OpenAI avanza hacia conversaciones de voz continuas y agentes capaces de controlar el ordenador

La relación entre las personas y la inteligencia artificial está entrando en una nueva etapa. Hasta ahora, la mayoría de los sistemas generativos funcionaban mediante una dinámica relativamente rígida: el usuario escribía o hablaba, esperaba a que la máquina procesara la petición y recibía una respuesta. OpenAI está intentando sustituir este modelo basado en turnos por una interacción continua, en la que la inteligencia artificial pueda escuchar, hablar, interpretar interrupciones, utilizar herramientas y ejecutar tareas digitales mientras mantiene una conversación natural.

Esta evolución se apoya en dos líneas tecnológicas complementarias. La primera es GPT-Live, una nueva generación de modelos de voz construidos para mantener conversaciones continuas y bidireccionales. La segunda es el desarrollo de agentes capaces de utilizar interfaces gráficas, navegar por aplicaciones y controlar determinadas funciones de un ordenador. Juntas apuntan hacia un futuro en el que hablar con una IA no consistirá únicamente en pedirle información, sino en dirigir mediante la voz a un asistente capaz de actuar sobre herramientas, documentos y aplicaciones.

OpenAI presentó GPT-Live el 8 de julio de 2026 como una arquitectura diseñada para procesar continuamente la entrada del usuario mientras genera su propia salida. Esto permite que el modelo decida varias veces por segundo si debe hablar, seguir escuchando, hacer una pausa, interrumpirse o utilizar una herramienta. No se limita, por tanto, a reconocer palabras y producir una respuesta, sino que intenta gestionar el ritmo completo de una conversación humana.

De las conversaciones por turnos a una interacción verdaderamente continua

Los asistentes de voz tradicionales suelen funcionar mediante un sistema de turnos. El usuario pronuncia una frase, el sistema detecta que ha terminado de hablar, transcribe el audio, procesa la consulta, genera una respuesta y la reproduce. Aunque este proceso puede ejecutarse rápidamente, sigue existiendo una separación clara entre escuchar y responder.

GPT-Live introduce una arquitectura denominada full duplex, que permite escuchar y hablar simultáneamente. El modelo no necesita esperar siempre a que el usuario complete una intervención perfectamente delimitada. Puede seguir el ritmo de la conversación, detectar cambios de intención, interpretar silencios, reaccionar ante interrupciones y decidir si debe continuar hablando o ceder la palabra.

Esta diferencia puede parecer técnica, pero transforma profundamente la experiencia. En una conversación humana es habitual interrumpir, corregirse, dejar una frase incompleta, cambiar de tema o hacer una pausa para pensar. Los sistemas convencionales suelen interpretar mal estas situaciones. Pueden responder demasiado pronto, ignorar una corrección o continuar hablando mientras la persona intenta detenerlos.

Un modelo continuo puede adaptarse mejor a esas señales. Si el usuario dice “reserva una mesa para mañana a las nueve… no, mejor a las diez”, la IA puede incorporar la corrección sin obligarle a comenzar de nuevo. Si escucha una duda o una interrupción, puede detenerse. Si la persona tarda unos segundos en terminar una idea, puede seguir escuchando en lugar de asumir que la intervención ha concluido.

La conversación deja así de ser una sucesión de órdenes y respuestas para acercarse a una interacción más natural. OpenAI sostiene que GPT-Live puede decidir en cada momento si debe hablar, permanecer en silencio, seguir escuchando, interrumpir su propia respuesta o recurrir a una herramienta externa.

La voz deja de ser una interfaz secundaria

Durante años, la voz ha sido una función añadida a sistemas diseñados principalmente para texto. El usuario hablaba, el contenido se convertía en texto y el modelo respondía mediante una voz sintetizada. Esta cadena introducía retrasos y podía perder parte de la información transmitida mediante el tono, el ritmo o la entonación.

