OpenAI ha publicado dos guías que documentan cómo los equipos de data science y ventas usan ChatGPT Work en la práctica. Las guías muestran flujos de trabajo completos: los data scientists construyen resúmenes de análisis de causa raíz, reportes de impacto, memorandos sobre KPI, análisis delimitados y especificaciones de dashboard a partir de insumos de trabajo reales. Los equipos de ventas producen resúmenes de pipeline, paquetes de preparación de reuniones, revisiones de pronósticos, planes de cuenta y diagnósticos de acuerdos estancados.

Por qué te importa. Como contábamos el 10 de julio, ChatGPT Work pasó de ser un anuncio a convertirse en herramienta operativa. Estas guías son documentación de adopción real: casos de uso concretos en lugar de demostraciones genéricas, con los insumos que estos equipos realmente tienen y los resultados que deben producir. Si tu trabajo se parece a uno de estos escenarios, tienes un mapa verificable desde donde partir.

Dónde mirar. Las guías están en la sección Academy de OpenAI. Cada flujo de trabajo se describe con insumos típicos, pasos y resultado esperado. No son tutoriales para seguir al pie de la letra, sino esquemas para adaptar a tu caso: los data scientists de tu equipo trabajan con los mismos materiales (datos, dashboards, resúmenes), y los vendedores preparan las mismas cosas (pipelines, pronósticos, diagnósticos). El valor está en ver la estructura: qué darle al agente, cómo descomponerlo, qué verificar.

En detalle

El contexto

ChatGPT Work fue anunciado el 10 de julio junto con GPT-5.6 como agente capaz de operar en apps y archivos para proyectos de largo plazo. Hasta ahora faltaba la documentación sobre cómo los equipos lo estaban usando en la práctica: estos dos documentos llenan ese vacío.

Qué dicen las guías

La guía para data science cubre cinco tipos de resultados recurrentes: resumen de análisis de causa raíz (encontrar la causa de una anomalía), reporte de impacto (cuantificar el efecto de un cambio), memorando sobre KPI (sintetizar el desempeño de un indicador), análisis delimitado (responder una pregunta definida con los datos correctos) y especificación de dashboard (traducir una solicitud de visualización en requisitos técnicos). Cada tipo parte de materiales reales: conjuntos de datos, consultas SQL, notas de reuniones.

La guía para ventas documenta cinco flujos de trabajo: resumen de pipeline (estado actual de las oportunidades), paquete de preparación de reuniones (materiales para una reunión con el cliente), revisión de pronósticos (previsiones de cierre con nivel de confianza), plan de cuenta (estrategia para un cliente específico) e diagnóstico de acuerdos estancados (por qué una oportunidad no se cierra). También aquí, insumos concretos: CRM, emails anteriores, transcripciones de llamadas.

Qué cambia para quienes usan ChatGPT Work

Antes de estas guías, la única documentación disponible era el anuncio general. Ahora quienes trabajan en estos roles tienen una estructura de partida verificable: no un tutorial para copiar, sino ejemplos de cómo otros equipos descompusieron sus tareas recurrentes. La estructura importa más que los detalles: insumos típicos, pasos intermedios, resultado esperado, qué verificar.

Estas guías también muestran los límites: cada flujo de trabajo asume que los datos son accesibles y bien formateados, que el agente tiene los permisos correctos, y que alguien verifica el resultado antes de usarlo. No es automatización completa, es asistencia en tareas que aún requieren supervisión.

Implicaciones

La publicación de guías operativas en lugar de solo demostraciones genéricas señala que OpenAI considera ChatGPT Work maduro para adopción empresarial. Las guías son públicas: cualquiera puede leerlas y adaptarlas, no se necesitan cuentas corporativas. Esto reduce la barrera de adopción, pero también plantea la cuestión de la capacitación: los equipos tendrán que entender cómo adaptar estos flujos de trabajo a sus propios procesos sin copiar acríticamente.

Otra señal: las guías se concentran en resultados intermedios (resúmenes, memorandos, especificaciones), no en decisiones finales. El agente prepara el material, pero la decisión sigue siendo humana. Es coherente con el ángulo del sitio: la IA potencia a las personas, no las reemplaza.