escrito algo en ChatGPT, el sistema también debería poder manejar el resultado visual final.

Si esa dirección continúa, la competencia en la generación de imágenes se basará menos en la pura estética o el realismo y más en capacidades como estas:

si el sistema puede manejar de forma fiable texto complejo
si puede preservar la coherencia entre páginas o paneles
si puede producir diseños más cercanos a los materiales de trabajo reales
si puede conectarse de forma natural con los flujos de trabajo de investigación, redacción, marketing y enseñanza

04 Lo que no dice el anuncio

Al mismo tiempo, el formato de la página también deja claros sus límites.

A partir de la página oficial publicada el 21 de abril de 2026, el anuncio se centra mucho más en los resultados que en los métodos. No entra en detalles sobre:

mejoras cuantificadas con respecto a la generación anterior
métricas explícitas para la precisión del texto o la representación multilingüe
límites de falla para tareas de diseño complejas
Detalles de API, precios, modos de acceso o detalles de integración empresarial
cambios concretos en las políticas de seguridad o límites de generación

Por lo tanto, es mejor leer la página como una señal de producto que como una especificación técnica completa.

05 Breve conclusión

Si tuviera que resumir ChatGPT Images 2.0 en una frase, la actualización clave no es que “dibuja mejor”, sino que está mejorando en la producción de trabajos terminados.

OpenAI claramente quiere que la generación de imágenes evolucione de una herramienta de inspiración a una herramienta de producción que sea más ejecutable, más consciente del diseño, más comunicativa y más directamente utilizable. El control de texto, la producción multilingüe, la estructura del diseño, la gama estilística y la organización visual de formato largo solían ser lugares donde los modelos de imágenes a menudo mostraban sus debilidades. En esta versión, esas mismas áreas se presentan como puntos de venta. Eso no significa que la generación de imágenes haya resuelto todos los problemas de diseño. Pero este anuncio sí sugiere un cambio en lo que importa. La próxima ventaja competitiva quizá no provenga de quién pueda generar la imagen más llamativa. Puede provenir de quién puede generar de manera más confiable contenido visual que esté realmente listo para usar.

Enlaces relacionados

Presentación de ChatGPT Images 2.0 - OpenAI

Cómo funcionan los límites de uso de Codex: límites de 5 horas, límites semanales y créditos

Wed, 15 Apr 2026 22:50:00 +0800

Cuando la gente mira por primera vez los límites de uso de Codex, es fácil asumir que el 5-hour limit es un saldo de corto plazo y que el weekly limit solo empieza a bajar cuando se agota la cuota de 5 horas.

No funciona así. Codex se entiende mejor como un sistema que revisa varias ventanas de límite al mismo tiempo: una ventana corta evita el uso en ráfaga, mientras la ventana semanal controla el uso total de la semana. Una solicitud de Codex normalmente cuenta contra ambas.

Así que esta situación suele ser normal:

1
2

5-hour quota still has plenty left
but weekly quota has already decreased

01 Versión corta

Puedes entender el uso de Codex con tres reglas:

El 5-hour limit y el weekly limit se aplican al mismo tiempo.
Si se agota el límite semanal, normalmente no puedes seguir usando el mismo pool de cuota de suscripción aunque la cuota de 5 horas aún tenga margen.
Codex no se cobra por simple número de mensajes. El uso depende del modelo, tokens, complejidad de tarea, tamaño de contexto y ubicación de ejecución.

En pseudocódigo:

can_use_codex =
    five_hour_remaining > 0
    && weekly_remaining > 0
    && no other product policy is triggered

Cuando se reinicia la ventana de 5 horas, solo se restaura esa cuota. No restaura la cuota semanal. La cuota semanal se reinicia según su propio calendario, o puede que puedas comprar créditos extra en planes compatibles.

02 Por qué bajan ambas ventanas

Piensa en los límites de Codex como dos puertas:

Window	Purpose
5-hour window	Prevents high-frequency burst usage
Weekly window	Controls total weekly usage

Cada tarea de Codex crea uso real. Ese uso se refleja en las ventanas de rate limit relevantes.

