OpenAI presentó el 10 de septiembre de 2026 Agents API, una interfaz en beta pública para construir y ejecutar agentes de inteligencia artificial en la nube. La novedad no es simplemente poder enviar una instrucción a un modelo: es disponer de una capa gestionada que mantiene sesiones durante horas o días, conecta herramientas, conserva el contexto útil, ejecuta código en entornos aislados y coordina varios subagentes.
La idea es trasladar a los desarrolladores parte de la infraestructura que ya sostiene productos como Codex. En vez de programar desde cero la memoria operativa, la recuperación ante errores, la búsqueda de herramientas o la delegación de tareas, una aplicación puede definir el objetivo, el modelo, las herramientas y el entorno de trabajo. Agents API se ocupa de orquestar la ejecución.
Esto importa porque marca un cambio de etapa: la IA deja de limitarse a contestar y empieza a funcionar como un proceso persistente que razona, actúa, comprueba y continúa. Es una pieza especialmente relevante para empresas que quieren automatizar flujos completos, no solo añadir un chatbot.
Qué es Agents API y qué anunció OpenAI
Según el anuncio oficial de OpenAI, Agents API permite crear un agente de producción especificando cuatro elementos básicos: una tarea, un modelo, un conjunto de herramientas y un entorno de ejecución. La plataforma mantiene el arnés de orquestación —el sistema que decide cómo organizar el trabajo alrededor del modelo— y ofrece sesiones duraderas, sandboxes, uso de herramientas y coordinación multiagente.
La beta está disponible para desarrolladores y, durante esta fase, OpenAI no cobra una tarifa adicional específica por la orquestación: se pagan los modelos y las herramientas consumidas. Eso no significa que ejecutar agentes sea gratis. Una tarea larga puede acumular llamadas al modelo, búsquedas, almacenamiento, tiempo de cómputo y servicios externos. El coste real dependerá de la arquitectura y de los límites que establezca cada aplicación.
Por qué no es solo otra llamada a un modelo
Una llamada convencional a una API recibe una entrada y devuelve una salida. Un agente duradero necesita resolver muchos problemas adicionales: recordar qué ha hecho, guardar archivos, esperar resultados, reanudar una sesión, manejar fallos, pedir ayuda a otro agente y verificar el resultado antes de terminar.
La documentación de arquitectura describe una estructura en la que la sesión conserva el estado de la ejecución y el agente opera dentro de un entorno con herramientas y recursos autorizados. Esa separación permite cambiar el modelo o el entorno sin tener que reconstruir todo el flujo.
Sesiones que sobreviven a una respuesta
El agente puede continuar trabajando más allá de una única ventana de contexto. Cuando una sesión crece, el sistema compacta partes anteriores y conserva la información que considera necesaria para seguir. Esto permite encadenar etapas largas, aunque obliga a diseñar comprobaciones porque toda compactación puede perder matices importantes.
Entornos para actuar, no solo conversar
Agents API admite sandboxes gestionados por OpenAI, infraestructura propia y proveedores asociados. En esos entornos, el agente puede trabajar con archivos, ejecutar código y generar artefactos. La elección importa: un análisis de datos aislado no necesita los mismos permisos que un agente conectado a sistemas internos de una empresa.
Herramientas cargadas cuando hacen falta
El sistema puede utilizar funciones personalizadas, servidores MCP y herramientas integradas como la búsqueda web. La búsqueda de herramientas evita cargar todas sus definiciones al principio, mientras que las llamadas programáticas permiten encadenar, filtrar o ejecutar operaciones en paralelo. El objetivo es reducir contexto y coste sin dejar al agente ciego.
El papel de los subagentes
Una de las funciones más llamativas es el soporte multiagente. El agente principal puede dividir un problema en partes independientes y delegarlas a especialistas que trabajan en paralelo. Cada subagente mantiene su propio contexto y devuelve sus resultados al coordinador.
Imaginemos una investigación sobre una caída de servicio. Un subagente revisa despliegues, otro analiza errores y otro comprueba dependencias. El coordinador compara las evidencias, detecta contradicciones y redacta una recomendación. La guía multiagente oficial permite establecer límites de concurrencia y controlar cómo se realiza esa delegación.
Este enfoque se parece al concepto que explicamos en nuestro Sistema Operativo Cognitivo: un núcleo que planifica y distribuye tareas entre memoria, herramientas, ejecución y verificación. Agents API no constituye una AGI, pero convierte esa clase de arquitectura en un servicio accesible para desarrolladores.
Qué puede automatizar en la práctica
Las aplicaciones más razonables son tareas digitales largas, verificables y divididas en etapas. Por ejemplo, investigar una incidencia técnica; revisar un repositorio, proponer cambios y ejecutar pruebas; recopilar información de varias fuentes; procesar documentos; generar un informe con archivos adjuntos; o coordinar operaciones logísticas que cambian durante el día.
