Codex no para canciones, sino para el trabajo agentivo prolongado

Codex no es lento, juega a otro juego

Aquí Codex no parece roto, sino afinado para tareas donde es mejor confirmar una acción que causar problemas en silencio. La documentación de OpenAI describe un modo de auto-revisión: el modelo pasa la acción planeada y el contexto fresco a un subagente de aprobación, que puede aprobar automáticamente pasos de bajo riesgo y algunos más arriesgados con suficiente autorización.

En una tarea creativa esto se vuelve burocracia. Un usuario pide una canción y recibe cinco preguntas aclaratorias, un concepto, un plan de escritura y peticiones de aprobación tras cada paso. Formalmente, el modelo hace el proceso más minucioso, pero el resultado no aparece donde se necesita un rápido impulso estético.

Y aquí el contraste es más interesante que la queja. Otros participantes del debate cuentan que Codex les funciona durante medio día o más, y un usuario describe una semana de trabajo autónomo y miles de experimentos. No lo presentaría como un benchmark verificado: es experiencia de usuario, no una prueba reproducible. Pero la dirección coincide con cómo OpenAI posiciona Codex: valores por defecto seguros, entorno aislado, ciclos agentivos largos y trabajo con código e investigación.

Así que el problema no es que el modelo no sepa manejar textos. El problema es que su comportamiento está optimizado para planificar, actuar, verificar y controlar riesgos. Para una canción suena a pedantería. Para experimentos se asemeja a una disciplina útil.

Dónde ese carácter del modelo es realmente valioso

La conclusión principal es simple: evalúa Codex no como un autor universal, sino como un sistema agentivo para tareas con pasos verificables. La programación, la investigación, el testeo de hipótesis, los lanzamientos de experimentos y el refinamiento iterativo se benefician mucho más de esta cautela que de lo contrario.

En la escritura abierta ocurre lo contrario. A menudo no hay un criterio de éxito único, pero sí estilo, ritmo, audacia en la formulación y disposición a ofrecer un borrador completo de inmediato. Si el modelo construye en su lugar un protocolo de aprobaciones, rompe el flujo. No porque sea estúpido, sino porque intenta ser fiable donde se espera gusto.

Para mí, lo importante de esta historia no es discutir qué modelo escribe mejores canciones. Los datos de entrada no permiten un ranking justo entre Gemini, Claude, Grok, Fable u otros. Pero muestran claramente la bifurcación ingenieril: la misma cautela puede ser fricción molesta en un texto y una salvaguarda valiosa en el trabajo autónomo.

La conclusión más peligrosa sería llamar a Codex un mal modelo. Una más precisa es más aburrida pero más útil: la agentividad sin el guion adecuado parece rápidamente burocracia con GPU.

Anteriormente, contamos cómo Anthropic revirtió una subestimación oculta de consultas en Claude, restaurando la transparencia tras el escándalo. Este cambio provocó la excesiva precaución del modelo, que se negó a generar canciones y solo resultó útil para tareas científicas.