No es:

1
2
3

Use 5-hour quota first
After the 5-hour quota runs out
Start using weekly quota

Se parece más a:

1
2
3

One Codex request
=> counts toward the 5-hour window
=> also counts toward the weekly window

Por eso el uso semanal puede bajar aunque la cuota de 5 horas no esté agotada.

03 Mira los créditos basados en tokens

OpenAI no publica una fórmula que permita a los usuarios reproducir exactamente el cargo de Codex. Lo público es la rate card, los factores principales y el precio de créditos por modelo.

A fecha de 2026-04-15, el modelo principal de la rate card de Codex es token-based credits. El uso se estima a partir de tokens de entrada, tokens de entrada cacheados y tokens de salida.

Ejemplos de tarifas oficiales:

Model	Input / 1M tokens	Cached input / 1M tokens	Output / 1M tokens
GPT-5.4	62.50 credits	6.250 credits	375 credits
GPT-5.4-Mini	18.75 credits	1.875 credits	113 credits
GPT-5.3-Codex	43.75 credits	4.375 credits	350 credits
GPT-5.2-Codex	43.75 credits	4.375 credits	350 credits
GPT-5.1-Codex-Max	31.25 credits	3.125 credits	250 credits
GPT-5.1-Codex-mini	6.25 credits	0.625 credits	50 credits

Una estimación aproximada es:

usage
~= input tokens / 1,000,000 * model input price
+ cached input tokens / 1,000,000 * model cached input price
+ output tokens / 1,000,000 * model output price

No es una fórmula exacta de facturación, pero explica la tendencia: la salida es cara, el contexto largo es caro y los modelos más potentes cuestan más. La rate card oficial también dice que Fast mode usa 2x créditos y que Code review usa precios de GPT-5.3-Codex.

04 No cuentes solo mensajes

Diez mensajes de Codex pueden consumir cantidades muy distintas.

Las tareas ligeras suelen ser más baratas:

Editar una función pequeña
Explicar un snippet corto
Escribir un párrafo breve
Hacer un cambio local en un archivo claramente especificado

Las tareas pesadas cuestan más:

Escanear una codebase grande
Ejecutar una sesión larga de agente
Bucles repetidos de leer, editar, probar y corregir
Generar mucho código o un informe largo
Usar tareas cloud
Activar fast mode

Así que el número de mensajes solo da una impresión aproximada. No refleja el uso real.

05 Tareas locales frente a tareas cloud

La ubicación de ejecución puede marcar una gran diferencia.

Una local task trabaja en tu workspace local: lee archivos, edita código y ejecuta comandos. Una cloud task se delega a un entorno cloud alojado, mejor para flujos más largos y automatizados.

Las tareas cloud suelen ser más caras porque implican:

Un entorno de ejecución alojado
Tareas más largas
Más llamadas a herramientas
Contexto más grande
Un bucle de automatización más completo

Para ediciones normales de código, limpieza de artículos o correcciones pequeñas, las tareas locales suelen ser más baratas. Usa tareas cloud cuando el trabajo realmente necesite ejecución alojada.

06 Por qué el uso semanal baja rápido

Si tu cuota de 5 horas apenas se mueve pero el uso semanal baja mucho, causas comunes incluyen:

Usaste tareas cloud.
Usaste un modelo más caro.
Activaste fast mode.
El contexto era grande, con muchos archivos o una conversación larga.
La salida fue larga, como mucho código, un informe extenso o análisis de logs.
La cadena de tareas fue larga: buscar, editar, probar, corregir y probar otra vez.
Tu script de cuota etiquetó mal las ventanas de límite.