Los nuevos modelos de voz están diseñados para tratar la conversación oral como una modalidad central. La IA puede interpretar no solo el contenido literal, sino también pausas, velocidad, cambios de tono e interrupciones. Esto abre la puerta a asistentes capaces de adaptar su respuesta al contexto emocional o comunicativo de cada situación, aunque esta capacidad también exige controles estrictos para evitar interpretaciones erróneas.

OpenAI ya había avanzado en esta dirección con su Realtime API, presentada inicialmente en 2024 para permitir a los desarrolladores construir experiencias de voz de baja latencia. En mayo de 2026 anunció GPT-Realtime-2, un modelo orientado a conversaciones en directo que puede mantener el diálogo mientras razona, utiliza herramientas, procesa correcciones y responde a interrupciones. GPT-Live representa un paso adicional hacia una conversación continua que no depende de turnos rígidos.

El reto no consiste únicamente en mejorar la calidad de la voz. También es necesario reducir la latencia, mantener la estabilidad de la conexión, gestionar miles o millones de conversaciones simultáneas y garantizar que el sistema no pierda el contexto. OpenAI ha explicado que tuvo que reconstruir parte de su infraestructura WebRTC para ofrecer interacciones de voz en tiempo real con menor latencia, una asignación más estable de las sesiones y un enrutamiento global más eficiente.

Una inteligencia artificial capaz de hablar mientras trabaja

La principal transformación llegará cuando la voz continua se combine con la capacidad de actuar. En lugar de limitarse a responder preguntas, el asistente podrá mantener una conversación mientras consulta documentos, busca información, completa formularios, modifica archivos o utiliza aplicaciones.

Por ejemplo, un directivo podría decir: “Revisa las ventas del trimestre, compara los resultados con el presupuesto y prepara una presentación para la reunión de mañana”. El agente podría abrir los archivos necesarios, analizar la información, crear gráficos, redactar las conclusiones y construir la presentación, solicitando aclaraciones mediante voz cuando encontrara datos incompletos.

La interacción podría continuar durante todo el proceso. El usuario podría interrumpir para indicar que se elimine una diapositiva, se cambie el enfoque del análisis o se añada una comparación con el año anterior. El sistema no tendría que detener completamente la tarea para procesar cada modificación, sino que podría incorporar las instrucciones mientras trabaja.

Este planteamiento convierte la voz en una interfaz de dirección. La persona deja de operar manualmente cada herramienta y pasa a supervisar a un agente que ejecuta el trabajo. La diferencia se parece a la que existe entre utilizar una aplicación y delegar una tarea a un colaborador.

Del chatbot al agente que utiliza el ordenador

OpenAI comenzó a mostrar esta dirección con Operator, presentado en enero de 2025 como un agente capaz de utilizar su propio navegador para realizar tareas. Operator podía interpretar capturas de pantalla, hacer clic en botones, escribir en campos, desplazarse por páginas y completar acciones en interfaces diseñadas originalmente para personas.

La tecnología subyacente recibió el nombre de Computer-Using Agent, o CUA. Este modelo combinaba capacidades visuales con razonamiento entrenado mediante aprendizaje por refuerzo. En lugar de depender exclusivamente de integraciones mediante API, podía observar una interfaz gráfica y actuar sobre ella de manera parecida a un usuario humano.

Esta capacidad es especialmente importante porque gran parte del software empresarial no dispone de integraciones modernas o accesibles. Muchas compañías siguen utilizando aplicaciones heredadas, plataformas internas, sistemas administrativos y herramientas web que requieren navegación manual. Un agente visual puede operar sobre estos entornos sin necesidad de construir una integración específica para cada uno.

OpenAI incorporó posteriormente estas capacidades a ChatGPT agent, un sistema que combina navegación, investigación, utilización de herramientas y ejecución de tareas dentro de un entorno informático propio. El agente puede planificar una actividad, seleccionar las herramientas necesarias y realizar múltiples pasos bajo la supervisión del usuario.

En julio de 2026, OpenAI también anunció funciones de Computer Use en escritorio que permiten a ChatGPT utilizar interfaces gráficas en macOS y Windows. Según su documentación, estas capacidades están pensadas para tareas en las que las herramientas de línea de comandos o las integraciones estructuradas no resultan suficientes.

