Imagina a un científico de datos en Santiago o São Paulo. Cada semana recibe una lluvia de preguntas de negocio: ¿por qué cayó la conversión en México? ¿qué campaña rindió mejor en Colombia? ¿cuándo vamos a perder a nuestro cliente más grande? Responde con informes, dashboards y pipelines que, en promedio, le toman horas o días. Ahora OpenAI ha puesto a su disposición un asistente que promete hacer gran parte de ese trabajo por él, y no solo redactar informes, sino ejecutarlos.
Se llama ChatGPT Work, corre sobre GPT-5.6 y no es un chat más. Es un agente que accede al escritorio, a las aplicaciones, al navegador y a los datos del usuario, y que puede tomar un borrador, una hoja de cálculo o una nota y convertirlo en un producto terminado: un panel de KPI, un pipeline de características o un informe ejecutivo. La compañía lo presenta como el heredero natural de Codex y la evolución de su oferta empresarial, con más de 1.400 complementos y funciones como 'Sites' para crear aplicaciones web interactivas a partir de datos.
Para los equipos de datos de América Latina, que a menudo operan con equipos reducidos, presupuestos ajustados y la necesidad de demostrar valor rápido, la promesa es enorme. Pero también implica repensar la forma de trabajar. Aquí va una guía práctica basada en los casos de uso que OpenAI ha documentado.
1. Convertir preguntas de negocio en planes analíticos ejecutables
Uno de los dolores más frecuentes es traducir las preguntas de los stakeholders en un plan de análisis estructurado. ChatGPT Work puede hacerlo a partir de archivos adjuntos. Según OpenAI, en el plan de análisis de crecimiento de clientes que genera, la herramienta define métricas principales (como nuevos usuarios de pago por región), métricas de apoyo (tasa de conversión de prueba a pago, CAC por canal) y objetivos cuantificables, como aumentar la conversión pagada en un 12 % en mercados de alto crecimiento, entre ellos LATAM.
Pasos prácticos:
- Sube los archivos con las preguntas de los stakeholders (un documento Word o un Excel).
- Pídele: “Traduce estas preguntas en un plan analítico de seis semanas.”
- Revisa el enfoque que propone (puedes ajustarlo antes de que empiece).
- Automatiza la generación de ese plan como punto de partida para la reunión de kickoff.
2. Construir pipelines de características listos para producción
Ningún modelo de machine learning funciona sin características bien definidas. En el ejemplo de SteamForge A.I. , ChatGPT Work tomó un esquema de eventos de usuario y definiciones de características, y generó la lógica de transformación SQL, las pruebas de validación (nulos, rangos, integridad de joins) y hasta las aserciones automatizadas con _DataGuard CI_.
Pasos prácticos:
- Proporciona el esquema de datos (JSON) y el archivo con las definiciones de características (XLSX).
- Indica: “Genera transformaciones SQL y verificaciones de validación a partir de este esquema.”
- El asistente devuelve scripts versionados y un conjunto de pruebas listas para integrar en tu pipeline de CI/CD.
- Descarga los archivos .sql y las configuraciones de pruebas para revisarlos antes del despliegue.
3. Detectar y corregir derivas del modelo antes de que impacten el negocio
Para Nsyte Systems, ChatGPT Work generó un informe de deriva del modelo que detectó un cambio significativo en la duración de las sesiones móviles tras una actualización de producto. El informe incluyó la magnitud de la deriva (0,42), la característica afectada, el grupo (usuarios móviles iOS y Android), el impacto en precisión (–3,2 %) y los indicadores de causa raíz.
Pasos prácticos:
- Conecta los datos de monitoreo del modelo (por ejemplo, registros de inferencia).
- Pide: “Resume la deriva del modelo: qué cambios presenta, qué impacto tiene y cuál es el plan de remediación.”
- ChatGPT Work puede incluso sugerir acciones correctivas, como reentrenar con datos posteriores al cambio.
4. Crear paneles ejecutivos que unifiquen métricas y cuenten una historia
Un dashboard no es solo un conjunto de gráficos; debe contar una historia que guíe la toma de decisiones. En el caso de Aurora Insights Group, ChatGPT Work produjo un storyboard de dashboard que consolidó ingresos por región, retención de clientes y tendencias de abandono, y lo exportó como presentación .pptx con anotaciones y temas de discusión.
Pasos prácticos:
- Carga los archivos de análisis (notebooks, CSV).
- Solicita: “Crea un storyboard del panel de control con KPIs, factores impulsores, alertas y responsables.”
- Revisa el borrador y ajústalo. Puedes pedir que exporte a JSON para ingesta en herramientas de BI.
Antes de empezar: una advertencia necesaria
ChatGPT Work promete eficiencia, pero también exige gobernanza. Los datos confidenciales, los modelos internos y la lógica de decisión deben permanecer bajo control. OpenAI asegura que por defecto no entrena con los datos del usuario y ofrece SSO, autenticación multifactor y áreas de trabajo exclusivas. Sin embargo, en la práctica, cada equipo debe definir qué información puede compartir con el asistente y cuál no. Para un equipo latinoamericano que quiera adoptar esta herramienta, lo más sensato es empezar con un caso de alto impacto y bajo riesgo —por ejemplo, la automatización de un informe semanal de KPI—, validar los resultados y escalar desde ahí. El asistente está disponible en macOS, próximamente en Windows, y para los planes Plus, Pro, Business, Enterprise y Edu. La pregunta ya no es si puede hacer el trabajo, sino cómo aprovecharlo sin perder el control ni la confianza en los datos.
