Los compañeros de trabajo de IA persistentes marcan la propuesta tercera era de OpenAI

OpenAI ha delineado una tercera era para sus productos, aunque los compañeros de trabajo de IA persistentes siguen siendo más una visión que un producto terminado. La afirmación llegó a muchos lectores a través de un titular de google news, pero sus implicaciones van más allá de otra función para el lugar de trabajo.

Tara Seshan, líder de producto de OpenAI para Codex y ChatGPT Work, describió tres etapas durante una aparición el 30 de agosto en Lenny’s Podcast. Primero llegó el chat. Después llegaron los agentes que completan tareas. Los compañeros de trabajo persistentes representan la siguiente etapa propuesta.

Esa progresión genera la tensión central. OpenAI quiere que la IA se convierta en un participante continuo del trabajo, pero la fiabilidad, la autorización, la memoria y la coordinación de equipos siguen sin resolverse. Anthropic, Microsoft y otros proveedores empresariales persiguen ideas relacionadas, lo que convierte esto en una competencia por la interfaz del futuro lugar de trabajo.

Lo que OpenAI realmente dijo sobre su tercera era

El planteamiento de OpenAI sobre la tercera era describe una relación de trabajo continua, no un empleado autónomo recién lanzado.

Los comentarios de Seshan surgieron durante una entrevista sobre desarrollo de productos, Codex, ChatGPT Work y el papel cambiante de los trabajadores del conocimiento. El episodio del podcast duró unos 82 minutos y se publicó el 30 de agosto de 2026.

Dividió la evolución de los productos de IA en tres períodos. El primero se centró en el chat, donde un usuario hace una pregunta y recibe una respuesta. El segundo introdujo agentes que persiguen objetivos y completan tareas de varios pasos.

El tercer período propuesto implica compañeros de trabajo de IA persistentes. Estos sistemas permanecerían conectados a los proyectos, conservarían el contexto de trabajo relevante y colaborarían durante períodos más largos. No partirían de un prompt vacío cada vez que un usuario regresara.

Seshan presentó esta etapa como algo que “podría llegar pronto”, no como una categoría de producto consolidada con especificaciones definidas. Esa distinción importa porque el informe inicial condensa una conversación amplia en un titular concluyente.

Un lector de google news podría interpretar razonablemente ese titular como un anuncio formal de OpenAI. La fuente original respalda una conclusión más cautelosa. Una líder sénior de producto describió la dirección que espera que adopten las interfaces de IA.

La palabra “persistente” admite varios significados. Puede referirse a la memoria entre sesiones, a la ejecución continua, al trabajo recurrente programado o al acceso a materiales compartidos de un proyecto. También puede describir a un agente que revisa regularmente el progreso con sus colaboradores humanos.

OpenAI no ha publicado una definición técnica única que cubra cada parte de esa visión. En cambio, la entrevista conecta varias capacidades existentes con una dirección de producto aún inacabada.

ChatGPT Work ya gestiona asignaciones más largas en archivos y aplicaciones conectadas. Codex puede dividir el trabajo técnico entre agentes paralelos. Los proyectos y las conversaciones sincronizadas preservan más contexto entre dispositivos y sesiones.

Estos componentes apuntan hacia la persistencia sin llegar a crear por completo un colega de IA. Un verdadero compañero de trabajo debe comprender objetivos cambiantes, reconocer límites organizativos y explicar lo que hizo. También debe saber cuándo detenerse.

La interfaz propuesta cambia la unidad de interacción. El chat comienza con un mensaje. Un agente comienza con una tarea delegada. Un compañero de trabajo persistente comenzaría con una responsabilidad continua y mantendría una relación de trabajo en torno a ella.

Pensemos en el lanzamiento de un producto. Un asistente de chat podría resumir entrevistas con clientes. Un agente podría analizar esas entrevistas y redactar un informe. Un compañero de trabajo persistente seguiría el lanzamiento, actualizaría el análisis, señalaría contradicciones y participaría en ciclos posteriores de planificación.

Ese papel continuo hace que la idea sea más trascendente que otra mejora de un chatbot. También introduce más formas en que un contexto incompleto o un acceso excesivo pueden provocar errores.

Por tanto, el titular recoge una tesis real de OpenAI, pero no una transición ya completada. La tercera era es un destino hacia el que OpenAI avanza mediante Work, Codex, apps, memoria e interfaces colaborativas.

