Ir al contenido principal
Español— Elegir un idioma
Menú

Combina razonamiento y herramientas

Lección 10 de 12 Actualizado el 5 de noviembre de 2026 Intermedio
En esta página
  1. Lleva las herramientas avanzadas más lejos
  2. El razonamiento como conductor de las herramientas
  3. Tres patrones de combinación
  4. Recuperar el control de las herramientas
  5. Visualizaciones que requieren juicio
  6. Te toca a ti
  7. Puntos clave

Lleva las herramientas avanzadas más lejos

Ya sabes cómo combinar el razonamiento con la ejecución de código y la búsqueda web. Esta lección explora combinaciones avanzadas: encadenar herramientas de forma estratégica, usar el razonamiento para dirigirlas y crear flujos de trabajo verdaderamente autónomos.

El razonamiento como conductor de las herramientas

La diferencia entre un modelo que responde sin pensar y un modelo de razonamiento que utiliza herramientas es fundamental. Partiendo de un nivel de esfuerzo medium —que OpenAI recomienda siempre que la planificación sea importante—, el modelo puede planificar qué herramientas usar y en qué orden, evaluar los resultados de cada herramienta antes de continuar, adaptar su estrategia si una herramienta no devuelve lo esperado y combinar las salidas en una conclusión coherente. En concreto, no se limita a ejecutar código cuando se lo pides: analiza el problema, decide que el código es la mejor forma de resolverlo, escribe el código adecuado, analiza el resultado y decide si debe seguir adelante. El matiz puede parecer sutil, pero lo cambia todo en un flujo de trabajo con cuatro herramientas, donde una mala decisión inicial se propaga hasta el final.

En el lado de la API, dos mecanismos impulsan esta lógica. Con la llamada a funciones (function calling), OpenAI recomienda devolver los elementos de razonamiento generados junto con la última llamada al modelo, además del resultado de la función: esto mantiene al modelo alineado con lo que había planeado. Con la llamada programática a herramientas (Programmatic Tool Calling), el modelo escribe un programa en JavaScript, ejecutado en un entorno aislado, que orquesta las llamadas a herramientas y filtra los resultados intermedios. Por último, en ChatGPT Work y Codex, Ultra distribuye las tareas más pesadas entre subagentes, a costa de un consumo significativamente mayor.

Tres formas de encadenar herramientas Tres columnas. Buscar primero: empieza desde la web, juzga las fuentes y luego calcula y grafica. Tus datos primero: empieza desde tu archivo, calcula en Python y luego compara con la web. Código iterativo: prueba un método, evalúa el resultado y cambia al método de respaldo. PATRONES DE COMBINACIÓN Tres formas de encadenar herramientas Buscar primero Inicio La web Siguiente Juzgar fuentes Fin Calcular y graficar Tus datos primero Inicio Tu archivo Siguiente Cálculos en Python Fin Comparar con la web Código iterativo Inicio Un primer método Siguiente Resultado evaluado Fin Método de respaldo En la API, devuelve los elementos de razonamiento junto con el resultado de cada función.
Basado en la guía de modelos de razonamiento de la API de OpenAI y el Centro de ayuda de OpenAI (noviembre de 2026).

Tres patrones de combinación

El primer patrón —Buscar, luego Analizar, luego Codificar— encaja en análisis de mercado y comparativas, es decir, situaciones en las que los datos aún no están en tu posesión.

«Busca las cuotas de mercado de los 5 principales proveedores de nube en Europa en 2025. A continuación, basándote en estos datos, crea un gráfico de barras y calcula la tasa de concentración del mercado (índice HHI). Interpreta el resultado».

El modelo encadena entonces cuatro fases distintas.

  1. Buscar en la web para recopilar datos
  2. Razonar sobre la fiabilidad de las fuentes
  3. Ejecutar código para el gráfico y el cálculo
  4. Razonar sobre la interpretación económica

La segunda fase es la que la gente suele olvidar al redactar el prompt, pero es la que evita que construyas un índice HHI sobre cifras aproximadas.

El segundo patrón invierte el punto de partida: comienza con tus datos para enriquecerlos desde el exterior —Datos, Código, Búsqueda, Síntesis—.

