Artículo de información
José Carlos Botto Cayo y Abel Marcial Oruna Rodríguez
10 de setiembre del 2026
La irrupción pública de ChatGPT a finales de 2022 cambió la manera en que millones de personas entendían la inteligencia artificial. Hasta entonces, gran parte de sus aplicaciones permanecía integrada en buscadores, sistemas de recomendación, reconocimiento de imágenes o procesos empresariales poco visibles para el usuario común. ChatGPT colocó esa tecnología frente a una conversación: bastaba escribir una pregunta para obtener explicaciones, documentos, código o propuestas elaboradas en segundos. Sin embargo, aquella interfaz conversacional representaba apenas una etapa de una trayectoria mucho más extensa, construida sobre décadas de evolución desde los sistemas basados en reglas hasta los modelos fundacionales contemporáneos. Cuatro años después, la transformación más relevante ya no consiste solamente en producir mejores respuestas, sino en convertir esas respuestas en acciones encadenadas sobre herramientas y entornos digitales (He et al., 2025).
Septiembre de 2026 permite observar con claridad esa nueva frontera. La presentación de GPT-6 Astra ha reforzado una dirección que ya venía desarrollándose: sistemas capaces de asumir tareas de varios pasos, operar computadoras y mantener objetivos durante procesos más prolongados. Paralelamente, la utilización experimental de agentes en investigaciones matemáticas ha llevado el debate más allá de la productividad cotidiana y hacia la posibilidad de que estas arquitecturas intervengan en la producción de conocimiento. La evolución de ChatGPT puede entenderse, por ello, como un desplazamiento desde el diálogo hacia la delegación. Pero cuanto mayor sea la capacidad de actuar sin instrucciones continuas, mayor será también la necesidad de establecer límites, mecanismos de verificación y formas efectivas de responsabilidad humana (Bensinger, 2026).
Del chatbot que responde al agente que ejecuta
La primera experiencia masiva con ChatGPT estuvo gobernada por una lógica sencilla: pregunta y respuesta. El usuario planteaba una solicitud, examinaba el resultado y formulaba una nueva instrucción para corregirlo o ampliarlo. La persona permanecía, de esta manera, dentro de cada etapa significativa del proceso. Los agentes de inteligencia artificial alteran ese esquema porque incorporan capacidades de planificación, memoria, percepción y uso de herramientas. Frente a un objetivo amplio, el sistema puede determinar operaciones intermedias y decidir qué recursos necesita emplear. No significa que posea independencia comparable con la voluntad humana, sino que dispone de un margen operativo mayor dentro de las condiciones que le han sido establecidas (Krishnan, 2025).
Esa diferencia redefine también la relación entre instrucción y resultado. Pedir a un chatbot que explique cómo investigar un mercado es distinto de encargar a un agente que recopile datos, los organice, contraste variables y prepare un documento. En el primer caso, la inteligencia artificial orienta al usuario; en el segundo, empieza a ejecutar parte del trabajo. La unidad fundamental de interacción deja de ser exclusivamente la respuesta y comienza a ser el proceso. Por esa razón, los agentes son especialmente relevantes en programación, análisis documental, investigación y actividades profesionales compuestas por numerosas operaciones sucesivas. Su valor potencial se encuentra menos en responder instantáneamente que en conservar un objetivo mientras atraviesan distintas fases de una tarea (Krishnan, 2025).
GPT-6 Astra, presentado el 3 de septiembre de 2026, representa una expresión reciente de este desplazamiento. OpenAI lo ha orientado hacia tareas que requieren mayor capacidad de programación, utilización de computadoras y ejecución prolongada. Entre las demostraciones divulgadas aparecen actividades relacionadas con preparación tributaria, búsqueda de empleo, representación arquitectónica y producción de documentos. La relevancia del lanzamiento no debería reducirse a una comparación de velocidad o potencia entre modelos: lo verdaderamente significativo es que la empresa está promoviendo una IA a la cual puede encargársele una proporción mayor de una actividad, disminuyendo la cantidad de instrucciones humanas necesarias entre el inicio y el resultado (Bensinger, 2026).
La consecuencia económica puede ser considerable. Durante la primera etapa de la inteligencia artificial generativa, la productividad dependía de una colaboración casi permanente: preguntar, revisar, corregir y volver a preguntar. El agente promete trasladar parte de esas iteraciones al propio sistema. Pero esa ventaja contiene una condición esencial. Para que la delegación resulte útil, la máquina debe reconocer errores, verificar resultados y actuar dentro de límites definidos. La autonomía sin confiabilidad puede transformar una equivocación pequeña en una secuencia completa de decisiones defectuosas. Por ello, evaluar estos sistemas exige considerar no solo eficacia y velocidad, sino también robustez, capacidad de recuperación y seguridad durante toda la ejecución (Zhang et al., 2025).
