Cuando tu agente deja de hacer las cosas en orden

Hasta ahora, trabajar con un agente de IA tenía un ritmo conocido: le pides algo, hace el trabajo, te lo entrega, lo revisas, decides el siguiente paso. Ese ritmo —pedir, esperar, revisar, decidir— es lento, pero tiene una virtud que se nota poco hasta que se pierde: tu atención y el trabajo del agente avanzan a la misma velocidad. Nunca hay más de un resultado pendiente de que lo mires.

Lo que OpenAI presentó el 16 de octubre, dentro de GPT-6 Pro, rompe ese ritmo a propósito. Según su propia nota de lanzamiento, el modelo puede dividir una tarea entre varios agentes que corren de forma simultánea en vez de avanzar paso por paso, y deja que sigas el progreso de cada uno desde el chat. Cuando terminan, puedes abrir cada parte por separado para ver exactamente qué hizo cada agente.

La promesa es obvia: si antes una tarea con tres partes tomaba tres turnos de espera, ahora toma uno. Lo que no es obvio, y es de lo que trata esta pieza, es qué le pasa al otro lado de ese trato —a la persona que tiene que revisar lo que entregan esos tres agentes cuando los tres terminan casi al mismo tiempo.

Qué cambia exactamente, según quien lo hizo

La nota de OpenAI es clara en lo que ofrece: GPT-6 Pro puede tomar una tarea, partirla en partes que no dependen unas de otras, y correrlas al mismo tiempo en vez de en secuencia. El usuario ve el avance de cada parte mientras ocurre, y al terminar puede entrar a cada una para revisar qué hizo ese agente en particular, en vez de recibir solo un resultado final ya mezclado.

La función llega dentro de GPT-6 Pro, que forma parte de los planes Pro, Business y Enterprise de ChatGPT —el plan Plus no lo incluye—, como parte del mismo paquete de octubre que también hizo más rápidas las respuestas y mejoró cómo el modelo usa herramientas y plugins durante una tarea. OpenAI no publicó cifras de cuánto tiempo se ahorra ni de cuántos agentes puede correr a la vez; lo que sí describe con precisión es el mecanismo: división en partes independientes, ejecución simultánea, revisión por partes.

Conviene no sumarle a esto lo que no dijo. Que una tarea se pueda dividir en partes no significa que las partes sean sencillas, ni que el resultado de cada una venga garantizado como correcto. Sigue siendo el mismo modelo haciendo el trabajo —solo que ahora varias copias de ese trabajo llegan a tu bandeja casi al mismo tiempo, en vez de una por una.

El cuello de botella no era la máquina — ya no se puede fingir que lo era

Durante los últimos dos años, cada mejora de velocidad en IA se vendió con la misma lógica implícita: si el agente trabaja más rápido, tú avanzas más rápido. Es cierto cuando el límite real está en la máquina —cuando lo que te detiene es esperar a que termine de escribir, de buscar, de generar.

Pero en la mayoría del trabajo de negocio, ese nunca fue el límite real. El límite real es cuánto puede revisar, con cuidado, una persona en un día. Mientras los agentes trabajaban uno a la vez, ese límite quedaba escondido: nunca te pedían revisar más de una cosa al mismo tiempo, así que el ritmo de la máquina y el ritmo de tu atención coincidían, aunque fuera por accidente.

Los agentes en paralelo quitan ese accidente de en medio. Ahora la máquina puede producir tres, cinco, diez resultados en el tiempo que antes tomaba uno. Tu capacidad de revisar con cuidado no cambió en absoluto. La pregunta que esta función obliga a contestar —y que antes se podía posponer indefinidamente— es qué haces con la diferencia entre esas dos velocidades.

Un negocio que manda varios reportes el mismo día

Pensemos en un caso real, sin nombrarlo: una empresa de servicios que, cada cierre de mes, prepara un reporte de avance para cada uno de varios clientes distintos. El contenido de cada reporte depende de un cliente distinto, pero la estructura es la misma, y hasta ahora el trabajo con IA se hacía reporte por reporte: se pedía el primero, se revisaba, se aprobaba, se pedía el segundo.

Ese ritmo, aunque lento, tenía una ventaja que nadie pedía explícitamente: la persona que revisaba nunca tenía más de un reporte pendiente de leer con cuidado. Cada error que encontraba en el reporte de un cliente se corregía antes de empezar el siguiente, así que los errores no se repetían de un reporte a otro.