Si lees campos desde algo como /backend-api/wham/usage, no confíes solo en etiquetas procesadas como five_hour% o weekly%. Revisa los campos raw JSON:

limit_window_seconds
percent_left
reset_at
bucket / feature name

Ventanas típicas:

limit_window_seconds = 18000
=> about 5 hours

limit_window_seconds = 604800
=> about 7 days

Si tu script etiqueta las ventanas al revés, la visualización de cuota será engañosa.

07 Cómo ahorrar cuota

Para hacer que la cuota semanal dure más:

Divide trabajos grandes en tareas más pequeñas.
Prefiere tareas locales cuando sea posible.
Indica a Codex las rutas relevantes para reducir escaneo innecesario.
Evita volcar logs enormes, archivos largos o contexto no relacionado.
Usa modelos mini más baratos para trabajo ligero.
Pide un plan antes de empezar una tarea larga.
Pide respuestas concisas cuando no necesites un informe largo.

Un modelo mental útil:

can continue using
= short window has quota
&& weekly window has quota

usage speed
= model price
* tokens
* output length
* task complexity
* execution location

No es matemática exacta de facturación, pero explica la mayoría del comportamiento de límites de uso de Codex.

Enlaces relacionados

Cómo utilizar Codex en VS Code (desde la configuración hasta un flujo de trabajo eficiente en el mundo real)

Fri, 20 Mar 2026 00:00:00 +0000

Codex puede ayudarlo a escribir código, corregir errores, comprender proyectos y ejecutar comandos directamente desde la barra lateral de VS Code.

1. Preparación

Antes de comenzar, asegúrese de:

VS Code se actualiza a una versión estable reciente.
Puedes acceder a los servicios de OpenAI con normalidad.
Su proyecto se abre localmente (preferiblemente en un repositorio Git).

2. Instale la extensión

Abra el panel Extensiones de VS Code.
Busque e instale: Codex - Codex - Agente de codificación de OpenAI.
Complete el flujo de inicio de sesión/autorización.

3. Abra la barra lateral del Códice

Puedes abrirlo de cualquier forma:

Haga clic en “Abrir barra lateral del Codex” en el área superior derecha del editor.
Utilice la paleta de comandos (Ctrl + Shift + P), busque Codex y ábralo.

Después de abrir, Codex lee el contexto del espacio de trabajo actual y está listo para conversar.

4. Patrones de uso comunes

4.1 Pídale que explique el código

Mensaje de ejemplo:

1
2

Please explain the core logic of this file,
and point out the 3 areas most likely to fail.

Excelente para comprender rápidamente el código heredado.

4.2 Pídale que implemente funciones

Mensaje de ejemplo:

1
2
3

Add a /healthz endpoint to the existing API.
It should return app version and database connectivity status,
and include basic tests.

Si establece claramente las restricciones y los criterios de aceptación, la calidad del resultado suele ser mucho más estable.

4.3 Pídale que solucione problemas

Mensaje de ejemplo:

1
2
3

This endpoint intermittently returns 500 under concurrency.
First identify the root cause, then propose a minimal-change fix,
and finally list regression test points.

“Diagnosticar primero, luego corregir” ayuda a reducir la refactorización excesiva accidental.

5. Plantilla de aviso de alta calidad

Puedes reutilizar esta plantilla directamente:

Background: This is a <tech stack> project. Current goal: <goal>
Constraints: Do not modify <module/interface>; keep compatibility with <version/platform>
Output:
1) File list to change
2) Key code explanation
3) Validation steps
4) Risks and rollback plan

Esto es especialmente útil para proyectos grandes y colaboración en equipo.

6. Preguntas frecuentes

6.1 Acerca de la cuota gratuita

Escriba \ en el cuadro de entrada, luego elija el estado para ver información relacionada con la cuota/tiempo de reinicio.

6.2 Los cambios no son los esperados

Una vez generados los cambios, abra el panel de revisión para inspeccionar los detalles. Si no está satisfecho, utilice deshacer/revertir. Puede dividir requisitos grandes en pasos más pequeños y ejecutarlos de forma incremental. Utilice Git y mantenga pequeñas confirmaciones para una reversión más sencilla.