Cómo funciona el control del ordenador

El concepto de “controlar el ordenador” puede llevar a pensar que la IA obtiene acceso ilimitado al dispositivo, pero el funcionamiento real depende del producto, de los permisos concedidos y del entorno utilizado.

En los sistemas de uso informático, el modelo recibe información visual de la pantalla, normalmente mediante capturas. A partir de esa imagen interpreta los elementos de la interfaz y propone acciones como hacer clic, desplazarse, escribir o pulsar una tecla. El software que integra el modelo ejecuta esas acciones y devuelve una nueva captura, creando un ciclo continuo de observación, decisión y actuación.

El agente no necesita comprender el código interno de cada aplicación. Puede identificar botones, menús, campos de texto y otros elementos visuales de manera parecida a una persona. Esto le permite trabajar sobre páginas web, aplicaciones de escritorio y herramientas empresariales que no fueron diseñadas originalmente para interactuar con inteligencia artificial.

Sin embargo, este método también tiene limitaciones. Las interfaces pueden cambiar, los botones pueden aparecer en lugares diferentes, las ventanas emergentes pueden bloquear el flujo y una captura puede contener información ambigua. El agente debe ser capaz de detectar errores, corregir su estrategia o pedir ayuda al usuario cuando no sabe cómo continuar.

OpenAI explica que sus sistemas pueden devolver el control a la persona cuando encuentran un obstáculo o necesitan que se complete una acción delicada. En determinados momentos, como la introducción de contraseñas, la resolución de verificaciones o la confirmación de una compra, la participación humana continúa siendo esencial.

La convergencia entre voz, razonamiento y acción

La verdadera importancia de estos avances no se encuentra en cada tecnología por separado, sino en su convergencia. Una IA que entiende la voz puede mantener una conversación. Una IA que utiliza herramientas puede obtener información. Una IA que controla interfaces puede ejecutar acciones. Cuando estas tres capacidades se integran, aparece una nueva categoría de asistente digital.

Este asistente podría escuchar una instrucción, analizarla, diseñar un plan, abrir las aplicaciones necesarias, realizar las acciones y mantener informado al usuario mediante una conversación continua. También podría formular preguntas cuando encontrara decisiones que requieran criterio humano.

Por ejemplo, una persona podría pedir: “Busca los correos recibidos durante esta semana relacionados con el proyecto, identifica los asuntos pendientes y organiza una reunión con las personas necesarias”. El agente tendría que acceder al correo, interpretar mensajes, extraer compromisos, consultar calendarios, identificar participantes, proponer horarios y preparar una invitación.

La persona podría intervenir durante el proceso diciendo: “No incluyas a proveedores externos” o “Reserva una hora completa y evita el viernes”. El sistema podría adaptar el plan sin reiniciar la tarea. Esta combinación de conversación continua y ejecución convierte a la IA en un colaborador operativo.

El impacto sobre el trabajo administrativo

Las tareas administrativas serán uno de los primeros ámbitos de transformación. Una gran parte del trabajo de oficina consiste en trasladar información entre aplicaciones, buscar datos, completar formularios, preparar documentos, actualizar sistemas y coordinar agendas.

Un agente capaz de utilizar el ordenador puede automatizar procesos que antes requerían desarrollos específicos. Podría descargar facturas de un portal, comparar importes con un archivo contable, introducir datos en un ERP, preparar un informe de incidencias y enviar una comunicación al responsable.

También podría revisar documentos, reorganizar carpetas, actualizar bases de datos, preparar actas de reuniones o recopilar información procedente de diferentes aplicaciones. La voz continua permitiría dirigir estas tareas sin tener que describir cada paso mediante instrucciones escritas.

El valor empresarial no procederá únicamente del ahorro de tiempo. También puede reducir errores de transcripción, mejorar la trazabilidad y permitir que los profesionales se concentren en decisiones de mayor nivel. No obstante, una automatización defectuosa podría multiplicar errores a gran velocidad, por lo que será necesario mantener sistemas de revisión y autorización.

