Nota del autor: ChatGPT Dots impulsa el trabajo que el usuario autoriza en torno a objetivos a largo plazo. Que pueda ejecutarse de forma continua depende de la coordinación entre el estado de las tareas, el contexto, las herramientas y los mecanismos de programación.
Conclusión primero: ChatGPT Dots, lanzado por OpenAI el 29 de septiembre de 2026, convierte la IA de «una herramienta de preguntas y respuestas que espera a que le preguntes» en «un ejecutor que acepta encargos y sigue avanzando». Cada Dot tiene su propia computadora en la nube y su propio navegador, conserva el contexto del proyecto, investiga de forma proactiva las fuentes de información autorizadas y arranca su trabajo según el tiempo o los eventos. Cuando aparece algo que requiere criterio y aprobación, devuelve la decisión al usuario. El «24 horas» del título se refiere a un modo de trabajo: el Agente puede decidir el siguiente paso según los objetivos, los eventos, el tiempo y el estado de las tareas incluso después de que te hayas ido. No promete bucles infinitos, supervisión en tiempo real ni que funcione gratis. Por ahora, Dots está abierto a usuarios individuales de ChatGPT Pro 100/200/500 y a espacios de trabajo Business Premium, Enterprise, Edu y Healthcare que cumplan los requisitos.
A continuación comparamos primero las diferencias entre Dots y ChatGPT normal, los scripts de Cron y los flujos de trabajo tradicionales; después desglosamos los mecanismos internos que le permiten trabajar de forma continua, incluida la relación entre el estado de las tareas, la memoria, la investigación proactiva, las tareas programadas y el Agente en segundo plano. Luego ordenamos los casos de uso de las demostraciones oficiales, las pruebas de medios y los testimonios de usuarios, presentando las tres clases de evidencia por separado. Por último, con el OpenAI Agents SDK y SentinelBench de Microsoft Research, explicamos qué componentes técnicos necesita un Agente continuo, qué costos y riesgos existen y qué trabajo merece la pena delegarle.
Para saber: términos relacionados con ChatGPT Dots
| Término | Explicación |
|---|---|
| Agente permanente (Always-on Agent) | Sistema de IA que, incluso en los intervalos en que el usuario no envía mensajes, puede seguir avanzando el trabajo que se le ha delegado |
| Cron | Forma de programación que inicia programas según reglas de tiempo fijas; por ejemplo, “ejecutar una vez cada día a las 9” |
| Activación por evento | Iniciar un flujo de procesamiento solo cuando ocurre un cambio especificado; por ejemplo, cuando aparece un nuevo reporte de bug en un canal de Slack |
| Estado de la tarea | Información que registra en qué paso va un trabajo, cuál fue el resultado y qué sigue esperando |
| Memoria a largo plazo | Preferencias del usuario, decisiones de proyecto y material de contexto que se conservan entre tareas |
| Llamada a herramientas | El modelo llama a programas externos para consultar información o ejecutar acciones |
| Investigación proactiva (Proactive Research) | Dot realiza, en segundo plano y en modo de solo lectura, investigación sobre fuentes de datos autorizadas cuando no ha recibido mensajes nuevos |
| Agente en segundo plano | Subagente que Dot envía para procesar en paralelo alguna parte del trabajo |
| Human-in-the-loop / intervención humana | Etapa de una tarea en la que una persona debe juzgar, aprobar o corregir |
| Tasa de falsos positivos | Proporción de alertas que el sistema emite y que no requieren acción, sobre el total de alertas |
| Inyección de prompt (Prompt Injection) | Instrucciones maliciosas escondidas en contenido externo como páginas web o correos electrónicos, que intentan secuestrar el comportamiento del Agente |
| Token | Unidad básica con la que el modelo mide la entrada y la salida; determina directamente el costo de la invocación |

1 De esperar tu pregunta a asumir tareas por iniciativa propia: qué cambia con ChatGPT Dots
1.1 El posicionamiento oficial de ChatGPT Dots
Según el artículo publicado por OpenAI Introducing dots y su documentación de ayuda, Dots es un Agente personal de IA (Personal Agent) que permanece siempre activo. Las capacidades principales que describe la documentación oficial son las siguientes:
- Ejecución permanente Always-on: aunque el usuario no envíe un mensaje nuevo, el agente puede seguir procesando el trabajo que ya se le ha delegado.
- Su propio ordenador en la nube: cada Dot dispone de un ordenador y un navegador en la nube independientes; aunque el ordenador del usuario esté apagado, las tareas en la nube siguen avanzando con normalidad.
- Contexto persistente: puede aprovechar la memoria de ChatGPT, el historial de conversaciones y la información de las aplicaciones conectadas.
