Razonamiento, ejecución de código y búsqueda web: flujos de trabajo automatizados
En esta página
Cuando el razonamiento se encuentra con las herramientas
Combinar un razonamiento de alto nivel con la ejecución de código y la búsqueda web transforma un modelo de lenguaje en un agente capaz de calcular, buscar y sintetizar resultados en una única conclusión. Esta lección te muestra cómo aprovechar esa sinergia. Primero, una nota sobre la terminología: en ChatGPT, la ejecución de código se denomina Análisis de datos y la búsqueda se llama Búsqueda; en la API, estas son las herramientas Code Interpreter y Web Search. Las generaciones anteriores reservaban este papel para modelos de razonamiento dedicados como o3; hoy, es una configuración disponible para cualquier modelo.
Tres roles complementarios
El primer pilar es el propio modelo. Con un nivel de razonamiento alto, actúa como el cerebro: razona, planifica, decide qué acciones tomar y orquesta todo el proceso.
La ejecución de código sirve como las manos. Ejecuta Python en un entorno aislado, lo que le permite manipular tus archivos Excel, CSV o JSON, realizar cálculos complejos, crear gráficos y visualizaciones, y limpiar o transformar datos antes del análisis. La búsqueda web actúa como los ojos: proporciona acceso a información en tiempo real, ya necesites datos actualizados, verificación de hechos, información recopilada de múltiples fuentes o acceso a sitios web y bases de datos públicos.
Cómo decide el modelo utilizar una herramienta
Por lo general, no necesitas nombrar la herramienta: el modelo detecta cuándo se necesita un cálculo o información reciente y llama a la herramienta en el momento adecuado. Si prefieres una herramienta específica, dilo: «haz el cálculo en Python», «busca en la web». En el lado de la API, la Responses API va más allá con la llamada programática a herramientas (Programmatic Tool Calling): el modelo escribe un programa en JavaScript, ejecutado en un entorno aislado, que llama a las herramientas —potencialmente en paralelo— y filtra los resultados intermedios, en lugar de llamarlas una por una.
Una solicitud de análisis financiero exhaustivo ilustra bien esta secuencia.
«Aquí tienes mis datos de ventas de los últimos 12 meses (Excel). Analiza las tendencias, calcula la tasa de crecimiento mensual promedio, pronostica las ventas para los próximos 3 meses y busca en la web previsiones del sector para compararlas. Elabora un informe con gráficos».
El modelo puede ejecutar entonces una secuencia como esta sin que necesites desglosarla; el orden exacto varía de una solicitud a otra.
- Razonar: Comprender la estructura del problema
- Ejecutar código: Cargar el archivo Excel, calcular tendencias, hacer proyecciones
- Buscar en la web: Encontrar previsiones del sector
- Razonar: Comparar resultados y sacar conclusiones
- Ejecutar código: Generar gráficos
- Razonar: Redactar el informe final
Observa la alternancia: el razonamiento no ocurre solo al inicio; regresa entre cada llamada a una herramienta para decidir el siguiente paso. Este ritmo es lo que distingue a un agente de un simple ejecutor.
Qué permite la combinación
La evaluación comparativa automatizada (benchmarking) es el caso de uso más inmediato, ya que requiere comparar tus cifras con datos externos.
«Aquí tienes las métricas de rendimiento financiero de mi empresa (archivo Excel). Busca en la web los ratios financieros promedio de nuestro sector (B2B SaaS en Europa) y compáralos con los nuestros. Produce una tabla de evaluación comparativa con código de colores: verde si estamos por encima de la media, rojo si estamos por debajo».
La inteligencia competitiva adquiere una nueva dimensión cuando se respalda con tus propios datos: en lugar de solo recopilar anuncios, mides su impacto.
«Busca los últimos anuncios de nuestros 3 competidores (Competidor A, Competidor B, Competidor C) de los últimos 30 días. Cruza esta información con nuestros datos de tráfico web (archivo CSV adjunto) para identificar si sus anuncios impactaron en nuestro tráfico».
El tercer caso de uso típico es un informe basado en datos con visualizaciones, donde la ejecución de código hace el trabajo pesado con tus datos internos.
«Aquí tienes nuestros datos de RR. HH. (archivo Excel). Calcula la tasa de rotación por departamento, el coste promedio de una sustitución (supuesto: 6 meses de salario) y proyecta el impacto presupuestario. Genera un gráfico por departamento y una tabla resumen».
Habilitar y controlar las herramientas
En ChatGPT, el Análisis de datos se activa siempre que un archivo o cálculo lo requiera; en un espacio de trabajo empresarial, verifica que un administrador no lo haya desactivado. La búsqueda web se activa cuando el modelo detecta la necesidad de información reciente, y puedes forzarla con el botón +, luego Búsqueda. En el lado de la API, ambas herramientas se declaran en la solicitud. Para el nivel de razonamiento, OpenAI categoriza el uso de herramientas y la búsqueda como low cuando la velocidad es primordial, y recomienda medium siempre que la planificación y el juicio importen, que es el caso de los flujos de trabajo con múltiples herramientas.
Estas herramientas tienen límites claros que debes conocer. El entorno Python para el Análisis de datos no accede a internet: funciona solo con los archivos que proporcionas, y los datos externos deben llegar a través de la búsqueda o de tus propias importaciones. Los tiempos de respuesta aumentan significativamente cuando se combinan las tres capacidades, y los cuotas se consumen más rápido, especialmente con niveles de razonamiento más altos.
Te toca a ti
Los tres bloques de construcción juntos. Prueba la combinación completa en un caso donde el razonamiento, el código y la búsqueda sean todos esenciales.
«Aquí tienes un archivo CSV de mis gastos mensuales durante 12 meses. (1) Analiza las tendencias en Python y genera un gráfico. (2) Busca en la web la tasa de inflación en Francia para cada mes correspondiente. (3) Calcula mis gastos ajustados a la inflación. (4) Produce un informe comparando los gastos nominales y reales».
Si no tienes un archivo CSV a mano, pide al modelo que genere uno realista primero. Mantén tres reflejos presentes durante el ejercicio. Verifica los cálculos: una fórmula incorrecta ejecutada limpiamente sigue siendo una fórmula incorrecta. Contrasta las fuentes de búsqueda, ya que los resultados pueden estar desactualizados o ser inexactos. Y recupera los archivos generados —gráficos, tablas— antes de cerrar la conversación. Un último consejo aplica a todo: incluso cuando el modelo gestiona sus propias herramientas, los flujos de trabajo complejos ofrecen mejores resultados si se dividen en pasos en lugar de aplastarlos en un único prompt gigante.
Fuentes oficiales: Análisis de datos con ChatGPT (Centro de ayuda de OpenAI: Python aislado, sin acceso web) · Búsqueda en la web con ChatGPT · Code Interpreter y Búsqueda web (herramientas de la API) · Llamada programática a herramientas · Modelos de razonamiento (niveles de esfuerzo y herramientas)
Puntos clave
- Un nivel de razonamiento alto combina pensamiento, ejecución de código y búsqueda web de forma autónoma
- El modelo decide automáticamente cuándo usar cada herramienta; en la API, la llamada programática a herramientas le permite orquestarlas mediante código
- La ejecución de código (Análisis de datos, Code Interpreter) manipula archivos y crea gráficos sin acceso a la web; la búsqueda aporta información reciente
- Para flujos de trabajo con múltiples herramientas, comienza con
medium, el nivel que OpenAI recomienda cuando la planificación importa - Verifica siempre los resultados: las herramientas amplifican tanto la potencia como el riesgo de error