Por qué importan ahora los compañeros de trabajo de IA persistentes

El cambio importa porque OpenAI está pasando de responder a los trabajadores a participar en flujos de trabajo que producen artefactos empresariales terminados.

OpenAI presentó ChatGPT Work el 9 de julio de 2026. La empresa afirma que el agente puede operar entre aplicaciones y archivos, permanecer con un proyecto durante horas y crear materiales terminados.

Esos resultados incluyen documentos, hojas de cálculo, presentaciones, informes y sitios web. Los usuarios pueden seguir el progreso, responder preguntas, redirigir el trabajo y aprobar acciones importantes.

Esto es diferente de generar texto dentro de una conversación. El agente debe recopilar información, decidir qué pasos seguir, utilizar software externo y mantener suficiente estado para completar una asignación más larga.

El anuncio de Work de OpenAI posiciona el producto como un socio para tareas ambiciosas. Ese lenguaje empieza a parecerse a la tesis del compañero de trabajo persistente, aunque Work sigue funcionando en torno a asignaciones iniciadas por los usuarios.

Seshan también describió un horizonte limitado para el desarrollo de productos. Su equipo intenta construir para los modelos que espera dentro de dos o tres meses. Diseñar solo para las capacidades actuales produce una interfaz desactualizada, mientras que predecir con un año de antelación se vuelve especulativo.

Ese enfoque explica por qué OpenAI habla de la tercera era antes de que cada capacidad de apoyo parezca madura. Los equipos de producto deben preparar modelos de interacción para habilidades que todavía están llegando.

El momento también refleja cambios de uso dentro de OpenAI. La empresa afirma que Codex pasó de ser una herramienta principalmente de ingeniería a utilizarse en labores de los departamentos jurídico, financiero, de contratación y otros.

En mayo de 2026, según se informó, más del 70 por ciento de los usuarios asignó a Codex trabajos que a una persona le llevarían más de una hora. En junio, los usuarios situados en el percentil 99 generaron más de 60 horas diarias de actividad de agentes en tareas paralelas.

Estas cifras proceden del propio análisis de OpenAI, por lo que no deben tratarse como mediciones independientes. Aun así, revelan qué comportamiento considera estratégicamente importante la empresa.

El estudio de uso de Codex afirma que la adopción entre quienes no desarrollan software creció más rápido que entre los desarrolladores después de agosto de 2025. El uso para investigación dentro de OpenAI también aumentó notablemente durante el período medido.

Las asignaciones más largas generan presión por la continuidad. Los usuarios no pueden supervisar eficientemente a varios agentes si cada sesión exige reconstruir el proyecto, las decisiones relevantes y las restricciones organizativas.

La persistencia promete reducir esa sobrecarga. Un agente que recuerda los objetivos aprobados, el trabajo reciente y las preguntas abiertas puede retomar la tarea con menos explicaciones. El contexto compartido también facilita la delegación dentro de un equipo.

Esto se parece al propósito de una base de conocimiento personal. La información almacenada se vuelve útil cuando un sistema puede recuperar el contexto adecuado durante el trabajo activo.

Sin embargo, la memoria organizativa es más difícil que la recuperación personal. Las empresas contienen documentos contradictorios, políticas cambiantes, restricciones de acceso y decisiones informales. Un compañero de trabajo debe distinguir la orientación vigente del material obsoleto.

Los equipos también necesitan entender de dónde obtuvo el agente su contexto. Un resultado pulido vale menos cuando los revisores no pueden rastrear sus supuestos ni determinar qué fuente determinó una decisión.

Por ello, los agentes persistentes presionan a varias categorías de software existentes. Los sistemas de gestión de proyectos deben admitir participantes de máquina. Las plataformas de conocimiento deben proporcionar contexto activo. Los sistemas de identidad deben representar autoridad delegada.

Las aplicaciones empresariales también se enfrentan a una nueva pregunta sobre la interfaz. Pueden seguir siendo destinos donde las personas realizan trabajo, o convertirse en servicios que los agentes operan bajo supervisión.

Por eso el planteamiento de la tercera era merece atención. OpenAI no solo predice mejores respuestas. Propone que la interfaz del lugar de trabajo organizará a personas, modelos, datos y herramientas en torno a objetivos continuos.