- Investigación proactiva: realiza investigación en segundo plano sobre fuentes de datos autorizadas y detecta información que merece la pena atender.
- Ejecución de varios proyectos a la vez: impulsa varios proyectos en paralelo, puede dividir tareas y lanzar agentes en segundo plano para que trabajen de forma simultánea.
- Comunicación multiplataforma: se puede contactar con el mismo Dot a través de ChatGPT Web, la versión de escritorio, la versión móvil, Slack y Microsoft Teams.
- Colaboración persona-máquina: los asuntos que requieren el criterio o la aprobación del usuario se devuelven de forma proactiva a la persona.
En el momento del lanzamiento, el equipo oficial también mencionó que Dots se integra en el ecosistema de plugins de OpenAI y que puede conectarse a más de 4.000 aplicaciones. Esta cifra describe el tamaño del ecosistema; las aplicaciones y los permisos realmente disponibles en cada cuenta dependen de las conexiones y autorizaciones que haya configurado el propio usuario.
1.2 El cambio en el reparto de trabajo entre persona y máquina que trae ChatGPT Dots
Cuando se usa ChatGPT normal, el usuario es quien organiza las tareas: cada paso lo inicia una persona, que además tiene que recordar el progreso y alternar entre distintas conversaciones. Dots traslada una parte de esa responsabilidad de coordinación al agente. El usuario entrega un objetivo a largo plazo, por ejemplo «hacer seguimiento de este proyecto de cliente hasta su lanzamiento», y el Dot se encarga de recordar el progreso, estar atento a los cambios, preparar el siguiente paso y pedir a la persona que decida solo en los puntos clave.
Así, el papel de la persona pasa de «dar instrucciones una por una» a «delegar, supervisar, aprobar». El valor de este cambio está en asumir el trabajo de forma continua; lo que se ahorra es el coste de coordinación que supone perseguir el avance entre varios sistemas, contrastar información y empujar el siguiente paso. Si solo se añadieran unos cuantos pasos de automatización al proceso, el beneficio sería limitado.
2 Por qué la automatización tradicional no puede sustituir por completo a agentes como ChatGPT Dots
2.1 Comparación técnica entre Cron, flujos de trabajo y agentes persistentes
La automatización tradicional es buena para ejecutar procesos definidos de antemano; un agente persistente puede decidir el siguiente paso según el estado actual de la tarea y la nueva información. Las diferencias entre ambos enfoques en los aspectos clave son estas:
| Dimensión | Script Cron programado | Flujo de trabajo tradicional | Agente persistente (como Dots) |
|---|---|---|---|
| Forma de activación | Hora fija | Hora fija o evento | Hora, eventos y estado de la tarea |
| Lógica de ejecución | Preprogramada | Nodos preorquestados | Decidida dinámicamente según el contexto |
| Comprensión de la información | Requiere codificación | Depende de nodos y condiciones | Invoca al modelo para comprender el contenido |
| Manejo de excepciones | Reglas predefinidas | Ramas predefinidas | Analiza la situación y propone un plan |
| Memoria entre tareas | Requiere desarrollo propio | Depende de la configuración del flujo de trabajo | Mantiene el contexto del proyecto a largo plazo |
| Forma de ajuste | Modificar código | Modificar el flujo de trabajo | Ajustar con lenguaje natural |
| Costo operativo | Principalmente infraestructura | Software e infraestructura | Modelos, herramientas e infraestructura |
| Predictibilidad | Alta | Relativamente alta | Influida por la salida del modelo |
Veamos un ejemplo. Un script de Cron puede revisar el buzón cada 10 minutos y reenviar los correos que contengan ciertas palabras clave. Un agente, en cambio, vigila el correo pensando en un objetivo concreto: cuando llega un mensaje importante, decide con qué proyecto se relaciona, si requiere seguimiento y qué respuesta debería redactar.

2.2 Las tareas con reglas fijas siguen siendo adecuadas para la automatización tradicional
Para trabajos claros, repetitivos y con reglas fijas —por ejemplo, respaldar la base de datos cada noche o exportar un informe fijo todos los lunes—, Cron y los flujos de trabajo resultan más fáciles de controlar, verificar y mantener, y también cuestan menos. La ventaja de los agentes se concentra en tareas que exigen comprender información nueva y ajustarse de forma dinámica. Una arquitectura bastante razonable es que ambos coexistan: los pasos deterministas se dejan a los scripts y los pasos que implican juicio, a los agentes.
3 Cómo ChatGPT Dots trabaja de forma continua
3.1 El estado de la tarea determina el siguiente paso de Dots
La documentación de Tasks and memory de OpenAI explica que Dot puede decidir por sí mismo cuándo pausar y reanudar el trabajo según el estado de la tarea, sin que el usuario tenga que fijar un tiempo concreto para cada paso. Puede reconocer cuándo debe continuar, esperar a que cambien las condiciones externas, retomar en el momento adecuado, ajustar los pasos siguientes a partir de nueva información y pedir al usuario que intervenga cuando haga falta tomar una decisión.