Con agentes en paralelo, ese mismo negocio puede pedir los seis reportes del mes a la vez. La ganancia de tiempo en la parte de la máquina es real e inmediata. Pero ahora los seis llegan casi juntos, y si el primero tenía un error de criterio —una forma de calcular mal un dato, un tono que no es el correcto para ese cliente— ese mismo error puede estar repetido en los otros cinco, porque ninguno se corrigió antes de que empezaran los demás. La revisión que antes corregía sobre la marcha ahora tiene que detectar el mismo fallo multiplicado, de golpe.

Eso no significa que paralelizar sea mal negocio aquí —al contrario, para este caso casi seguro lo es, porque los seis reportes son partes genuinamente independientes entre clientes. Significa que el ahorro de tiempo en la producción tiene que ir acompañado de un cambio en cómo se revisa: ya no una corrección continua, sino una revisión por lote, diseñada a propósito para detectar un error repetido antes de mandar los seis.

Vale la pena quedarse un momento en qué hace que estos seis reportes sean "partes independientes" de verdad, porque es la misma pregunta que vas a tener que hacerte con tu propio trabajo. No basta con que se puedan producir por separado — lo que importa es si el resultado de uno cambia en algo lo que debería decir otro. En este caso, el reporte del cliente A no necesita que el reporte del cliente B ya esté terminado, y ninguno de los dos depende de una decisión que se tome mientras se escribe el otro. Esa es la prueba real de independencia, no simplemente que sean seis documentos distintos.

La idea no es nueva — lo nuevo es a quién le toca ahora

Dividir un trabajo en partes y hacerlas al mismo tiempo no es una idea que inventó esta función. Es, literalmente, cómo funciona un equipo: un gerente de obra no espera a que el electricista termine para que el plomero empiece, si sus tareas no dependen entre sí. La diferencia es que, cuando quien divide el trabajo es una persona, también suele ser la misma persona —o alguien designado a propósito— quien después se encarga de revisar que las piezas encajen.

Cuando quien divide el trabajo es el modelo, esa segunda parte no viene incluida. GPT-6 Pro decide cómo partir la tarea y la ejecuta, pero no decide quién la va a revisar después ni con qué orden de prioridad. Esa decisión sigue siendo, por completo, tuya —y es la que más fácil se le olvida tomar a quien solo ve la demostración de qué tan rápido terminó todo.

Por eso el salto real de esta función no está en la velocidad de la máquina, que ya venía mejorando lanzamiento tras lanzamiento. Está en que, por primera vez para la mayoría de los usuarios de ChatGPT, la decisión de cuánto trabajo correr al mismo tiempo deja de limitarla el ritmo con que uno mismo pide las cosas, y empieza a limitarla solo lo que uno decida pedir de una sola vez.

Lo que la velocidad no resuelve, y que nadie te va a avisar

Hay una trampa específica de esta función, y es la de medir el éxito por cuánto más rápido se produjo el trabajo, en vez de por cuánto tardó en estar listo para usarse de verdad. Si diez partes terminan en el tiempo que antes tomaba una, pero nadie las revisa el mismo día porque no hay tiempo humano para diez revisiones juntas, lo único que cambió es dónde se acumula la espera: antes esperaba la máquina, ahora espera tu bandeja de pendientes.

Es la misma lección que ya habíamos encontrado al hablar de agentes que trabajan sin supervisión durante horas: la velocidad de la máquina nunca es el límite que de verdad importa en un negocio. El límite es cuánta de esa producción un humano puede validar con cuidado, y ese número no se mueve solo porque el proveedor anuncie una función nueva.

Esto no quiere decir que la función no valga la pena. Quiere decir que el beneficio real no está garantizado por el anuncio — está condicionado a que tu proceso de revisión cambie junto con tu proceso de producción. Las empresas que van a sacarle provecho real a esto no son las que más rápido empiecen a usarla, sino las que primero se pregunten quién, cuándo y con qué criterio va a revisar lo que llegue multiplicado.

Cuántas partes a la vez, para empezar

No hay una cifra oficial de cuántos agentes se pueden correr al mismo tiempo, y tampoco la vamos a inventar. Lo que sí podemos ofrecer es un criterio para decidir tu propio número, en vez de usar el máximo que la herramienta te deje usar la primera vez que la prueves.