Google News recogió la afirmación, pero no la brecha de producto

El encuadre de google news hace que la transición parezca completa, mientras que el propio lenguaje de OpenAI describe una dirección con importantes piezas faltantes.

La agregación de noticias recompensa las declaraciones concisas. “Los compañeros de trabajo de IA persistentes son la tercera era de OpenAI” se difunde con más facilidad que un debate matizado sobre interfaces futuras, experimentos de producto y horizontes de planificación de modelos.

Esa compresión es útil para el descubrimiento. Es menos útil para entender qué pueden implementar hoy los compradores.

ChatGPT Work puede realizar asignaciones extensas, pero una asignación no es lo mismo que un rol duradero. Codex puede ejecutar agentes paralelos, pero una ejecución coordinada no crea automáticamente una comprensión organizativa compartida.

La memoria también sigue siendo más limitada que la continuidad humana. Un sistema puede almacenar el historial de conversaciones o archivos de proyecto sin comprender qué decisiones pasadas siguen siendo vinculantes. La recuperación y el juicio son problemas distintos.

La diferencia se vuelve clara en el trabajo recurrente. Imaginemos un agente que prepara una actualización semanal de producto a partir de entrevistas, mensajes de soporte, analítica y notas de ingeniería.

La primera ejecución requiere acceso, instrucciones, estándares de entrega y definiciones para las métricas importantes. Un compañero de trabajo persistente debería reutilizar esa configuración en ejecuciones posteriores sin congelar supuestos obsoletos.

Debería notar cuándo cambia el plan de lanzamiento. Debería preguntar si una nueva métrica sustituye a la anterior. Debería conservar la evidencia previa y, al mismo tiempo, evitar conclusiones que ya no correspondan.

También debe coordinarse con varias personas. Un gerente de producto, un diseñador y un ingeniero pueden discrepar sobre las prioridades. El acceso compartido no le indica a un agente qué instrucción controla el artefacto final.

Seshan describió la futura interfaz como multijugador. Grupos de personas dirigirían grupos de agentes en torno a información compartida y productos de trabajo. Ese modelo va más allá del patrón familiar de un usuario que dirige a un asistente.

El trabajo multijugador plantea cuestiones de propiedad. Alguien debe saber qué agente creó un artefacto, qué humano lo aprobó y qué sistema proporcionó los datos subyacentes.

Los conflictos se vuelven inevitables cuando los agentes reciben responsabilidades superpuestas. Dos agentes podrían editar la misma presentación, contactar al mismo cliente o interpretar una política de manera diferente.

Los equipos de software ya gestionan una coordinación similar mediante control de versiones, reglas de acceso, revisiones y registros de auditoría. Los compañeros de trabajo persistentes requieren controles equivalentes en el trabajo del conocimiento menos estructurado.

Esto ayuda a explicar la distinción de Seshan entre “dirigir” y “remar”. Los agentes realizan cada vez más la ejecución, mientras que las personas eligen la dirección, evalúan concesiones y toman decisiones con criterio.

La metáfora es convincente, pero dirigir puede exigir más atención cuando la ejecución es difícil de inspeccionar. Un gerente que supervisa a varios agentes opacos podría dedicar menos tiempo a producir trabajo y más a verificarlo.

Ese riesgo es especialmente relevante cuando la IA crea materiales terminados. Los errores pueden pasar de una respuesta a una hoja de cálculo, una presentación, un mensaje a un cliente o un sistema operativo antes de que alguien los detecte.

Por lo tanto, un compañero de trabajo persistente y útil necesita más que un tiempo de ejecución más largo. Necesita contexto duradero, autoridad explícita, procedencia visible, acciones controlables y mecanismos de escalamiento fiables.

OpenAI tiene elementos de esa infraestructura. Las apps de ChatGPT conectan fuentes externas. Work admite aprobaciones. Codex proporciona ejecución estructurada de tareas. Los controles empresariales restringen los recursos a los que pueden acceder los usuarios.

La brecha de producto consiste en combinar esas piezas en una relación fiable que perdure entre proyectos, personas y condiciones cambiantes.

Los lectores que lleguen a través de google news deberían interpretar la etiqueta de la tercera era como un mapa estratégico. No es prueba de que ya haya llegado un colega digital de propósito general.