Por eso, el «trabajo continuo» de Dots es un proceso de decisión impulsado en conjunto por los objetivos, los eventos, el tiempo y el estado de la tarea; no se queda girando en vacío cada minuto. Este diseño permite que el agente guarde silencio cuando no hay novedades y reserva los recursos para los momentos en los que realmente hace falta actuar.

3.2 Memoria a largo plazo y contexto del proyecto
El contexto de Dots se compone de cuatro capas de datos:
- ChatGPT Memory: Dot puede acceder a los recuerdos relevantes de ChatGPT y al contexto de conversaciones recientes.
- Las notas propias de Dot: acumula preferencias del usuario, hábitos de trabajo, decisiones de proyecto y responsabilidades a largo plazo.
- Contexto de la tarea actual: instrucciones de la conversación en curso, archivos, resultados de búsqueda y resultados de ejecución de herramientas.
- Datos de aplicaciones conectadas: lee información de aplicaciones autorizadas y, cuando las condiciones lo permiten, investiga esos datos para formar sus propios recuerdos.
Estas cuatro capas son independientes entre sí. La memoria de Dot consiste en contexto relevante y notas organizadas, no en la transcripción completa de los chats. Una tarea nueva tampoco incorpora necesariamente todo el historial entre el usuario y Dot; Dot buscará conversaciones pasadas cuando necesite complementar el contexto.
3.3 Diferencias entre investigación proactiva, tareas programadas y monitoreo de eventos
Estos tres mecanismos permiten que Dots siga trabajando cuando el usuario no envía mensajes, pero se diferencian en el modo de activación y en los límites de permisos.
- Investigación proactiva: cuando no hay mensajes nuevos, realiza investigación en segundo plano sobre fuentes autorizadas; por ejemplo, detecta que el precio de un archivo del proyecto no coincide con el contenido de un correo, o que un plazo importante ha cambiado. Sus permisos son de solo lectura: no puede enviar mensajes a otras personas, no puede modificar contenido mediante plugins, ni puede operar el navegador o la computadora. Cualquier acción posterior debe pasar por los controles normales de permisos, aprobación y seguridad.
- Tareas programadas (Scheduled Tasks): se ejecutan a la hora configurada; por ejemplo, revisar el calendario cada mañana o resumir el avance del proyecto cada lunes. Al crearlas, hay que especificar qué revisar, la hora de ejecución, la zona horaria, la fecha de finalización, qué cambios requieren notificación y adónde enviar los resultados.
- Monitoreo de eventos (Event Monitoring): cuando el servicio conectado admite los eventos correspondientes, se centra en un tipo concreto de evento, por ejemplo, la aparición de un nuevo Bug en Slack. El usuario debe indicar explícitamente a Dot qué debe monitorear. Aunque se añada Dot a un canal, no monitoreará automáticamente todo el canal.
Las tareas programadas son acciones predefinidas que se ejecutan según un horario; la investigación proactiva consiste en hallazgos basados en el contexto y en juicios propios. Ambas son esencialmente distintas. Además, detener una tarea en ejecución y cancelar una programación periódica son dos operaciones independientes que deben comprobarse por separado.
3.4 Agente en segundo plano y delegación de tareas
Dots puede dividir las tareas complejas, lanzar agentes en segundo plano para procesarlas en paralelo y, al final, reunir los resultados. También puedes crear tareas de ChatGPT Work (flujos de trabajo complejos e independientes) y tareas de Codex (desarrollo y pruebas de software). Cuando conectas tu computadora local a Dot, Dot también puede enviar tareas para que se ejecuten en el entorno local. El acceso local está desactivado de forma predeterminada; debes autorizarlo desde la aplicación de escritorio de ChatGPT y puedes revocarlo en cualquier momento con Revoke access.
4 Qué trabajos de largo plazo puede asumir ChatGPT Dots por ti
4.1 Casos relatados por los propios usuarios
Los siguientes casos provienen de experiencias compartidas por usuarios individuales en la comunidad de Reddit en octubre de 2026. Son relatos de los propios usuarios, sin verificación independiente ni tasas de precisión o datos estadísticos; solo representan experiencias personales.