Atención al cliente mediante agentes de voz

Uno de los casos de uso más evidentes se encuentra en la atención al cliente. Los asistentes de voz tradicionales suelen seguir guiones rígidos y fracasan cuando el usuario se aparta del flujo previsto. Los modelos continuos pueden entender interrupciones, cambios de intención y peticiones expresadas de manera menos estructurada.

Un cliente podría llamar para modificar una reserva, explicar una incidencia o preguntar por diferentes opciones. El agente podría consultar los sistemas internos mientras mantiene la conversación, ofrecer alternativas y ejecutar la modificación sin transferir inmediatamente la llamada a una persona.

La experiencia podría resultar más rápida y natural, especialmente en tareas rutinarias. Sin embargo, las empresas deberán evitar que la mejora tecnológica se convierta en una barrera para acceder a atención humana. El usuario debe poder solicitar la intervención de una persona cuando la situación sea compleja, delicada o emocional.

El AI Act europeo también exige transparencia cuando una persona interactúa con determinados sistemas de inteligencia artificial. Por tanto, las organizaciones deberán informar claramente de que la conversación está siendo gestionada por una IA, además de cumplir las normas aplicables sobre privacidad, grabación de llamadas y protección de datos.

Ventas y comercio electrónico

En ventas, un agente de voz podría acompañar al cliente durante todo el proceso de compra. Podría responder preguntas, comparar productos, comprobar disponibilidad, aplicar promociones, completar formularios y preparar el pedido.

En entornos B2B, la IA podría ayudar a los equipos comerciales a revisar cuentas, actualizar el CRM, preparar propuestas, identificar contactos y organizar seguimientos. Un vendedor podría dictar el resultado de una reunión mientras el agente actualiza las oportunidades, crea tareas y redacta el correo de seguimiento.

La capacidad de actuar sobre aplicaciones existentes puede acelerar la adopción, porque las empresas no tendrían que sustituir necesariamente todos sus sistemas. El agente podría operar sobre las herramientas actuales, aunque las organizaciones deberán evaluar cuidadosamente la fiabilidad, los permisos y la seguridad de cada flujo.

Recursos humanos y formación

En recursos humanos, un agente podría ayudar a organizar entrevistas, preparar documentación, actualizar expedientes y responder consultas internas. También podría guiar a un empleado durante su incorporación, explicarle procedimientos y abrir las aplicaciones necesarias.

En formación, la voz continua permite crear tutores capaces de mantener conversaciones más naturales. El alumno podría interrumpir, pedir una explicación diferente o resolver una actividad mientras el sistema observa lo que ocurre en pantalla.

La IA podría guiar a una persona dentro de una aplicación empresarial: “Abre el apartado de facturación, selecciona el periodo y revisa los documentos pendientes”. En una fase más avanzada, podría realizar directamente los pasos y explicar simultáneamente lo que está haciendo.

Estas aplicaciones deberán diseñarse con especial cautela cuando afecten a selección, evaluación o supervisión laboral. Las decisiones que influyan en el acceso al empleo o en la situación profesional de una persona pueden estar sometidas a requisitos regulatorios más estrictos.

Sanidad, servicios financieros y sectores regulados

En sanidad, los agentes de voz podrían ayudar a documentar consultas, organizar información clínica o gestionar tareas administrativas. En servicios financieros podrían recopilar documentación, preparar análisis y orientar a clientes durante determinados procesos.

Sin embargo, los sectores regulados requieren controles adicionales. Un error en una reserva comercial puede ser corregible; un error en una decisión clínica, crediticia o jurídica puede causar daños graves. La autonomía del agente deberá limitarse en función del riesgo.

Las empresas tendrán que decidir qué acciones puede ejecutar automáticamente, cuáles requieren una confirmación y cuáles deben quedar siempre bajo responsabilidad humana. También deberán registrar qué hizo el sistema, qué información utilizó y quién autorizó la acción.

