OpenAI confirma un crecimiento semanal del 2.5x en sus productos agente: Codex (el editor de código enterprise) y ChatGPT Work. Sam Altman declaró que la demanda de GPT-5.6 Sol es “insane” y podría causar problemas de infraestructura mientras las instalaciones escalan.

La reacción del ecosistema fue inmediata: JetBrains añadió Codex como agente recomendado en su IDE, mientras OpenAI publicó guías operativas que muestran cómo equipos de data science y sales usan ChatGPT Work en tareas reales—las documentamos el 14 de julio.

Por qué te importa. Si trabajas con código o diriges equipos que lo escriben, esta es la señal de que la agenticidad de coding no es más un experimento: es infraestructura de producción, con respaldo de IDE mainstream y guías operativas verificables. El punto de inflexión no es la tecnología—GPT-5.6 Sol ya estaba disponible hace días—sino la integración en los flujos cotidianos y el hecho de que los equipos estén documentando qué funciona realmente.

En detalle

De dónde viene el crecimiento.

El crecimiento 2.5x semanal de Codex + ChatGPT Work llega en un contexto específico: GPT-5.6 Sol está en el mercado hace diez días (lanzado el 10 de julio) y está demostrando performance concreto en tareas complejas de coding. El modelo Ultra incluso demostró una conjetura matemática abierta hace 50 años el 12 de julio.

Pero el dato de crecimiento no es solo el modelo: es el ecosistema en movimiento. JetBrains, que domina las IDE enterprise, eligió Codex como agente recomendado—un respaldo que cuenta tanto como una certificación. Y OpenAI publicó dos guías operativas sobre data science y sales, mostrando workflows verificables en lugar de promesas vagas.

La infraestructura bajo presión.

Sam Altman añadió un detalle significativo: la demanda de GPT-5.6 Sol podría causar “problemas de escalado” mientras la infraestructura se adapta. No es un problema de capacidad absoluta—OpenAI tiene el hardware—sino de distribución geográfica y latencia. Cuando un millón de usuarios al día comienzan a usar un modelo para sesiones largas (los agentes de coding trabajan durante horas, no minutos), la presión en los clusters es diferente a la de un chat rápido.

Qué significa para quién usa agentes de coding.

Si usas Claude Code, viste una serie de lanzamientos rápidos en las últimas dos semanas (v2.1.212, v2.1.211, v2.1.210): Anthropic está corriendo para mantenerse al ritmo. Si usas Codex en empresa, ahora tienes la integración JetBrains y las guías operativas de OpenAI para mostrar al equipo.

El patrón que emerge es claro: los agentes de coding no son más un juguete para early adopters. Son herramientas que los equipos usan cada día, que las IDE mainstream recomiendan, y sobre las que las empresas documentan workflows repetibles. La competencia no es más “qué modelo es más potente”, sino “qué ecosistema te deja trabajar mejor”.

Los límites aún abiertos.

OpenAI reinició múltiples veces los límites de uso en las últimas semanas, señal de que la calibración entre demanda y capacidad aún está en curso. Y como contamos el 12 de julio, el overhead de tokens antes incluso de llegar a tu prompt varía mucho entre herramientas: Claude Code envía 33k tokens, OpenCode 7k. Con un crecimiento del 2.5x semanal, estos detalles de eficiencia marcan la diferencia entre un servicio usable y uno que te hace esperar.

La lección: si estás evaluando un agente de coding para tu equipo, mira los workflows documentados (OpenAI acaba de publicar dos), prueba la integración IDE donde ya trabajas (JetBrains ahora recomienda Codex), y mide el overhead de tokens más allá de la calidad del output: los gráficos de commits de quien lo mide sistemáticamente muestran el impacto real.