| Caso | Información de entrada | Acciones de Dot | Resultado descrito por el usuario | Participación humana |
|---|---|---|---|---|
| Recordatorio de correos olvidados | Autorización del correo y contexto del proyecto | Revisa el correo e identifica asuntos olvidados u omitidos | Recuerda proactivamente al usuario los asuntos pendientes | El usuario decide si responder y cómo hacerlo |
| Seguimiento de proyectos entre sistemas | Cloudflare, CRM, Gmail (integrados mediante Composio MCP) | Impulsa proyectos entre sistemas, crea y prueba un MCP personalizado, desarrolla un portal de recopilación de información de clientes y una extensión de Chrome, y monitoriza el correo y el calendario del equipo | Recuerda proactivamente las tareas pendientes | El usuario revisa los resultados y las decisiones clave |
| Informes de negocio | Datos financieros de clientes | Crea paneles financieros de clientes | El usuario afirma que se completó en aproximadamente 1 hora; antes, un trabajo similar requería de 4 a 5 días | El usuario comprueba los datos y la presentación |
| Operaciones periódicas | Programación de tareas + complemento de Google Sheets | Ejecuta tareas diarias y semanales y actualiza las hojas de cálculo del negocio | El usuario considera que puede encargarse de parte del trabajo que Cron difícilmente puede afrontar con flexibilidad | El usuario define las reglas y revisa los resultados por muestreo |
Otro usuario de Reddit realizó una prueba del mecanismo durante aproximadamente un día: entregó a Dot cientos de PDF y miles de páginas de material para que los revisara, y la tarea conservó el progreso incluso a lo largo de varios días. Cuando se le hizo una pregunta intercalada, Dot pausó la revisión, buscó información para responder y luego volvió a la tarea original. El usuario también observó que la computadora en la nube de Dot, una computadora Linux conectada y un agente de investigación en segundo plano se ejecutaban al mismo tiempo. Él mismo señaló que aún no está confirmado cómo se calculan las cuotas de estas rutas de ejecución.
4.2 Prueba real de un medio: Axios compara Dots y Meta Muse
La periodista de Axios, Ina Fried, publicó el 20 de octubre de 2026 una prueba comparativa entre Dots y Meta Muse, con una tarea centrada en un viaje para ver las Finales de la WNBA:
- Planificación en varios pasos: ambas detectaron que la fecha del partido se había adelantado y que las entradas aún no estaban a la venta; Dots también detectó un conflicto entre el itinerario y la agenda existente del usuario.
- Generación de documentos: Dots creó un paquete de materiales de 8 páginas para la reunión y un programa conmemorativo de 38 páginas; el programa de Muse tenía 35 páginas. Ambos programas incluían estadísticas dudosas.
- Álbum de fotos conmemorativo: Dots creó un álbum conmemorativo de 12 páginas en 47 segundos; esto solo refleja el resultado de esa prueba.
- Compra real: Dots guió al usuario a la aplicación de Target para continuar con una cuenta ya guardada; el proceso de compra no se completó de forma totalmente automática.
La conclusión del autor es que este tipo de agentes sirven para asumir tareas de investigación y preparación; los resultados aún necesitan edición humana y verificación de datos, y en operaciones que implican cuentas y dinero, la decisión final debe quedar en manos humanas.
Los escenarios mostrados oficialmente también incluyen preparación de reuniones, monitorización de datos de ventas, seguimiento de comentarios de clientes, creación de contenido, gestión de proyectos de GitHub y organización de viajes, entre otros. Se trata de ejemplos de producto que indican la dirección de sus capacidades; no deben tomarse como una garantía de resultados en cada ejecución.
5 Cómo hacer que un Agent trabaje 24 horas: qué se necesita detrás
5.1 Los componentes básicos de Agents SDK
La guía Building Agents de OpenAI resume los sistemas de Agent en unos cuantos conceptos fundamentales, que podemos mapear a cada etapa del trabajo continuo:
- Agent: la combinación de modelo, indicaciones y herramientas, que se encarga de comprender y ejecutar.
- Handoff: pasar el trabajo a otro Agent, lo que corresponde a Dots cuando despacha un Agent en segundo plano.
- Guardrail: limita las entradas, las salidas y el comportamiento de ejecución, y corresponde a las aprobaciones y comprobaciones de seguridad.
- Session: mantiene el historial de conversación entre ejecuciones, y corresponde al estado de la tarea y a la continuidad del contexto.
- Tracing: registra el proceso de ejecución para facilitar la depuración y la auditoría.
Un Agent capaz de trabajar de forma continua es, en realidad, la combinación de seis componentes: «invocación de herramientas + gestión de estado + monitoreo de eventos + memoria a largo plazo + programación de ejecución + mecanismos de seguridad». Si falta cualquiera de ellos, difícilmente funcionará de forma estable.
5.2 Enseñanzas de la investigación SentinelBench
Microsoft Research publicó SentinelBench en junio de 2026, un benchmark diseñado específicamente para evaluar agentes de monitoreo que necesitan vigilar cambios en estados externos durante largos periodos. Consta de 100 tareas que cubren 10 entornos web simulados —correo electrónico, calendario, finanzas, redes profesionales, ocio, entre otros— y mide simultáneamente la tasa de finalización de tareas, el tiempo de reacción y el consumo de recursos.