OpenAI compite por controlar la interfaz del compañero de trabajo

La competencia principal enfrenta la colaboración persistente con IA al modelo actual de agentes aislados y orientados a tareas.

El rival más cercano de OpenAI no es una sola empresa. Es el patrón de interacción predominante en el que los usuarios abren una herramienta, asignan una tarea, revisan el resultado y vuelven a empezar.

Ese patrón limita la autonomía, pero contiene los fallos. El agente recibe contexto temporal, opera dentro de una sesión acotada y, por lo general, se detiene tras entregar una respuesta o un producto.

La persistencia elimina algunos de esos límites. El agente gana más tiempo, más contexto y, potencialmente, más acceso. Estas incorporaciones pueden mejorar su utilidad, al tiempo que aumentan el coste de los errores.

OpenAI quiere hacer manejable la persistencia mediante productos que conectan el chat, el trabajo de conocimiento y la programación. Seshan describió Chat, Work y Codex como modos distintos para diferentes tipos de actividad.

Chat sigue siendo útil para la búsqueda, el análisis y la conversación. Work gestiona encargos de conocimiento más amplios. Codex se centra en el desarrollo de software y la ejecución técnica.

Con el tiempo, un compañero de trabajo persistente podría moverse entre esos modos. Podría hablar sobre un objetivo en Chat, desarrollar un análisis mediante Work y pedir a Codex que cree una automatización de apoyo.

Ese recorrido integrado da a OpenAI una ventaja importante. La empresa puede conectar una interfaz conversacional muy utilizada con ejecución de agentes, herramientas para desarrolladores y datos del lugar de trabajo.

Sin embargo, Anthropic persigue un comportamiento similar de largo horizonte. Sus productos Claude hacen hincapié en la memoria entre sesiones, el trabajo prolongado, los agentes de programación y los flujos de trabajo empresariales.

Anthropic afirma que Claude Opus 4.7 puede mantener el contexto entre sesiones y gestionar proyectos de varios días. Al igual que las afirmaciones de OpenAI, esa descripción procede del proveedor y requiere evaluación en entornos concretos.

Microsoft también aborda el mercado a través de aplicaciones, identidad empresarial y agentes Copilot. Su distribución dentro de Microsoft 365 le da acceso inmediato a documentos, reuniones, correo electrónico y permisos organizativos.

Esta competencia no se limita a las puntuaciones de los modelos. La empresa que se convierta en la capa de coordinación del lugar de trabajo podrá mediar en cómo los agentes ven los datos, solicitan aprobación y producen resultados.

La confianza puede importar más que la autonomía bruta. Los compradores empresariales necesitan controles que reflejen las identidades existentes, las políticas de retención, las obligaciones regulatorias y la separación entre departamentos.

La calidad del contexto también importa. Un modelo con amplio acceso puede aun así seleccionar el documento equivocado o pasar por alto una decisión tomada durante una reunión no registrada.

Esto abre una oportunidad para los sistemas de conocimiento que organizan la información personal y de los equipos antes de que actúe un agente. Un flujo de trabajo de IA fiable necesita fuentes claras y puntos de revisión, no solo un prompt más largo.

La estrategia de producto de OpenAI también desafía los modelos tradicionales de precios y uso del software, incluso sin hablar de condiciones comerciales concretas. El software se ha vendido a menudo por licencias para usuarios humanos. Los agentes persistentes consumen recursos de forma continua y pueden realizar trabajo en varias aplicaciones.

Los proveedores deben decidir si los agentes cuentan como usuarios, integraciones, automatizaciones o una nueva categoría. Los clientes deben determinar quién es dueño de sus resultados y qué departamento paga la actividad subyacente.

También existe una competencia cultural. Los agentes orientados a tareas encajan con los hábitos de delegación establecidos. Los compañeros de trabajo persistentes piden a los equipos que traten el software como un participante con responsabilidades continuas.

Ese cambio exige nuevas prácticas de gestión. Los equipos deben asignar alcance, revisar resultados, registrar decisiones y retirar el acceso cuando cambien las responsabilidades.

OpenAI puede proporcionar la interfaz, pero los empleadores deben rediseñar el modelo operativo a su alrededor. La adopción se estancará si las organizaciones no pueden explicar quién sigue siendo responsable.

