Contexto Técnico
He indagado en los debates y en las formulaciones de OpenAI, porque es fácil liarse desde el principio. La esencia es esta: el chat normal de ChatGPT no consume el límite de uso agentico, mientras que Codex, Work y escenarios agenticos similares comparten un pool agentico común.
Para quien construye automatizaciones de IA o simplemente calcula con qué se va a topar el equipo en una semana, esto no es un detalle menor. Si solo estoy chateando en la web, es un modo. Si lanzo un flujo de trabajo agentico con razonamiento, el contador es otro.
Aquí es donde entra el molesto matiz. El modelo thinking no suele estar activo en el modo chat estándar, así que formalmente el límite de chat no se gasta, pero tampoco obtengo el nivel de razonamiento por el que muchos se pasan a Codex o Work en primer lugar.
Por eso la gente siente que «el chat es casi gratis», mientras que el trabajo pesado de repente tropieza con limitaciones. En la web aún se pueden ver conmutadores e interfaces variadas, y en el móvil algunas opciones puede que ni aparezcan, lo que solo añade caos.
Simplificado a la práctica, el panorama es así:
- los mensajes normales en ChatGPT no consumen el pool agentico;
- Codex, ChatGPT Work y otras funciones agenticas consumen el límite agentico compartido;
- el límite no se mide solo por mensajes, sino por tiempo/profundidad de razonamiento dentro de la ventana de límite;
- en modo chat, el acceso al modelo thinking está limitado o ausente.
Yo no confiaría en la intuición de la interfaz. Aquí lo más importante no es dónde está el interruptor, sino qué flujo de trabajo se ejecuta bajo el capó.
Impacto en el Negocio y la Automatización
Para las empresas, la conclusión es muy práctica. Si un equipo prueba la integración de IA a través del chat normal, puede subestimar los costes futuros y luego sorprenderse cuando un agente en producción devora los límites a una velocidad mucho mayor.
Ganan quienes separan pronto los escenarios: chat rápido para borradores, modo agentico solo donde realmente se necesita razonamiento. Pierden quienes intentan medirlo todo «por número de mensajes» y no distinguen la arquitectura del modo.
En los clientes veo repetidamente el mismo error: el piloto parece barato mientras la gente está en el chat, y luego llega la implementación real de inteligencia artificial con agentes, repositorios, verificaciones, y la economía cambia drásticamente. En Nahornyi AI Lab solemos diseñar estos flujos desde el principio para que el razonamiento se gaste solo en los cuellos de botella costosos.
Si tu Codex o Work ya ha empezado a chocar con límites inesperadamente, no hace falta adivinar en Reddit. Es mejor desglosar tu escenario paso a paso y montar el desarrollo de soluciones de IA sin un ritmo de consumo innecesario. Si quieres, en Nahornyi AI Lab te puedo ayudar a plasmarlo en un esquema claro y construir una automatización que funcione sin sorpresas en el gasto.