La idea principal de este estudio es que, en las tareas de monitoreo de largo plazo, lo esencial es mantenerse atento al entorno y actuar solo cuando aparece un cambio que realmente merece una acción; ejecutar acciones de forma continua no necesariamente resulta eficaz. Esto concuerda con el enfoque de diseño de Dots, que pausa y reanuda según el estado de la tarea. Cabe aclarar que SentinelBench es un benchmark de investigación independiente y no sirve para estimar la tasa de éxito concreta de Dots.
5.3 Diseño de un agente continuo propio
Si un desarrollador quiere implementar un modo de trabajo similar, «impulsado por el estado», en su propio sistema, puede construir un prototipo usando una interfaz compatible con OpenAI. El siguiente código es un ejemplo de diseño que muestra cómo escribir la fase de evaluación; no se incluyen resultados de ejecución.
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # Interfaz compatible con OpenAI de APIYI
)
# Hacer que el modelo evalúe si un nuevo correo electrónico necesita recordar al usuario
resp = client.chat.completions.create(
model="gpt-4.1",
messages=[
{"role": "system", "content": "Eres un asistente de seguimiento de proyectos, solo genera JSON: {\"action\": \"ignore|remind|ask_human\", \"reason\": \"...\"}"},
{"role": "user", "content": "Proyecto: rediseño del sitio web oficial, fecha límite: 30 de noviembre. Nuevo correo electrónico: el equipo de diseño dice que la entrega se pospone al 5 de diciembre."}
]
)
print(resp.choices[0].message.content)
Ver el diseño completo: bucle de agente impulsado por tiempo + eventos + estado
import json
import time
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1"
)
# Estado de la tarea: núcleo del trabajo continuo, decide qué hacer a continuación
task = {
"goal": "Hacer seguimiento del proyecto de rediseño del sitio web oficial hasta el lanzamiento",
"status": "waiting", # waiting / judging / awaiting_human / done
"memory": ["Fecha límite: 30 de noviembre", "Antes de enviar un correo electrónico se debe confirmar manualmente"],
"next_check": time.time(), # Verificación periódica de respaldo
}
def fetch_new_events():
"""Fuente de eventos: conectar al webhook o a la interfaz incremental del correo electrónico o IM, aquí se deja como marcador de posición"""
return []
def judge(event: str) -> dict:
"""Llamar al modelo para decidir: ignorar, recordar o solicitar decisión humana"""
resp = client.chat.completions.create(
model="gpt-4.1",
messages=[
{"role": "system", "content": "Según el objetivo y la memoria, evalúa el nuevo evento, solo genera JSON: "
"{\"action\": \"ignore|remind|ask_human\", \"reason\": \"...\"}"},
{"role": "user", "content": json.dumps(
{"goal": task["goal"], "memory": task["memory"], "event": event},
ensure_ascii=False)}
]
)
return json.loads(resp.choices[0].message.content)
def run_once():
events = fetch_new_events()
# Sin eventos y aún no es hora de la verificación periódica: esperar directamente, evitando consultas inútiles y desperdicio de tokens
if not events and time.time() < task["next_check"]:
return
for ev in events:
decision = judge(ev)
if decision["action"] == "ask_human":
task["status"] = "awaiting_human" # Nodo de aprobación humana: el agente no ejecuta por su cuenta
print("Necesita tu decisión: ", decision["reason"])
elif decision["action"] == "remind":
print("Recordatorio: ", decision["reason"])
task["memory"].append(f"Evento procesado: {ev[:50]}")
task["next_check"] = time.time() + 3600 # Una verificación periódica de respaldo cada hora
# En un despliegue real, run_once se activa mediante un programador o una callback de evento, en lugar de un bucle vacío con while True
Este diseño refleja tres principios: prioridad a los eventos con verificación periódica de respaldo; el estado determina la acción; las acciones de alto riesgo pasan por aprobación humana.
🚀 Inicio rápido: al construir un prototipo de agente propio, puedes usar una sola clave API para invocar modelos como OpenAI, Claude, Gemini a través de APIYI apiyi.com, y comparar el desempeño de distintos modelos en tareas de evaluación como «si se debe actuar o no». Los nuevos usuarios tienen crédito de prueba gratuito.
6 Los límites del trabajo continuo de ChatGPT Dots: confiabilidad, costos y permisos
6.1 Falsos positivos, juicios erróneos y polling ineficaz
Los documentos oficiales de privacidad y seguridad dejan claro que el Agent puede entender mal la tarea, juzgar mal los materiales, generar datos erróneos, no lograr iniciar sesión en un sitio web o encontrarse con que el entorno de ejecución no está disponible; por eso, los resultados de la ejecución necesita revisarlos una persona. Las estadísticas sospechosas que surgieron en las pruebas de Axios demuestran que estos riesgos existen de verdad en el uso real.
