Qué cambia cuando la IA sigue trabajando después de cerrar el chat

¿Qué cambia cuando la IA sigue trabajando después de cerrar el chat?

Para quien lleva un negocio o coordina un equipo, la pregunta es práctica: qué parte de una tarea puede avanzar mientras atiendes otra cosa y qué necesitas comprobar cuando vuelves. Una investigación, una comparación o un borrador pueden ser buenos puntos de partida. La utilidad de esa delegación se evalúa en el resultado y en lo que costó revisarlo.

El 29 de septiembre de 2026, OpenAI presentó dots como agentes que pueden mantener trabajo en marcha entre conversaciones, con su propio computador en la nube y las apps que el usuario conecta. El anuncio describe objetivos que siguen avanzando y resultados que vuelven para revisión.

El acceso se está desplegando gradualmente. La ayuda oficial distingue Pro según mercado, Business Premium y la beta de Enterprise habilitada por un administrador. Antes de planificar una prueba, conviene comprobar la disponibilidad en la cuenta y las conexiones necesarias.

Una posible aplicación para un negocio es diseñar una delegación con continuidad: definir el objetivo, dejar que avance dentro de sus límites y volver a revisar lo que produjo. Esa posibilidad todavía debe probarse en el trabajo concreto de cada equipo.

Una petición como «ayúdame con la operación» deja demasiadas decisiones abiertas. Conviene empezar con una tarea cuyo resultado puedas reconocer y revisar. Por ejemplo, comparar opciones para una necesidad específica o preparar un resumen a partir de documentos permitidos.

Antes de delegarla, escribe cinco cosas:

• El objetivo: qué pregunta quieres resolver

• Las fuentes: dónde puede buscar y qué información puede usar

• El entregable: qué debería devolverte

• Los límites: qué acciones puede realizar y cuáles necesitan aprobación

• El criterio de cierre: qué tendría que mostrar para dar el trabajo por terminado

Esto también ayuda a detectar una tarea mal elegida. Si no puedes definir cómo revisar el resultado, reduce el alcance antes de darle más responsabilidad.

Imaginemos un equipo que quiere comparar tres herramientas para coordinar su trabajo semanal. Este es un ejemplo ficticio para explicar el método; no describe una implementación de Agentic Engineering ni un resultado probado con dots.

El encargo podría ser: «Compara tres herramientas para un equipo pequeño que necesita asignar tareas y revisar avances. Usa la documentación pública de los proveedores. Devuélveme una comparación con enlaces, límites del plan consultado y dudas pendientes. No crees cuentas ni contactes a los proveedores».

El equipo tendría un punto de revisión concreto: comprobar si las funciones relevantes están documentadas, si las condiciones siguen vigentes y si la comparación responde a su necesidad. Si el enfoque se desvía hacia funciones que no importan, puede corregirlo. Si falta información, esa ausencia debe quedar visible.

El resultado esperado sería una comparación que facilite decidir. Para saber si se logró, habría que leerla, abrir sus fuentes y contrastarla con los requisitos. En este ejemplo, la elección de herramienta sigue en manos del equipo.

Conviene distinguir dos situaciones. Una tarea que ya encargaste puede continuar dentro de su autorización. Además, OpenAI describe investigación proactiva que busca información útil en fuentes conectadas permitidas. Las herramientas de esa investigación son de solo lectura: no pueden enviar mensajes a otras personas, cambiar contenido de las apps ni controlar el navegador o el computador. Las acciones posteriores siguen las reglas y comprobaciones habituales.

Cerrar el chat, por sí solo, no amplía el encargo. La autorización continúa ligada a lo que pediste. La documentación oficial también indica que las reglas siguen aplicándose al trabajo delegado y al que continúa en segundo plano. Los trabajos con consecuencias importantes requieren revisión, y algunas acciones sensibles necesitan aprobación o que el usuario las complete.

Una revisión sencilla puede empezar con tres preguntas:

• Permisos y alcance: ¿tenía acceso a las fuentes necesarias y se mantuvo dentro del encargo? Si una conexión falló o un documento quedó fuera, ¿lo indicó?

• Evidencia: ¿puedes abrir las fuentes y comprobar las afirmaciones importantes? ¿Distingue lo observado de una estimación o una propuesta?

• Decisión humana: ¿qué falta verificar y quién decide el siguiente paso?

Pide que el entregable deje claro qué se completó, qué quedó pendiente y por qué. Una lista de actividades no basta para demostrar que el objetivo se cumplió. En la comparación ficticia, encontrar tres sitios sería un avance; comprobar los requisitos y las limitaciones permitiría evaluar el resultado.

En una primera prueba, revisa también cuánto trabajo de corrección necesitó el equipo. Esa observación ayuda a decidir si conviene repetir el encargo, ajustar las instrucciones o mantener una revisión más cercana.

Si el equipo tiene apoyo técnico, una prueba acotada puede registrar las entradas utilizadas, las herramientas disponibles, los permisos concedidos y las acciones observadas. Conviene definir criterios de aceptación antes de empezar y conservar evidencia suficiente para contrastar el resultado.

Son estados diferentes: disponer de una herramienta, intentar una acción, recibir una respuesta y verificar que el cambio esperado ocurrió. Separarlos ayuda a localizar errores y evita dar una tarea por terminada solo porque el proceso siguió ejecutándose. Este es un criterio de evaluación propuesto; no una descripción de la arquitectura interna de dots.

Elige una tarea semanal de bajo riesgo y escribe el resultado que necesitarías ver para considerarla útil. Empieza con investigación o preparación de un borrador, limita las fuentes y define quién lo revisará. Después de probarla, compara lo recibido con ese criterio.

¿Qué tarea semanal le delegarías a un agente de IA y qué evidencia necesitarías para confiar en el resultado? Esa es una buena pregunta para empezar a explorar estas herramientas con tu equipo.