El enfoque ganador hará que la persistencia resulte controlable. Los usuarios deben poder inspeccionar el trabajo en curso, corregir supuestos, limitar la autoridad y recuperarse de errores sin reiniciar un proyecto entero.

Ese es un estándar más alto que producir una demostración impresionante. Requiere fiabilidad en condiciones laborales ordinarias, desordenadas y adversarias.

La persistencia amplía tanto la capacidad como el riesgo

Cada función que hace más útil a un compañero de trabajo de IA también da a los errores y ataques más tiempo para propagarse.

Un error de chat suele afectar a una sola respuesta. Un error de un agente persistente puede influir en decisiones posteriores porque el sistema puede almacenar, recuperar y basarse en una conclusión defectuosa.

La memoria incorrecta es una preocupación. Un agente podría conservar una decisión preliminar como definitiva, retener información obsoleta de clientes o asociar una instrucción con el proyecto equivocado.

El acceso crea otro problema. Un compañero de trabajo que prepara informes a partir de correo electrónico, documentos, calendarios y bases de datos internas necesita una visibilidad amplia. Esa visibilidad puede exponer material sensible cuando los permisos tienen un alcance mal definido.

Los derechos de acción elevan aún más lo que está en juego. Leer un registro de cliente es distinto de editarlo. Redactar un correo electrónico es distinto de enviarlo. Preparar código es distinto de desplegarlo.

Los compañeros de trabajo persistentes también consumen contenido no fiable. Los correos electrónicos, sitios web, documentos y mensajes pueden contener texto diseñado para manipular a un agente mediante inyección indirecta de prompts.

NIST describe el secuestro de agentes como un ataque en el que aparecen instrucciones maliciosas dentro de los datos que procesa un agente. El sistema puede entonces realizar una acción no intencionada mientras cree que está completando la tarea del usuario.

En una evaluación de NIST, los intentos repetidos elevaron la tasa media de éxito en los ataques seleccionados del 57 % al 80 %. Esos resultados procedían de una configuración experimental específica, no de todos los agentes desplegados.

El hallazgo aun así pone de manifiesto un problema de persistencia. Un sistema de larga duración encuentra más contenido y ofrece a los atacantes más oportunidades que una conversación breve y aislada.

El trabajo de seguridad de agentes de NIST destaca la inyección indirecta de prompts, el envenenamiento de datos, la explotación de especificaciones y las acciones dañinas sin entrada adversaria. La agencia está desarrollando orientación para sistemas de un solo agente y de múltiples agentes.

La identidad y la autorización se convierten en defensas centrales. Cada agente necesita un rol identificable, permisos limitados y registros que muestren qué acciones realizó y bajo la autoridad de quién.

Un compañero de trabajo persistente no debería heredar todos los permisos de su supervisor. Debería recibir solo el acceso mínimo necesario para la responsabilidad que tiene asignada.

Los puntos de control de aprobación también necesitan contexto. Un cuadro de confirmación impreciso no puede proteger a los usuarios si oculta la acción propuesta, el destino, los datos implicados y los efectos posteriores.

OpenAI afirma que ChatGPT Work permite a los usuarios aprobar acciones importantes. Es un control significativo, pero la empresa no ha demostrado que todas las acciones laborales relevantes se clasificarán correctamente.

La revisión humana también tiene límites. Las solicitudes frecuentes de aprobación de baja calidad generan fatiga. Los usuarios pueden aprobar acciones de forma automática, especialmente cuando un agente ha realizado correctamente muchos pasos anteriores.

Los flujos de trabajo largos complican la evaluación. Un documento final puede parecer preciso mientras depende de un supuesto erróneo introducido horas antes. Los revisores necesitan procedencia de las decisiones intermedias, no solo un resultado terminado.

La persistencia también plantea cuestiones de privacidad. Una memoria útil requiere retención, pero la retención innecesaria aumenta la exposición. Los equipos necesitan controles para eliminar, corregir, caducar y separar información entre proyectos.

El modelo multijugador añade otra capa. El resultado de un agente puede convertirse en la entrada de otro, creando una cadena en la que el error original se vuelve más difícil de localizar.

Por ello, las organizaciones deberían evaluar a los compañeros de trabajo persistentes como sistemas, no como modelos. Las pruebas deben abarcar conectores, permisos, memoria, aprobaciones humanas, auditabilidad y comportamiento de recuperación.

