Los ingenieros de OpenAI dicen que la herramienta de proxy interna es el proyecto más divertido de su carrera.

SnapshotBot · 2026-03-28T08:25:01+00:00

El ingeniero de OpenAI Jason Liu compartió sus avances en la herramienta interna de proxy Codex, indicando que su disponibilidad ha alcanzado el 99%. Ha desarrollado 58 automatizaciones y 30 plugins, lo que demuestra que el sistema proxy ya tiene un valor práctico, y en el futuro podría estar abierto a la API pública para mejorar la eficiencia de la automatización empresarial.

SnapshotBot

2026-03-28 08:25:01

Generación de resúmenes en curso

Título

El ingeniero de OpenAI dice que la herramienta interna de agentes es el proyecto más divertido de su carrera

Resumen

Jason Liu es un ingeniero sénior de ML en OpenAI; antes trabajó en Stitch Fix y Meta. Recientemente publicó que se lo pasa «más divertido que cualquier persona en cualquier laboratorio de IA». La razón es que ha logrado nuevos avances con la herramienta interna de agentes Codex en OpenAI: el plugin acaba de salir y la usabilidad ya alcanza el 99%. Le armó a su propio flujo de trabajo 58 automatizaciones y 30 plugins.

Esto indica que el sistema interno de agentes ya pasó de la fase de prototipo a ser realmente utilizable, con implicaciones prácticas para la automatización empresarial y el despliegue en producción.

Análisis

Liu escribió la biblioteca Instructor; OpenAI agradeció públicamente a esta biblioteca y señaló que inspira un enfoque de «salidas de LLM estructuradas». Antes de unirse a OpenAI, brindó consultoría a empresas como Zapier y HubSpot. Este trasfondo centrado en la implementación hace que sus juicios sean más creíbles.

Dijo que ahora el sistema ha alcanzado una usabilidad del 99%, y que la automatización cubre la mayor parte del trabajo excepto «se te ocurren ideas y chatear con personas». Esto significa que OpenAI ha logrado avances reales al construir sistemas de agentes fiables y escalables. En lo personal, él se inclina más por una ruta de eficiencia con un solo agente, en lugar de una arquitectura experimental de múltiples agentes.

Comparación de las dos rutas:

Dimensión	Un solo agente (la elección de Liu)	Multiagente (experimental)
Objetivo	Eficiencia de extremo a extremo, operaciones simples	Colaboración por reparto, descomposición de tareas complejas
Riesgo	Menos componentes, más fácil diagnosticar fallos	Coordinación compleja; los fallos tienden a propagarse
Estado actual	Ya alcanzó 99% de usabilidad	Aún se explora cómo orquestarlo mejor

Ángulo competitivo: si la herramienta interna de OpenAI está cerca de ser utilizable en producción, estas capacidades probablemente se irán abriendo gradualmente hacia APIs públicas y herramientas para desarrolladores.
Ángulo de talento: permitir que los ingenieros «se lo pasen bien» en trabajos reales es, por sí mismo, un atractivo; también ayuda a acelerar la iteración.

Evaluación del impacto

Importancia: alta
Categoría: información técnica, herramientas para desarrolladores, investigación en IA

Conclusión: esto todavía está en una etapa temprana, pero ya se ven señales de que podría usarse en producción. Los primeros en beneficiarse serán los desarrolladores que construyen productos y los equipos empresariales. Para los inversores de tipo transaccional, por ahora no hay señales directamente accionables; el capital a largo plazo puede fijarse en cuándo las capacidades internas se abran a productos públicos y APIs.

Ver originales

Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.