Una nueva interfaz para las aplicaciones empresariales

La combinación de voz y agentes puede cambiar la forma en la que se diseña el software. Durante décadas, los usuarios han tenido que aprender a utilizar menús, iconos, formularios y paneles. En el futuro, una parte de esa interacción podría sustituirse por instrucciones expresadas en lenguaje natural.

En lugar de navegar por decenas de pantallas, un directivo podría decir: “Muéstrame los clientes cuya facturación ha caído más de un 20 % y prepara una lista de acciones recomendadas”. El agente podría consultar diferentes sistemas, elaborar el análisis y presentar el resultado.

Esto no implica que desaparezcan las interfaces gráficas. Continuarán siendo necesarias para revisar datos, controlar procesos y visualizar información. Sin embargo, la voz puede convertirse en una capa de coordinación situada por encima de múltiples aplicaciones.

El usuario no tendría que saber dónde se encuentra cada función. Sería el agente quien decidiría qué herramienta utilizar y qué pasos ejecutar. El software dejaría de organizarse únicamente alrededor de aplicaciones independientes para orientarse hacia objetivos y tareas.

La reducción de la dependencia de las API

Las API permiten que dos sistemas intercambien información de forma estructurada y segura. Continúan siendo la opción preferible para procesos estables y de gran volumen. Sin embargo, no todas las aplicaciones disponen de API, y muchas integraciones son costosas de desarrollar y mantener.

Los agentes de uso informático ofrecen una alternativa al actuar directamente sobre la interfaz. Esto puede facilitar la automatización de herramientas antiguas o procesos que hasta ahora dependían de trabajo manual.

No obstante, controlar una interfaz visual suele ser menos estable que utilizar una API. Un cambio en el diseño puede alterar el flujo, y una ventana inesperada puede provocar errores. Por ello, las empresas deberán combinar ambos métodos: utilizar integraciones estructuradas cuando existan y reservar el control visual para los procesos que no dispongan de otra vía.

Los principales riesgos de los agentes que controlan ordenadores

La capacidad de ejecutar acciones también aumenta los riesgos. Un chatbot que produce una respuesta incorrecta puede confundir al usuario. Un agente con acceso a aplicaciones puede modificar información, enviar mensajes, eliminar archivos o realizar transacciones.

Uno de los riesgos más importantes es la denominada inyección indirecta de instrucciones. Una página web, un correo o un documento puede contener instrucciones ocultas destinadas a manipular al agente. Si el sistema las interpreta como órdenes válidas, podría revelar información, ejecutar una acción no autorizada o alterar su objetivo inicial.

OpenAI reconoce este problema en la documentación de ChatGPT agent y señala que una instrucción maliciosa oculta en una página o en sus metadatos podría intentar provocar acciones no deseadas, especialmente cuando el agente dispone de acceso a conectores o sesiones autenticadas.

También existe el riesgo de conceder permisos excesivos. Un agente encargado de organizar reuniones no debería disponer necesariamente de acceso para descargar información financiera o eliminar documentos. Las organizaciones deberán aplicar el principio de mínimo privilegio, limitando el acceso a las aplicaciones y datos estrictamente necesarios.

Confirmación humana para las acciones delicadas

La supervisión humana será uno de los elementos esenciales. Los agentes no deberían actuar con el mismo nivel de autonomía en todas las tareas.

Acciones de bajo riesgo, como reorganizar información o preparar un borrador, pueden ejecutarse automáticamente. Otras, como enviar un correo externo, modificar un contrato, realizar una compra o eliminar un archivo, deberían requerir confirmación.

OpenAI ha desarrollado sistemas de confirmación y rechazo destinados a enseñar a los modelos cuándo deben solicitar intervención humana. En sus modelos para uso informático ha incorporado datos específicos de seguridad para definir límites sobre qué acciones pueden realizarse y cuáles necesitan autorización.

La confirmación no debe convertirse en un trámite automático. El usuario necesita comprender qué acción se realizará, sobre qué información y con qué consecuencias. Los sistemas deberán presentar las confirmaciones de forma clara y evitar mensajes ambiguos.

