Contexto técnico
Me metí en la descripción de ChatGPT Work pensando: "bueno, es otro modo más en la interfaz". Luego quedó claro que OpenAI ha empaquetado discretamente dentro de ChatGPT algo muy cercano en espíritu a Codex, pero no como herramienta de desarrollo para geeks, sino como capa para tareas reales de automatización con IA.
Y aquí es donde muchos se confunden. Yo también tropecé al principio con la terminología. ChatGPT Work no es un IDE en la nube ni un clon directo de Claude CoWork. Es un modo agente dentro de ChatGPT que toma un objetivo, lo descompone en pasos por sí mismo, trabaja con archivos y herramientas conectadas, y puede dedicar horas a una tarea hasta obtener un resultado terminado.
Según la descripción oficial, Work está orientado a entregables: informes, hojas de cálculo, presentaciones, flujos de trabajo, aplicaciones web, fragmentos de código. Funciona sobre GPT-5.6, y OpenAI lo presenta como un modelo optimizado para procesos largos y de múltiples pasos. Si antes Codex estaba principalmente asociado al código, aquí el mismo conjunto básico de capacidades se envuelve en una interfaz para "trabajo cotidiano".
Esta es una diferencia importante. No veo un entorno completo donde uno se sienta a trabajar línea por línea en un editor. Veo una capa de ejecución: das una tarea, adjuntas contexto, concedes acceso a archivos y herramientas, recibes un artefacto ensamblado. En muchos escenarios esto es más que suficiente, especialmente cuando los CLI locales, IDE y el ensamblaje manual solo ralentizan las cosas.
Otro punto práctico: Work vive dentro del ecosistema de ChatGPT, no por separado. Puedes empezar una tarea desde el teléfono, revisarla en el escritorio, y en la app de escritorio conectar archivos locales y aplicaciones si el acceso está concedido. En cuanto al modelo de consumo, se parece a Codex: cuanto más pesada es la tarea, más límites consume.
Impacto en el negocio y la automatización
Para los equipos, esto no es un giro hacia "otro chatbot", sino hacia una implementación de IA real para tareas largas. Destaco tres efectos: menos ensamblaje manual de artefactos, menos cambios entre herramientas y un lanzamiento más rápido de automatizaciones internas sin necesidad de un entorno de ingeniería separado para cada caso.
Los que salen ganando son aquellos con mucha rutina intelectual repetitiva: analítica, informes internos, prototipos, flujos de trabajo entre archivos y código. Pierden los procesos antiguos donde una persona sigue siendo el pegamento entre cinco servicios.
Pero no lo idealizaría. Sin una arquitectura de IA adecuada, estos agentes chocan rápidamente con permisos, contexto, control de versiones y verificación de resultados. En Nahornyi AI Lab resolvemos precisamente estos puntos de conexión para los clientes: dónde es suficiente Work y dónde se necesita una integración de IA personalizada o un agente dedicado para el proceso.
Si tu equipo se está ahogando en rutinas de múltiples pasos, yo lo miraría sin hype y con calculadora. Y si quieres construir un sistema que funcione a partir de estas herramientas, en lugar de otro experimento caótico, en Nahornyi AI Lab puedo ayudarte a diseñar un desarrollo de soluciones de IA adaptado a tu flujo real de tareas.