Ir al contenido principal
Español— Elegir un idioma
Menú

Flujos de trabajo en varios pasos: el modelo como director

Lección 6 de 12 Actualizado el 5 de noviembre de 2026 Intermedio
En esta página
  1. Orquestación de tareas complejas con razonamiento elevado
  2. ¿Qué es un flujo de trabajo en varios pasos?
  3. La técnica del metaprompt
  4. Por qué el razonamiento elevado destaca en la orquestación
  5. Dos extensiones: ChatGPT Work y la API
  6. Tres flujos de trabajo que puedes reutilizar tal cual
  7. Te toca a ti
  8. Puntos clave

Orquestación de tareas complejas con razonamiento elevado

Responder a una pregunta puntual es una cosa; dirigir todo un proceso es otra muy distinta. Un modelo configurado con un nivel de razonamiento alto puede encadenar múltiples pasos manteniendo el contexto, actuando como un verdadero director para tus procesos recurrentes. Esta lección te muestra cómo describir un flujo de trabajo para que se ejecute de principio a fin sin perder coherencia en el camino.

¿Qué es un flujo de trabajo en varios pasos?

Un flujo de trabajo en varios pasos es una secuencia de tareas donde cada paso depende del resultado del anterior: recopilar datos brutos, limpiarlos y estructurarlos, analizar tendencias, producir un informe con recomendaciones y, finalmente, generar un correo electrónico de resumen para el equipo. Tradicionalmente, cada uno de estos cinco pasos es manual y tú trasladas el contexto de uno al siguiente. Con un razonamiento elevado, describes todo el proceso una sola vez y el modelo ejecuta cada paso basándose en lo que ha producido en el anterior.

La técnica del metaprompt

Un metaprompt es un prompt que describe un proceso completo en lugar de una tarea aislada. Ofrece al modelo una visión global de lo que quieres lograr, lo cual lo cambia todo: al saber hacia dónde se dirige, el modelo calibra cada paso en función del siguiente. Aquí tienes una estructura estándar que puedes adaptar a tu propio proceso.

“Realizarás los siguientes pasos en orden:

Paso 1 — Analiza los datos de ventas adjuntos e identifica los 3 productos con mejor rendimiento y los 3 con peor rendimiento.

Paso 2 — Para cada producto con bajo rendimiento, identifica las causas probables cruzando los datos de satisfacción del cliente.

Paso 3 — Propón un plan de acción de 3 puntos para cada producto con bajo rendimiento, con KPI medibles.

Paso 4 — Formatea todo en un informe estructurado con un resumen ejecutivo de 5 líneas al principio.

Presenta el resultado de cada paso antes de pasar al siguiente y señala cualquier resultado inesperado.”

Esa última frase merece tu atención. No hace falta decirle al modelo que «piense paso a paso»; ya lo hace por defecto. Sin embargo, exigir la salida de cada paso te permite detectar un error antes de que contamine todo lo que sigue. En un flujo de trabajo de cinco pasos, un error en el paso 2 detectado demasiado tarde te hace perder todo el esfuerzo.

Por qué el razonamiento elevado destaca en la orquestación

En un flujo de trabajo largo, un nivel de razonamiento rápido corre el riesgo de perder el hilo de un paso al siguiente. Un nivel superior (High en Chat, high en la API, que la documentación de OpenAI recomienda para una planificación profunda) da tiempo al modelo para mantener a la vista sus conclusiones intermedias, verificar la coherencia entre pasos y adaptar lo que viene a continuación según los resultados obtenidos. Pídele explícitamente que señale cuando un paso produce un resultado inesperado en lugar de seguir adelante como si nada hubiera pasado. Ese comportamiento es precisamente lo que distingue la orquestación de una simple cadena.

Esta flexibilidad habilita flujos de trabajo condicionales, donde el procesamiento depende de lo que observe el modelo: «Si un producto tiene una tasa de devolución superior al 10 %, clasifícalo como alta prioridad y propone un plan de acción inmediato. En caso contrario, clasifícalo para seguimiento y propone una revisión mensual». El modelo aplica la condición producto por producto y adapta su procesamiento en consecuencia, sin que tú tengas que ordenar nada de antemano.