Una ejecución prolongada también trae varios costos que se pasan por alto con facilidad: el consumo de recursos no es el mismo cuando se ejecuta la tarea y cuando se esperan eventos; al recuperar el contexto, el modelo vuelve a leer los materiales, lo cual genera un gasto de tokens; y el polling innecesario provoca ejecuciones repetidas. SentinelBench incluye el tiempo de respuesta y el uso de recursos en una misma evaluación, y la razón es justamente esta: el monitoreo a largo plazo tiene que ser rápido, pero también económico.
6.2 Permisos y aprobación humana
Dots permite a los usuarios, mediante Custom Rules (reglas personalizadas), establecer requisitos de ejecución para distintos comportamientos, en cuatro niveles: ejecutar directamente sin preguntar, ejecutar tras autorización previa, preguntar antes de ejecutar y devolver el control al usuario. Por ejemplo, se le puede permitir organizar automáticamente una carpeta específica, al mismo tiempo que se exige preguntar antes de enviar correos, confirmación obligatoria para compras y prohibición total de publicar en redes sociales.
Antes de operaciones que puedan afectar la cuenta o divulgar información al exterior, el mecanismo Auto-review comprueba si el comportamiento cumple con las instrucciones, las reglas, los requisitos de seguridad y los límites de permisos. Operaciones como cambiar contraseñas o transferir fondos requieren que el usuario tome el control personalmente; la eliminación permanente de datos o la instalación de software pueden necesitar aprobación cada vez. Frente al Prompt Injection, OpenAI ha adoptado medidas como distinguir la fuente de las instrucciones, limitar herramientas, aplicar aprobaciones y mantener una monitorización continua, al tiempo que deja claro que estas medidas no pueden eliminar todos los riesgos.
6.3 Costos: Pro personal y Dots empresarial
- Usuarios individuales: Pro 100 ($100/mes), Pro 200 ($200/mes) y Pro 500 ($500/mes) todos tienen derecho a usar Dots. La documentación oficial sobre Dots en Pro personal no menciona una tarifa mensual separada por Dot. Pro personal exige tener al menos 18 años y, por ahora, no incluye el Espacio Económico Europeo, Reino Unido ni Suiza; los permisos se despliegan gradualmente.
- Tareas delegadas: Las tareas de ChatGPT Work o Codex iniciadas por Dot se calculan por separado según las cuotas o reglas de facturación del producto correspondiente; el consumo depende del modelo, el contexto, el razonamiento, las llamadas a herramientas y la búsqueda.
- Espacios de trabajo empresariales: Enterprise, Edu y Healthcare tienen un período de vista previa administrativa gratuita del 4 al 18 de noviembre de 2026; a partir del 18 de noviembre, los espacios de trabajo que cumplan los requisitos se abren por defecto y comienzan a facturar. Las empresas pueden optar por una tarifa fija por tipo de trabajo o por facturación según uso; las tareas delegadas a Work o Codex se cobran aparte, y los importes concretos se rigen por la cotización aplicable al espacio de trabajo. Cada miembro puede crear un Dot personal.
6.4 Cinco métricas para evaluar agentes persistentes
Para saber si un agente realmente “trabaja por ti”, necesitas métricas cuantificables:
| Métrica | Cómo se calcula | Qué observar |
|---|---|---|
| Tasa de finalización de tareas | Tareas completadas con éxito / total de tareas | Si realmente entrega resultados |
| Tiempo medio de respuesta | Tiempo desde que ocurre el evento hasta que se da una respuesta válida | Si la inmediatez cumple las necesidades del negocio |
| Tasa de falsos positivos | Activaciones sin necesidad de acción / total de activaciones | Si las alertas están interrumpiendo a las personas |
| Tasa de intervención manual | Tareas que requieren intervención del usuario / total de tareas | Cuánta mano de obra se ahorra realmente |
| Costo por tarea | Costos de modelos, herramientas y servidores / número de tareas completadas con éxito | Si resulta rentable económicamente |
💰 Optimización de costos: al construir un agente de monitoreo propio, el paso de “decidir si se requiere acción” es el que se invoca con más frecuencia, por lo que conviene hacer una selección escalonada de modelos: un modelo ligero para el filtro inicial y un modelo potente para el análisis profundo. Con APIYI apiyi.com puedes invocar varios modelos con pago por uso y calcular el costo por tarea según la tabla anterior.