Empieza con dos partes, no con diez. La razón no es técnica, es de revisión: dos resultados te dejan comparar uno contra el otro y notar si el modelo está repitiendo el mismo error en ambos, algo casi imposible de ver cuando revisas diez cosas corridas y la atención ya se te fue hacia la mitad. Si el patrón de revisión con dos partes te convence —si de verdad encuentras los errores antes de que salgan de tu escritorio—, sube a tres o cuatro la siguiente vez. Si ya con dos sientes que revisaste por encima, el problema no se arregla agregando más partes: se arregla quitando alguna.

Hay una señal clara de que vas demasiado rápido: si terminas de revisar un lote exactamente en el tiempo que tenías libre, en vez de en el tiempo que la revisión de verdad necesitaba. Eso no es que te haya alcanzado el tiempo. Es que ajustaste el cuidado de la revisión al tiempo que tenías, no al revés.

Cuándo no te sirve

Si tu tarea tiene pasos que dependen uno del otro. Dividir en partes algo que necesita avanzar en orden no lo acelera: produce partes a medio terminar que después hay que corregir cuando se descubre que el paso dos necesitaba algo distinto del paso uno.

Si solo hay una persona para revisar, y ya está al límite. Que la máquina trabaje en paralelo no multiplica la capacidad de quien revisa. Si esa persona hoy apenas alcanza a revisar un resultado a la vez con cuidado, recibir varios juntos no la ayuda — la presiona a revisar peor o a acumular pendientes.

Si no tienes GPT-6 Pro. La función vive en los planes Pro, Business y Enterprise; el plan Plus no la incluye todavía. No hay manera de probarla fuera de esos planes mientras OpenAI no cambie el reparto.

Si el costo de un error no es el mismo en todas las partes. Si una de las partes es mucho más riesgosa que las demás —por ejemplo, la que sí llega directo a un cliente final, contra las que son borrador interno—, meterla en el mismo lote que las demás significa que puede pasar desapercibida entre partes de menor riesgo. Esa parte se revisa aparte, siempre, sin importar cuánto tiempo ahorre juntarla con las otras.

Si nadie mide todavía cuánto tarda hoy en revisar una sola parte. Sin ese número de referencia, no hay forma de saber si paralelizar te está ahorrando tiempo de verdad o solo te está dando la sensación de avanzar más rápido porque la máquina terminó antes. La sección siguiente es, justamente, cómo conseguir ese número.

Lo que sí puedes medir, aunque OpenAI no lo haya publicado

Ya que no hay una cifra oficial de cuánto tiempo ahorra correr partes en paralelo, el único número confiable es el que midas tú mismo, con tu propio trabajo. No hace falta una herramienta nueva para esto: basta con anotar, las próximas dos o tres veces que hagas esta tarea, cuánto te toma revisar con cuidado una sola parte y cuánto te toma revisar un lote completo cuando llegan varias juntas.

Si el tiempo de revisión por lote es menor que el tiempo de revisión por parte multiplicado por el número de partes, la paralelización te está ahorrando algo real — probablemente porque varias partes comparten el mismo tipo de error y, una vez que lo detectas en la primera, lo reconoces más rápido en las demás. Si el tiempo de revisión por lote es igual o mayor, lo único que ganaste fue que la máquina esperó menos; tú sigues esperando lo mismo, o más.

Esa comparación, hecha con tus propios minutos y no con los que promete un anuncio, es la diferencia entre adoptar una función porque suena bien y adoptarla porque de verdad le quita trabajo a tu semana.

Qué hacer el lunes

Paso 1 (15 minutos). Elige una tarea que repitas con varias partes —reportes por cliente, publicaciones por canal, correos por cuenta— y pasa el checklist de arriba sobre ella, parte por parte. Si no puedes contestar la pregunta 2, ese es tu límite real, no el de la máquina.

Paso 2 (20 minutos). Si tienes GPT-6 Pro, pide dos o tres partes de esa tarea en paralelo, por primera vez, y cronometra cuánto te toma revisarlas con el mismo cuidado con el que revisas una sola. Compáralo contra tu tiempo de revisión de siempre multiplicado por el número de partes.

Paso 3 (10 minutos). Decide por escrito quién revisa primero cuando varias partes terminan juntas, y con qué criterio —no quién esté libre primero, sino cuál parte cuesta más si sale mal. Sin esa decisión tomada de antemano, la revisión se hace al azar, justo el día que más importa que no sea así.