Dos extensiones: ChatGPT Work y la API

El prompt no es el único camino. En ChatGPT, la experiencia Work está diseñada específicamente para tareas largas y en varios pasos que dan lugar a un entregable: un documento, una hoja de cálculo, una presentación o un informe. Para las tareas más pesadas, su configuración Ultra distribuye el trabajo entre subagentes que proceden en paralelo cuando la tarea se divide en fragmentos independientes; consume significativamente más y la mayoría de las tareas no lo necesitan. Por parte del desarrollador, la llamada programática a herramientas (Programmatic Tool Calling) de la API de Responses hace que el modelo escriba un programa en JavaScript, ejecutado en un entorno aislado, que llama a las herramientas del flujo de trabajo —paralelizando cuando es necesario— y filtra los resultados intermedios antes de devolverlos al modelo.

Orquestación, en ChatGPT o mediante la API Dos columnas. En ChatGPT: un metaprompt que describe el proceso completo, ChatGPT Work para tareas largas y entregables, Ultra para distribuir el trabajo entre subagentes. En la API: esfuerzo medio a alto para la planificación, herramientas declaradas en la solicitud, llamada programática a herramientas para orquestar herramientas mediante código. FLUJOS DE TRABAJO EN VARIOS PASOS Orquestación, en ChatGPT o mediante la API En ChatGPT Metaprompt El proceso completo, con condiciones Work Tareas largas y entregables Ultra Subagentes en paralelo En la API Esfuerzo medio a alto para la planificación Herramientas Declaradas en la solicitud Llamada programática a herramientas Un programa orquesta las herramientas Exige la salida de cada paso: un error detectado a tiempo no contamina lo que sigue.
Basado en el centro de ayuda y las guías de la API de OpenAI (noviembre de 2026).

Tres flujos de trabajo que puedes reutilizar tal cual

La inteligencia competitiva es especialmente adecuada para este ejercicio: el modelo lee tres artículos proporcionados sobre competidores, extrae anuncios clave —productos, precios, asociaciones—, los compara con tu posicionamiento actual, identifica amenazas y oportunidades y, finalmente, redacta una nota informativa para la dirección.

La preparación de reuniones sigue la misma lógica aplicada a tus documentos internos: analiza las actas de la última reunión, identifica las acciones en curso y su estado, prepara el orden del día de la siguiente reunión, redacta los puntos de debate para cada tema y genera el correo de invitación correspondiente.

Por último, la elaboración de informes mensuales combina cálculo y análisis: analiza los datos del mes desde un archivo de Excel, compáralos con el mes anterior y con el presupuesto, identifica variaciones significativas superiores al 5 %, analiza las causas de cada variación y, a continuación, produce el informe con gráficos y recomendaciones.

Te toca a ti

Crea el tuyo propio. Elige un proceso recurrente en tu trabajo y transfórmalo. Primero, enumera todos los pasos que realizas actualmente de forma manual; luego, detecta las decisiones condicionales del tipo «si X entonces Y» que tomas sin pensar: estas son las que separan un flujo de trabajo rígido de uno útil. A continuación, escribe el metaprompt que describe todo el proceso y pruébalo con un nivel de razonamiento alto; súbelo un escalón si la calidad se estanca.

Empieza de forma sencilla, con tres o cuatro pasos, y aumenta la complejidad gradualmente. Cuando el proceso se alargue y la calidad baje, divídelo en subflujos de trabajo en lugar de forzarlo. Asegúrate también de que cada paso sea claro y autónomo: si el modelo tiene que adivinar qué esperas de un paso, el resultado será aleatorio, y todo el flujo de trabajo con él. Por último, lee realmente los resultados intermedios. Muchos usuarios solo miran la salida final y pierden el punto clave: en un flujo de trabajo bien construido, los hallazgos de los pasos 2 y 3 suelen ser más instructivos que el informe que los resume.

Fuentes oficiales: Modelos de razonamiento (API de OpenAI: niveles de esfuerzo y casos de uso) · Mejores prácticas de razonamiento (instrucciones simples, objetivo preciso) · Llamada programática a herramientas · ChatGPT Work y Codex (Work para tareas largas) · Modelos (Ultra)

Puntos clave

  • Un nivel de razonamiento alto ayuda al modelo a orquestar un proceso en varios pasos sin perder el hilo
  • Usa un metaprompt para describir el proceso completo, con condiciones (si/entonces) para flujos de trabajo adaptativos
  • ChatGPT Work gestiona tareas largas; en la API, la llamada programática a herramientas orquesta herramientas mediante código
  • Ultra, en Work y Codex, distribuye el trabajo entre subagentes: resérvalo para tareas pesadas y divisibles
  • Exige la salida de cada paso, no el pensamiento «paso a paso»; empieza simple y aumenta la complejidad gradualmente