7 Qué trabajos realmente vale la pena delegar a agentes como ChatGPT Dots
Puedes evaluar si un trabajo merece delegarse a un agente persistente desde cinco dimensiones:
| Criterio | Más adecuado para delegar a un agente | Más adecuado para automatización tradicional o trabajo manual |
|---|---|---|
| Grado de claridad de las reglas | Reglas difusas, se necesita comprender la semántica | Reglas claras y totalmente codificables → script |
| Frecuencia de cambio de la información | Muchas fuentes de información y cambios irregulares | Cambios fijos y predecibles → script programado |
| Duración de la tarea | Proyectos de largo plazo que abarcan días o semanas | Tareas puntuales de corta duración → conversación normal |
| Riesgo de la decisión | Bajo riesgo, o se pueden establecer nodos de aprobación | Implica fondos, contraseñas u operaciones irreversibles → intervención humana |
| Costo de coordinación manual | Requiere hacer seguimiento del progreso y contrastar información entre varios sistemas | Operaciones simples dentro de un solo sistema |
Con base en esto, los trabajos que más vale la pena delegar incluyen: investigación temática de largo plazo y seguimiento de material, seguimiento de proyectos entre sistemas, recordatorios de asuntos pendientes, actualización periódica de informes, preparación de reuniones y organización de acciones posteriores. Las operaciones de alto riesgo, como transferencias, cambios de contraseña o publicaciones externas, deben quedar en manos humanas, o al menos configurarse como “preguntar antes de ejecutar”.
💡 Sugerencia de elección: si tu equipo quiere construir flujos de trabajo con agentes fuera de Dots, cada modelo tiene diferencias en invocación de herramientas, contextos largos y estabilidad de juicio. Primero puedes comparar a pequeña escala en APIYI apiyi.com cambiando de modelo con el mismo código, y luego decidir cuál usar en producción.
Preguntas frecuentes (FAQ)
P1: ¿Qué es ChatGPT Dots?
Dots es un agente personal de IA persistente que OpenAI lanzó el 29 de septiembre de 2026. Cuenta con una computadora y un navegador propios en la nube, conserva el contexto de los proyectos, investiga de forma proactiva fuentes de información autorizadas, avanza el trabajo según horarios o eventos y, cuando necesita tomar una decisión, devuelve el asunto al usuario.
P2: ¿Dots puede de verdad estar en marcha 24 horas seguidas?
Las “24 horas” describen un modo de trabajo: cuando el usuario se ausenta, Dot puede seguir decidiendo cuándo continuar y cuándo esperar según los objetivos, los eventos, los horarios y el estado de las tareas. Está limitado por las aplicaciones conectadas, los tipos de eventos admitidos y la cuota de uso; no entra en bucles infinitos ni puede supervisar en tiempo real todas las fuentes de información.
P3: ¿Qué diferencia hay entre la investigación proactiva de Dots y las tareas programadas?
Las tareas programadas ejecutan acciones concretas a la hora configurada. La investigación proactiva consiste en que, cuando no hay mensajes nuevos, el agente realiza una investigación de solo lectura en fuentes autorizadas a partir del contexto y detecta información que vale la pena revisar. La investigación proactiva por sí sola no puede enviar mensajes, modificar contenido ni operar la computadora; las acciones posteriores pasan por permisos y aprobación.
P4: ¿Usar Dots requiere pagar aparte?
Los usuarios de los planes Pro personal 100/200/500 son elegibles; la información oficial no incluye una tarifa mensual independiente para Dot. Las tareas Work y Codex que Dot delega se cobran aparte según la cuota o las reglas correspondientes. Los espacios de trabajo empresariales empiezan a facturarse a partir del 18 de noviembre de 2026, con opción de tarifa fija por tipo de trabajo o facturación por uso; el importe depende de la cotización real.
P5: ¿Cómo puede un desarrollador construir su propio agente persistente similar a Dots?
Puedes inspirarte en conceptos del OpenAI Agents SDK como Agent, Handoff, Guardrail, Session y Tracing, y combinarlos con gestión de estado, activación por eventos, respaldo programado y aprobación humana. Para la parte de invocación del modelo, puedes conectarte a la interfaz compatible con OpenAI de APIYI apiyi.com, configurar `base_url` como `https://api.apiyi.com/v1` y probar varios modelos con una sola clave API.
P6: ¿Qué limitaciones conocidas tiene Dots?
El agente puede malinterpretar tareas o generar datos erróneos, puede quedarse atascado en el inicio de sesión, las acciones ya completadas no siempre se pueden deshacer y el riesgo de inyección de prompts tampoco se puede eliminar del todo. Por ahora, los usuarios no pueden revisar ni eliminar una por una la memoria independiente de Dot, y desconectar un plugin tampoco borra automáticamente la información ya obtenida. Cuando valides una solución de agentes en tu propio negocio, puedes empezar con la cuota gratuita de APIYI apiyi.com para hacer pruebas con muestras pequeñas y medir la tasa de falsos positivos y la tasa de intervención humana.