OpenAI ha descrito controles de seguridad y gobernanza para despliegues empresariales. Sin embargo, la amplia visión de la tercera era aún no ha recibido validación independiente en organizaciones típicas.

La conclusión prudente no es que los agentes persistentes sean inutilizables. Es que la persistencia cambia tanto el modelo de riesgo como el de productividad.

El titular de google news pone el énfasis en el destino. La adopción empresarial dependerá de pruebas de que la ruta incluye controles fiables, tasas de fallo medibles y una responsabilidad clara.

Tres señales mostrarán si está llegando la tercera era

La tesis de OpenAI sobre la tercera era solo será creíble cuando la persistencia, la coordinación multijugador y la autonomía controlada aparezcan en despliegues reales.

La primera señal es un producto que mantenga el estado de un proyecto durante días sin obligar a los usuarios a reconstruir el contexto. ChatGPT Work ya continúa tareas largas, pero el comportamiento de un compañero de trabajo duradero requiere más.

Observe si aparecen controles explícitos sobre lo que recuerda el sistema, qué fuentes siguen siendo autoritativas y cuándo caduca el contexto almacenado. Las correcciones deberían propagarse sin borrar el historial necesario para la rendición de cuentas.

Si OpenAI lanza estos controles con procedencia visible, la afirmación sobre la tercera era gana respaldo. Si la persistencia sigue siendo historial de conversación más recuperación amplia, la diferencia respecto a los asistentes actuales seguirá siendo débil.

La segunda señal es una interfaz multijugador genuina. Seshan describió grupos de personas dirigiendo grupos de agentes, aunque la mayoría de las interacciones comerciales siguen centradas en una persona y un agente activo.

Una implementación convincente mostraría propiedad compartida, instrucciones basadas en roles, resolución de conflictos, identidades de agentes y colas de revisión. También evitaría que dos agentes sobrescriban silenciosamente el trabajo del otro.

Esa interfaz debe funcionar fuera de demostraciones controladas. Los equipos deberían poder ver qué persona cambió la dirección, qué agente actuó y qué resultado representa el resultado aceptado.

Una coordinación multijugador exitosa reforzaría el argumento de OpenAI de que la IA se está convirtiendo en un compañero de trabajo. El fracaso sugeriría que los agentes siguen siendo herramientas personales vinculadas a cuentas individuales.

La tercera señal es evidencia independiente sobre fiabilidad y seguridad. Los casos de estudio de proveedores muestran lo que los productos pueden lograr, pero los compradores necesitan tasas de fallo en condiciones realistas.

Busque evaluaciones que incluyan inyección de prompts, memoria obsoleta, instrucciones contradictorias, permisos revocados y recuperación tras flujos de trabajo interrumpidos. Las auditorías deberían medir errores relevantes, no solo la finalización de tareas.

La actividad regulatoria y de estándares también influirá en la adopción. NIST está examinando la identidad de los agentes, la autorización, la supervisión y los controles de seguridad. Unos estándares claros ayudarían a los clientes a comparar sistemas con expectativas comunes.

Las respuestas de la competencia importan en las tres señales. Anthropic y Microsoft pueden debilitar la posición de OpenAI si ofrecen memoria, gobernanza o coordinación más fiables antes de que OpenAI complete su visión integrada.

La ventaja de OpenAI es la amplitud de su superficie de producto. Su desafío consiste en convertir Chat, Work, Codex, apps y controles empresariales en una relación coherente.

Para los trabajadores del conocimiento, la pregunta práctica no es si una IA merece el título de «compañero de trabajo». La pregunta más pertinente es qué responsabilidades puede asumir sin que supervisarla resulte más difícil que ejecutar el trabajo.

Empiece con un flujo de trabajo recurrente y revisable. Defina sus fuentes, permisos, puntos de aprobación y responsable. Después, mida el tiempo de corrección, el contexto omitido y los errores con consecuencias a lo largo de ejecuciones repetidas.

Ese proceso pone a prueba el fundamento de la afirmación de google news. Los compañeros de trabajo de IA persistentes solo representarán una tercera era cuando puedan conservar el contexto sin conservar los errores.

Deben coordinarse sin diluir la responsabilidad y actuar sin exceder su autoridad. Hasta que se demuestren esas condiciones, la tercera era de OpenAI seguirá siendo una tesis de producto seria, más que una transición laboral ya completada.