Privacidad y acceso a información empresarial

Para ser útil, un agente necesita contexto. Puede requerir acceso al correo, calendario, documentos, aplicaciones internas o bases de datos. Cuanto mayor sea ese acceso, mayor será la responsabilidad de proteger la información.

Las empresas deberán definir qué datos pueden utilizarse, dónde se procesan, cuánto tiempo se conservan y si se emplean para mejorar los modelos. También deberán evaluar los contratos con proveedores y comprobar la configuración de privacidad de cada producto.

El hecho de que un agente pueda ver una pantalla añade otro nivel de riesgo. En una misma interfaz pueden aparecer datos personales, credenciales, información financiera o comunicaciones confidenciales. Será necesario limitar lo que el sistema puede observar y registrar.

Las organizaciones también deberán contar con registros de actividad. Ante un incidente, será imprescindible reconstruir qué instrucciones recibió el agente, qué acciones ejecutó, qué sistemas consultó y qué usuario autorizó el proceso.

El riesgo de una confianza excesiva

A medida que los agentes se vuelvan más naturales, aumentará el peligro de atribuirles más competencia de la que realmente tienen. Una voz fluida y segura puede hacer que el usuario asuma que el sistema comprende perfectamente el contexto, aunque esté interpretando mal una instrucción.

La facilidad de conversación puede ocultar la complejidad de la tarea. Pedir mediante voz “envía la propuesta definitiva” parece sencillo, pero exige saber qué versión es la correcta, quién debe recibirla, qué archivos deben adjuntarse y si existe autorización para enviarla.

Las empresas deberán diseñar mecanismos que hagan visible la incertidumbre. El agente debe informar cuando no está seguro, solicitar aclaraciones y mostrar un resumen antes de ejecutar acciones irreversibles.

La confianza debería basarse en controles y evidencias, no únicamente en la naturalidad de la interacción.

Cómo deberían prepararse las empresas

Las organizaciones deberían comenzar identificando procesos en los que la combinación de voz y acción puede aportar valor sin introducir un riesgo excesivo. Las primeras implantaciones deberían centrarse en tareas repetitivas, reversibles y fáciles de verificar.

También será necesario definir qué aplicaciones puede utilizar el agente, qué información puede consultar y qué acciones requieren aprobación. Cada caso de uso debería contar con un responsable, criterios de éxito, indicadores de error y un procedimiento de interrupción.

La formación será esencial. Los empleados deberán aprender a formular instrucciones claras, revisar resultados, reconocer comportamientos inesperados y evitar compartir información que el agente no necesita.

Las empresas también deberían probar estos sistemas en entornos controlados antes de permitirles actuar sobre información real. Un agente puede mostrar un rendimiento excelente en una demostración y fallar cuando se enfrenta a excepciones, interfaces cambiantes o datos incompletos.

El nacimiento del asistente operativo universal

OpenAI define los agentes como aplicaciones capaces de planificar, utilizar herramientas, colaborar con otros sistemas especializados y mantener el estado necesario para completar tareas de varios pasos.

La evolución de GPT-Live y Computer Use apunta hacia un asistente capaz de actuar como una capa operativa universal. En lugar de limitarse a una aplicación concreta, podría coordinar diferentes herramientas y acompañar al usuario durante todo el trabajo.

Este asistente podría comenzar una tarea a partir de una conversación, continuarla en segundo plano, pedir aprobación cuando resulte necesario y presentar el resultado terminado. La persona mantendría el control del objetivo y de las decisiones importantes, mientras la IA se encargaría de la ejecución.

La idea no es únicamente que la máquina responda mejor, sino que pueda completar trabajo real. Esto modifica la posición de la inteligencia artificial dentro de la empresa: pasa de ser una herramienta de consulta a convertirse en una infraestructura de acción.

De aprender a utilizar software a aprender a dirigir agentes

Durante décadas, la competencia digital consistía en aprender a utilizar aplicaciones. Los profesionales debían dominar hojas de cálculo, plataformas de gestión, sistemas de diseño o herramientas de comunicación.

