La semana pasada, OpenAI publicó una nueva versión de su aplicación para Mac. El analista M.G. Siegler, de Spyglass, la describió en términos poco amables: demasiados toggles, interfaz confusa, el chat enterrado en un submenú y una experiencia que recuerda más a Windows que a una herramienta ágil de IA.
Pero más allá de la crítica de UX, hay algo que vale la pena detenerse a leer entre líneas: OpenAI ya no está construyendo un chatbot. Está construyendo una plataforma.
El nuevo ChatGPT integra en una sola aplicación un agente de tareas (ChatGPT Work), un entorno de desarrollo (ChatGPT Codex), un navegador (lo que quedaba de Atlas), una terminal, un gestor de tareas programadas y un panel lateral. El chat, la funcionalidad que le dio nombre, ha quedado relegada a un pop-up secundario.
La pregunta que eso plantea no es tanto técnica, sino más bien estratégica: si tu equipo empieza a conversar, desarrollar, navegar, ejecutar agentes y almacenar contexto dentro de ChatGPT, ¿cuál es exactamente tu relación con OpenAI?
La batalla ya no es por el modelo
Hace dos años, el debate en torno a la IA giraba en torno a los modelos: GPT-4 contra Llama, Claude contra Gemini, benchmarks, tokens por segundo, ventanas de contexto. Era un debate técnico con criterios técnicos.
Ese debate no ha desaparecido, pero ha quedado en segundo plano. Lo que empieza a importar ahora es quién controla la capa sobre la que esos modelos operan: la identidad del usuario, la interfaz, los flujos de trabajo, el historial de conversaciones, los agentes y los datos que los alimentan.
Cuando una empresa integra sus procesos de negocio en una plataforma de IA cerrada, la dependencia deja de ser del modelo y pasa a ser la dependencia es de la plataforma completa. Es una dinámica que ya analizamos en detalle al hablar de por qué los proyectos de IA no llegan a producción: el problema rara vez está en el modelo; está en lo que rodea al modelo.
Evidentemente, no es un escenario nuevo. Ya lo vivimos con Windows en los años noventa, con Google Workspace en la siguiente década y con AWS en la siguiente. Pero la IA como plataforma tiene una característica adicional que lo hace cualitativamente diferente: el contexto.
¿Qué es lo que lo hace diferente? Pues que en el caso de un proveedor de cloud, este guardará tus datos. Pero un proveedor de IA guardará no solo tus datos tus datos, también tus conversaciones, tus decisiones, tus procesos de razonamiento y, si usas agentes, tu capacidad de ejecutar tareas de forma autónoma. El nivel de integración es otro orden de magnitud.
La soberanía digital en la era de los agentes
En Europa, el concepto de soberanía digital lleva años en la agenda: cloud soberano, datos bajo jurisdicción europea, regulación de plataformas. Es un debate que ha producido marcos regulatorios relevantes, como el AI Act, pero que todavía tiende a formularse en términos de datos y de infraestructura. La siguiente fase de ese debate va a ser más difícil de articular, porque más allá de dónde están los datos, tratará sobre quién controla la capa cognitiva de una organización.
Si los flujos de trabajo de análisis, desarrollo, comunicación interna y toma de decisiones de una empresa o administración pasan de forma sistemática por una plataforma de IA controlada por un único proveedor estadounidense, la dependencia estratégica es de un tipo que los marcos actuales de soberanía digital no están del todo preparados para abordar.
Un fallo de servicio, un cambio de condiciones, una decisión de precios o simplemente la decisión del proveedor de descontinuar un producto afecta entonces no solo a una herramienta, sino a la capacidad operativa del conjunto de la organización.
Lo que el open source aporta en este contexto
Cuanto más se consolidan estas plataformas de IA propietarias, más sentido cobra una alternativa que durante un tiempo pareció secundaria en el debate: los modelos abiertos como base para construir infraestructura propia. Es una diferencia que va más allá de lo técnico, y que ya desarrollamos al explicar qué distingue el software libre del código abierto y lo que eso implica para las decisiones de negocio.
El valor de Llama, Mistral, Qwen o Phi no es solo que sean técnicamente competentes (que lo son cada vez más). Es que permiten construir copilots propios, agentes propios y plataformas propias sin depender de que un proveedor externo decida las condiciones de uso, el precio o la continuidad del servicio.
Dicho de otra forma: la soberanía digital deja de ser una cuestión de si el modelo es open source, y pasa a ser una cuestión de si la organización puede sustituir la plataforma completa cuando lo necesite.
Eso tiene implicaciones prácticas concretas. Significa que las decisiones sobre IA en las organizaciones deberían incluir preguntas como: ¿podemos auditar el sistema? ¿Podemos portabilizar el contexto y el historial si cambiamos de proveedor? ¿Tenemos capacidad de desplegar el modelo en nuestra propia infraestructura si fuera necesario? ¿Los agentes que ejecutan tareas en nombre de la organización operan bajo políticas que controlamos nosotros?
Estas no son preguntas técnicas marginales. Son preguntas de gobierno tecnológico que deberían estar sobre la mesa antes de que la integración con una plataforma propietaria alcance un nivel del que sea difícil salir. Como ya advertimos al hablar de gobierno del dato e IA, los problemas que genera ignorarlos aparecen exactamente cuando más cuesta resolverlos: cuando el sistema ya está en producción y la dependencia es profunda.
El momento en el que conviene tomar decisiones
La transición que describe el artículo de Siegler, de ChatGPT como herramienta a ChatGPT como sistema operativo, está en sus primeras fases. Todavía es posible diseñar la arquitectura de IA de una organización con criterios de control, auditabilidad y portabilidad.
Dentro de unos años, cuando los flujos de trabajo estén integrados, cuando los agentes hayan acumulado contexto y cuando el coste de cambio sea real, esa decisión será mucho más difícil de tomar.La historia de la dependencia tecnológica en las organizaciones siempre sigue el mismo patrón: se empieza por la herramienta más cómoda, se integra porque funciona bien, y se descubre el nivel de dependencia cuando intentas salir.
En Irontec llevamos años trabajando con organizaciones que quieren construir sistemas de IA con criterios de control y soberanía: modelos que se pueden auditar, agentes que operan bajo políticas propias, infraestructura que no depende de un único proveedor. Si estás en el momento de diseñar esa arquitectura, podemos ayudarte a hacerlo bien desde el principio.
