¿Qué es el uso del ordenador?
En esta página
Lección actualizada el 3 de noviembre de 2026 según la guía Computer use de OpenAI: este curso sigue ahora la herramienta
computeren la API de Responses, sustituyendo el enfoque anterior basado en la API de Anthropic. La sección sobre los agentes del ecosistema cubre ambas rutas documentadas por OpenAI (ejecución de código, recomendada para GPT-6 Astra, y la herramientacomputer). Hemos eliminado afirmaciones sin fuente sobre productos de la competencia. Fuente: Computer use.
Una nueva forma de interactuar con las máquinas
Durante años, los modelos de lenguaje fueron interlocutores puramente textuales: hacías una pregunta, recibías una respuesta y todo lo que implicaba el mundo real corría de tu cuenta. El uso del ordenador derriba esa barrera. El modelo ve una pantalla y decide qué gestos realizar (hacer clic, escribir, desplazar, cambiar de aplicación), y tu aplicación ejecuta esas acciones en su nombre.
Este cambio cala más hondo de lo que parece. La automatización tradicional se aferra a anclajes técnicos: un selector CSS, un ID del DOM o una API que un proveedor de software decidió exponer. El día que el equipo de front-end renombra una clase, el script se detiene y, a menudo, nadie se da cuenta hasta que al día siguiente el informe llega vacío. Con el uso del ordenador, das una instrucción en lenguaje natural y la IA navega por la interfaz exactamente como la percibe un humano. Un botón «Enviar» desplazado siete centímetros o repintado de verde sigue siendo el botón «Enviar».
El bucle que lo hace posible
El mecanismo opera en cinco pasos, y su repetición es la fuente de su potencia:
- Tu aplicación captura la pantalla o la ventana del navegador
- El modelo analiza la imagen para entender qué ve
- Decide una o más acciones (clic, pulsación de tecla, desplazamiento)
- Tu aplicación ejecuta esas acciones en la máquina
- Una nueva captura vuelve al modelo y el bucle se reinicia
Este bucle de percepción-acción es el núcleo del sistema. Piensa en un escenario habitual: tu agente debe rellenar un formulario de contacto, pero al cargar aparece un banner de cookies encima. Un script de Selenium que no lo previó hace clic en el vacío y lanza un error difícil de interpretar. El agente de uso del ordenador, en cambio, ve el banner en su captura, lo gestiona, toma otra captura y vuelve a localizar el formulario. No recita un plan rígido; reevalúa la situación en cada iteración.
Qué automatizamos realmente
El caso de uso principal son las pruebas de extremo a extremo (E2E). Describes el recorrido que quieres verificar («iniciar sesión, añadir un artículo al carrito, proceder al pago») y el agente lo ejecuta como un usuario, sin obligarte a mantener una biblioteca de selectores que caducan con cada rediseño del sitio.
A continuación está la RPA, la automatización de tareas repetitivas en software sin APIs: un ERP interno heredado, una extranet de proveedores o una aplicación empresarial de los años 2000 cuyo proveedor ha desaparecido. Cuando la integración técnica es imposible, el agente trabaja a través de la pantalla, exactamente como el empleado que antes copiaba datos a mano.
El raspado web (scraping) también se vuelve accesible en sitios dinámicos que resisten a los extractores tradicionales, ya que el agente lee la página renderizada en lugar del HTML crudo. Los flujos de trabajo entre varias aplicaciones (extraer un pedido de un CRM, introducirlo en una hoja de cálculo, enviar un correo de confirmación) se encadenan en una única sesión. Esta misma capacidad sirve para el soporte al usuario: en lugar de explicar dónde hacer clic, el agente navega realmente por la interfaz.
Los agentes en 2026
Este curso sigue la oferta de OpenAI, que abre dos rutas en la API de Responses. Con la ejecución de código, el modelo escribe un script (Playwright o PyAutoGUI, por ejemplo) que tu entorno aislado ejecuta antes de devolver el resultado y las capturas; una única llamada puede encadenar entonces bucles y condiciones, lo que convierte a esta en la ruta que OpenAI recomienda para GPT-6 Astra. Con la herramienta computer, el modelo devuelve acciones estructuradas de ratón y teclado que tu aplicación traduce en gestos; esta herramienta sigue siendo compatible y es la que usarás aquí porque expone el bucle en su forma pura. Los SDK de OpenAI también proporcionan ayudantes listos para usar (ComputerToolset, BrowserToolset) que gestionan este bucle por ti.
Otros proveedores, especialmente Anthropic, ofrecen una herramienta comparable en su propia API con un formato de intercambio distinto: el código de este curso no se transpone directamente, pero los principios (bucle, gestor de acciones, aislamiento, confirmación humana) son los mismos.
Qué ganas y qué pagas
| Criterio | Scripts clásicos | Uso del ordenador |
|---|---|---|
| Interfaz | API o selectores del DOM | Visual (capturas de pantalla) |
| Fragilidad | Se rompe si cambia la IU | Se adapta visualmente |
| Complejidad | Código específico del sitio | Instrucciones en lenguaje natural |
| Velocidad | Rápida | Más lenta (bucle de capturas) |
Lee esta tabla como una compensación, no como una clasificación. Cambias velocidad bruta por resiliencia y costes de mantenimiento casi nulos. Para cincuenta mil ejecuciones diarias en una página estable donde controlas el HTML, un script sigue siendo la opción correcta. Para un recorrido que se ajusta cada mes, o para software sin API, la balanza se inclina decididamente hacia el otro lado, y este curso te enseña a manejar ese segundo caso.
Puntos clave
- El uso del ordenador permite a la IA ver y controlar una pantalla mediante un bucle de captura-acción
- Es un paradigma distinto al de los scripts clásicos: más resiliente pero más lento
- Los casos de uso principales incluyen pruebas E2E, RPA, raspado web y flujos de trabajo entre varias aplicaciones
- OpenAI ofrece dos rutas: ejecución de código, recomendada para GPT-6 Astra, y la herramienta
computer, usada en este curso