«Aquí tienes mi archivo de ventas por país (CSV). Calcula la tasa de crecimiento por país y, a continuación, busca la tasa de crecimiento del PIB de cada país durante el mismo periodo. Identifica los países donde nuestro crecimiento supera al del PIB (sobrerrendimiento) y aquellos donde ocurre lo contrario».

El tercer patrón, código iterativo con razonamiento, aprovecha la capacidad del modelo para escribir código, analizar el resultado, detectar un problema y reescribirlo, todo automáticamente. Incluso puedes especificar el método de respaldo.

«Aquí tienes un conjunto de datos de transacciones (CSV). Detecta anomalías estadísticas. Si el primer método (puntuación z) no ofrece resultados claros, prueba el método del rango intercuartílico. Elige el método más relevante y explica por qué».

Recuperar el control de las herramientas

Dejar que el modelo decida es cómodo, pero a veces ya sabes qué herramienta es la adecuada, y decírselo es más eficiente que dejar que explore. Por tanto, puedes restringirlo: «Sin buscar en la web, analiza solo los datos del archivo adjunto y dame tus conclusiones basándote exclusivamente en estos datos», o «No ejecutes código para esta pregunta. Razona únicamente basándote en la información que te proporciono».

Para flujos de trabajo largos, inserta puntos de control en lugar de lanzar todo en un solo bloque: «Paso 1: calcula las métricas básicas y muéstrame los resultados antes de continuar. Paso 2 (tras mi validación): enriquece con datos de la web. Paso 3: produce el informe final». Esto te permite detener el proceso antes de que un error se propague a pasos costosos.

Visualizaciones que requieren juicio

La combinación de razonamiento más ejecución de código brilla especialmente cuando la propia visualización implica decisiones: qué tipo de gráfico, qué umbrales, qué resaltar.

«Aquí tienes mis datos de rendimiento (Excel). Crea un panel de control de una página con: (1) el gráfico más relevante para cada métrica —elige tú el tipo de gráfico según la naturaleza de los datos—, (2) resaltado automático de anomalías, (3) un código de colores verde/amarillo/rojo basado en umbrales que determinarás según la distribución de los datos».

El modelo razona sobre el tipo de gráfico óptimo métrica a métrica, calcula umbrales estadísticamente relevantes en lugar de inventarlos y produce el código correspondiente. Esto es exactamente el trabajo que haría un analista antes de abrir su editor.

Te toca a ti

Un flujo de trabajo completo. Prueba este flujo de trabajo con un nivel de razonamiento alto (High en Chat, high en la API).

«Voy a darte un archivo CSV con gastos mensuales por categoría durante 24 meses. Quiero:

  1. Identificar las 3 categorías con mayor incremento (cálculo en Python)
  2. Para cada una, buscar si se trata de una tendencia nacional o específica de mi caso (búsqueda web)
  3. Producir un gráfico comparativo: mis gastos frente a la tendencia nacional (Python)
  4. Redactar un resumen con recomendaciones (razonamiento puro) Presenta el resultado de cada paso».

Durante el ejercicio, observa qué ocurre cuando falla la ejecución del código. El modelo puede reintentarlo por su cuenta, lo cual es positivo; pero si el problema reside en tus datos, ninguna reescritura lo solucionará: revisa el archivo en lugar de reiniciar. Y si la solicitud se vuelve demasiado pesada, divídela en pasos validados uno a uno.

Fuentes oficiales: Modelos de razonamiento (API de OpenAI: niveles de esfuerzo, devolución de elementos de razonamiento con llamadas a funciones) · Llamada programática a herramientas · Análisis de datos con ChatGPT (ejecución de código en ChatGPT) · Modelos (Ultra)

Puntos clave

  • Con un nivel de esfuerzo suficiente, el razonamiento dirige las herramientas de forma estratégica, no mecánica
  • Tres patrones clave: buscar, analizar y luego codificar; datos, código y luego búsqueda; código iterativo
  • En la API, devuelve los elementos de razonamiento junto con los resultados de las funciones y considera la llamada programática a herramientas
  • Puedes forzar o restringir el uso de herramientas según tus necesidades
  • Inserta puntos de control en flujos de trabajo largos para mantener el control