En el nuevo entorno, una parte de esa competencia consistirá en saber dirigir agentes. Los trabajadores deberán definir objetivos, aportar contexto, establecer límites, revisar decisiones y detectar errores.

Las personas que sepan delegar correctamente en sistemas de IA podrán manejar una cantidad mucho mayor de información y ejecutar procesos más complejos. El valor profesional se desplazará desde la realización manual de cada paso hacia la capacidad de diseñar, supervisar y mejorar el trabajo automatizado.

Esto no elimina la necesidad de conocimientos técnicos o sectoriales. Al contrario, cuanto más autónomo sea el agente, más importante será que la persona responsable pueda valorar si el resultado es correcto.

Una transformación profunda de la productividad

La productividad empresarial ha dependido tradicionalmente de mejorar herramientas y procesos. Los agentes introducen una nueva posibilidad: aumentar la capacidad de ejecución de cada profesional.

Un directivo podría dirigir varios procesos simultáneamente. Un equipo comercial podría automatizar la preparación y el seguimiento de oportunidades. Un departamento administrativo podría reducir el tiempo dedicado a transferir datos entre sistemas. Un profesional podría completar mediante una conversación tareas que antes requerían abrir numerosas aplicaciones.

Sin embargo, la productividad real no debe medirse únicamente por la velocidad. También deberá tener en cuenta la calidad, los errores, la seguridad y el coste de supervisión. Un sistema que ejecuta una tarea rápidamente pero necesita una revisión exhaustiva puede no generar el ahorro esperado.

Las empresas que obtendrán mayor valor serán aquellas que rediseñen sus procesos alrededor de estas capacidades, en lugar de limitarse a añadir un agente sobre métodos de trabajo ineficientes.

El futuro de la relación entre humanos y ordenadores

La combinación de voz continua y control del ordenador puede representar uno de los cambios más importantes en la informática personal desde la aparición de las interfaces gráficas y los teléfonos inteligentes.

Durante décadas, las personas han tenido que adaptarse al lenguaje de las máquinas: comandos, menús, formularios, botones y estructuras de navegación. Los nuevos agentes intentan invertir esa relación. Será el ordenador quien interprete las intenciones humanas y decida cómo operar las herramientas necesarias.

La voz permite expresar objetivos de una forma natural. El razonamiento permite descomponerlos en pasos. El uso de herramientas proporciona acceso a información y servicios. El control del ordenador permite ejecutar acciones en entornos que no fueron diseñados para agentes.

La unión de estas capacidades acerca la posibilidad de un asistente que no solo converse, sino que observe, comprenda, actúe y colabore.

Un futuro donde la IA escucha, habla y actúa

OpenAI está avanzando desde el modelo tradicional de chatbot hacia sistemas capaces de mantener conversaciones continuas y ejecutar tareas sobre aplicaciones reales. GPT-Live representa un paso hacia una voz más natural, capaz de escuchar y responder simultáneamente, gestionar interrupciones y decidir cuándo debe utilizar herramientas. Computer Use y ChatGPT agent aportan la capacidad de navegar por interfaces, operar aplicaciones y completar procesos de varios pasos.

La combinación de ambas líneas tecnológicas puede convertir la voz en el principal instrumento para dirigir el trabajo digital. En lugar de pedir respuestas aisladas, los usuarios podrán delegar objetivos completos y supervisar su ejecución mediante una conversación.

El potencial empresarial es enorme, pero también lo son los riesgos. El acceso a ordenadores, documentos y aplicaciones exige controles de permisos, confirmación humana, trazabilidad, protección de datos y mecanismos de defensa frente a instrucciones maliciosas.

La próxima etapa de la inteligencia artificial no estará definida únicamente por modelos capaces de razonar mejor. Estará marcada por sistemas capaces de escuchar, hablar y actuar. Las organizaciones que aprendan a gobernar estos agentes podrán transformar su productividad, mientras que aquellas que los adopten sin controles pueden convertir una herramienta poderosa en una nueva fuente de riesgo.