De la productividad a la producción de conocimiento
La investigación científica constituye uno de los escenarios donde el cambio adquiere mayor profundidad. ChatGPT comenzó siendo utilizado por investigadores para resumir literatura, revisar redacción, traducir o generar fragmentos de código. Los agentes abren una posibilidad diferente: participar en la exploración sistemática de soluciones. Un modelo puede organizar numerosos intentos, comparar resultados y concentrar recursos en las alternativas que parecen más prometedoras. La inteligencia artificial deja entonces de intervenir únicamente sobre la representación del conocimiento y comienza a aproximarse al propio proceso mediante el cual ese conocimiento se obtiene, aunque la evaluación humana continúe siendo indispensable para determinar la validez de los resultados producidos (He et al., 2025).
El anuncio realizado por OpenAI el 8 de septiembre de 2026 sobre el problema de existencia y suavidad de las ecuaciones de Navier-Stokes llevó esta posibilidad a un terreno excepcional. La compañía aseguró haber producido una propuesta de solución para uno de los Problemas del Milenio y describió un proceso en el que miles de agentes trabajaron sobre la cuestión. La afirmación requiere una cautela decisiva: al día siguiente del anuncio, la demostración aún no había sido validada independientemente por la comunidad matemática, y una prueba de esa magnitud puede requerir meses de revisión. Su importancia inmediata reside, por tanto, menos en proclamar resuelto definitivamente el problema que en mostrar la escala alcanzada por la investigación asistida mediante sistemas agénticos (Fernández de Lis & Pérez Colomé, 2026).
El episodio abrió además una discusión sobre autoría y procedencia del conocimiento utilizado por estos sistemas. Investigadores vinculados a avances previos sobre Navier-Stokes cuestionaron la relación entre su trabajo y la propuesta presentada por OpenAI, mientras la empresa negó haber empleado de manera identificable información privada para producir la prueba. La controversia revela un problema que crecerá a medida que las plataformas de IA se conviertan simultáneamente en instrumentos utilizados por científicos y en tecnologías capaces de participar en la carrera por nuevos descubrimientos. La confidencialidad de los datos, la atribución de contribuciones y la reconstrucción del camino seguido por una máquina serán asuntos centrales para la legitimidad de la investigación automatizada (Fernández de Lis & Pérez Colomé, 2026).
El problema decisivo de la supervisión
La nueva etapa de ChatGPT introduce así una paradoja difícil de evitar: un agente resulta más valioso cuanto menos necesita que una persona supervise cada uno de sus movimientos, pero cuanto mayor es esa autonomía, mayores pueden ser las consecuencias de una decisión incorrecta. Un chatbot puede generar una respuesta falsa que el usuario decide no utilizar; un agente conectado con herramientas puede convertir una interpretación equivocada en una secuencia de acciones. La confiabilidad debe evaluarse entonces durante todo el proceso y no solamente en su resultado final. Los trabajos recientes sobre agentes confiables insisten precisamente en la necesidad de combinar la flexibilidad de los grandes modelos de lenguaje con métodos capaces de proporcionar garantías más rigurosas sobre su comportamiento (Zhang et al., 2025).
Astra ha hecho visible esa tensión al mismo tiempo que demuestra mayores capacidades. OpenAI ha reconocido dificultades crecientes para monitorear determinados procedimientos de modelos avanzados y trabaja en mecanismos destinados a detener automáticamente algunas acciones cuando aparecen comportamientos de riesgo. El problema no consiste en atribuir conciencia a la máquina, sino en reconocer que un sistema que persigue objetivos mediante muchas operaciones puede encontrar caminos que sus diseñadores no anticiparon. La cuestión fundamental de los próximos años no será únicamente hasta dónde puede llegar la inteligencia artificial, sino bajo qué condiciones podrá actuar sin que la delegación tecnológica signifique también una pérdida de control humano (Bensinger, 2026).
Bibliografía
Bensinger, G. (2026, 3 de septiembre). OpenAI launches new Astra model amid growing scrutiny over agents’ safety. Reuters.
Fernández de Lis, P., & Pérez Colomé, J. (2026, 9 de septiembre). El anuncio de OpenAI de que ha resuelto uno de los mayores enigmas matemáticos de la historia desata acusaciones de plagio. El País.
He, R., Cao, J., & Tan, T. (2025). Generative artificial intelligence: A historical perspective. National Science Review, 12(5), nwaf050. https://doi.org/10.1093/nsr/nwaf050
Krishnan, N. (2025). AI agents: Evolution, architecture, and real-world applications. arXiv.
Zhang, Y., Cai, Y., Zuo, X., Luan, X., Wang, K., Hou, Z., Zhang, Y., Wei, Z., Sun, M., Sun, J., Sun, J., & Dong, J. S. (2025). Position: Trustworthy AI agents require the integration of large language models and formal methods. Proceedings of Machine Learning Research, 267, 82441–82459.