ChatGPT Dots: conclusiones clave
- Cambio de posicionamiento: Dots hace que la IA pase de responder pasivamente preguntas a ser un ejecutor que acepta delegaciones y avanza de forma continua.
- La esencia del trabajo continuo: el siguiente paso lo determinan los objetivos, los eventos, el tiempo y el estado de la tarea; no depende de bucles infinitos.
- Tres mecanismos: investigación proactiva de solo lectura, tareas programadas por tiempo y monitoreo de eventos bajo demanda; conviene entenderlos por separado.
- Evidencia por niveles: capacidades oficiales, pruebas reales de Axios y testimonios de usuarios son tres tipos de evidencia con distinta credibilidad.
- Límites claros: las operaciones de alto riesgo requieren intervención humana y los resultados aún necesitan verificación factual.
- Coste en dos capas: la elegibilidad de la suscripción Pro y el consumo de tareas delegadas se calculan por separado; las empresas pagan según cotización.
- Ruta de autoconstrucción: tome como referencia Agents SDK para diseñar estado y aprobaciones, y use APIYI apiyi.com para unificar la interfaz y validar varios modelos.
Resumen
El valor central de ChatGPT Dots es permitir que un Agent asuma trabajo durante mucho tiempo: una computadora en la nube independiente ofrece entorno de ejecución, la memoria a largo plazo aporta contexto, la investigación proactiva, las tareas programadas y el monitoreo de eventos proporcionan disparadores, y Custom Rules y Auto-review delimitan permisos. Es adecuado para tareas que cruzan sistemas y tiempos y que necesitan comprender información nueva; el trabajo con reglas fijas sigue siendo más rentable delegarlo a la automatización tradicional, y las decisiones de alto riesgo las sigue tomando una persona.
Al evaluar este tipo de Agent, se puede medir si realmente te ahorró tiempo con cinco indicadores: tasa de finalización de tareas, tiempo de respuesta, tasa de falsos positivos, tasa de intervención humana y coste por tarea. Si quieres implementar en tu propio producto una capacidad de trabajo continuo similar, te recomiendo validar primero el efecto rápidamente a través de APIYI apiyi.com: una clave API conecta a varios modelos principales, factura por uso y es ideal para comparar prototipos.
📚 Referencias
- OpenAI: Introducing dots: anuncio de lanzamiento de Dots, con el posicionamiento del producto y la escala de su ecosistema
- Enlace:
openai.com/index/introducing-dots -
Descripción: la fuente principal para conocer la descripción oficial de capacidades
-
ChatGPT Learn: Meet dots / Tasks and memory: resumen del producto, tareas, memoria, investigación proactiva y tareas periódicas
- Enlace:
learn.chatgpt.com/docs/dots -
Descripción: el documento central para entender cómo funciona el trabajo continuo
-
OpenAI Help Center: Getting started with your dot: activación, conexión con el ordenador y gestión de reglas
- Enlace:
help.openai.com/en/articles/20001530-getting-started-with-your-dot -
Descripción: pasos prácticos y limitaciones
-
OpenAI Help Center: Dots privacy, security, and safety FAQs: permisos, aprobaciones, Prompt Injection y políticas de datos
- Enlace:
help.openai.com/en/articles/20001529-dots-privacy-security-and-safety-faqs -
Descripción: lectura obligatoria para evaluar los límites de seguridad
-
Guía para administradores de Dots Enterprise y descripción de la suscripción Pro: métodos de facturación empresarial y precio de Pro
- Enlace:
learn.chatgpt.com/docs/enterprise/dots-admin-guide -
Descripción: la información de costes se basa en este documento
-
Guía OpenAI Building Agents: conceptos básicos del Agents SDK
- Enlace:
developers.openai.com/tracks/building-agents -
Descripción: referencia técnica para construir tu propio Agent
-
Microsoft Research: SentinelBench: estudio de referencia sobre Agents de monitoreo a largo plazo
- Enlace:
microsoft.com/en-us/research/publication/sentinelbench-a-benchmark-for-long-running-monitoring-agents -
Descripción: entender el equilibrio entre eficiencia y recursos en el monitoreo continuo
-
Axios: I tested Dots and Muse: prueba real realizada por un medio externo
- Enlace:
axios.com/2026/10/20/battle-of-bots-openai-meta-ai-agents-test - Descripción: rendimiento en tareas reales y obstáculos operativos
Autor: Equipo técnico de APIYI
Contacto técnico: puedes escribirnos desde la página principal de APIYI en apiyi.com; para más material de integración, visita el centro de documentación docs.apiyi.com