En análisis empresarial, Agents API puede complementar herramientas como el data agent de ChatGPT Work: un sistema reúne los datos, otro comprueba su calidad, un tercero busca anomalías y el agente principal entrega un informe con trazabilidad.
También puede reducir la barrera para crear servicios especializados. Una pequeña empresa podría combinar formularios, correo, archivos, bases de conocimiento y revisión humana sin construir toda la infraestructura de agentes desde cero. Para quien quiera llevar esta idea al terreno práctico, también puede ser útil nuestra formación Domina IA, centrada en aplicar inteligencia artificial a tareas y proyectos reales. Aun así, automatizar un proceso deficiente solo consigue ejecutarlo mal a mayor velocidad.
Seguridad: el punto que no se puede improvisar
Un agente con herramientas tiene más capacidad y también más superficie de riesgo. Puede encontrarse instrucciones maliciosas dentro de una web o un documento, utilizar una credencial con permisos excesivos, revelar información en un registro o ejecutar una acción irreversible por una interpretación equivocada.
La documentación de seguridad de los sandboxes debe entenderse como punto de partida, no como garantía automática. En producción conviene aplicar el principio de mínimo privilegio, separar secretos, restringir la red, registrar acciones, limitar presupuesto y duración, y exigir aprobación humana para pagos, publicaciones, borrados o cambios críticos.
La autonomía útil no consiste en conceder acceso total. Consiste en proporcionar el permiso mínimo para cada etapa y una ruta clara de recuperación. Cuanto más larga sea una ejecución, más importantes resultan los límites, los puntos de control y las pruebas independientes.
Costes, límites y preguntas pendientes
La fiabilidad no está garantizada
Que una sesión dure días no significa que mantenga una comprensión perfecta durante días. Puede arrastrar un supuesto incorrecto, interpretar mal una herramienta o aceptar un resultado defectuoso de un subagente. La duración aumenta el valor potencial, pero también multiplica los puntos de fallo.
El coste puede crecer sin que se note
La ejecución paralela acelera algunas tareas, pero consume más recursos. Un sistema bien diseñado debe definir presupuestos máximos, condiciones de parada, número de subagentes y niveles de calidad. Elegir entre modelos como los analizados en la comparativa de GPT-6 Sol y Luna puede cambiar de forma importante la relación entre precisión, velocidad y coste.
La beta todavía puede cambiar
OpenAI identifica Agents API como beta pública. Interfaces, límites, precios indirectos y funciones pueden evolucionar antes de su disponibilidad general. Las empresas deberían aislar la lógica de negocio de la plataforma y evitar que una dependencia experimental se convierta en un punto único de fallo.
Qué significa para empresas y trabajadores
Hecho: ya existe una infraestructura comercial para ejecutar agentes persistentes con herramientas, entornos y subagentes. Hipótesis razonable: esto acelerará la creación de automatizaciones más largas y específicas en programación, operaciones, análisis y atención interna. Predicción: durante los próximos meses veremos menos demostraciones aisladas y más agentes integrados en procesos con métricas, permisos y supervisión.
El impacto laboral no será idéntico en todos los puestos. Las tareas repetitivas y digitales son las candidatas más inmediatas, pero el cambio principal puede consistir en que una persona supervise varios procesos automáticos. Saber definir objetivos, evaluar pruebas, detectar errores y decidir cuándo detener un agente ganará valor.
Para emprendedores, la oportunidad está en resolver un problema estrecho con datos y controles adecuados. No basta con envolver una API en una interfaz. El producto defendible será el que aporte conocimiento del sector, herramientas fiables, evaluación continua y una experiencia clara. Esa lógica también se aplica a proyectos que buscan crear aplicaciones con IA y un modelo recurrente.
¿Nos acerca Agents API a la AGI?
Agents API no demuestra inteligencia general ni automejora recursiva. El sistema depende de modelos existentes, permisos definidos por humanos, herramientas externas y objetivos proporcionados por una aplicación. Coordinar agentes puede mejorar el rendimiento en problemas descomponibles, pero no elimina las limitaciones de razonamiento ni convierte automáticamente varias respuestas imperfectas en una solución correcta.
Lo relevante para la evolución futura es la infraestructura: sesiones duraderas, especialización, herramientas, memoria operativa y verificación son componentes necesarios para sistemas más capaces. Si los modelos mejoran, una capa de orquestación estable permite aplicar esa mejora a flujos reales con mucha rapidez. Por eso el avance es estratégico aunque no sea, por sí solo, un salto a la AGI.
Conclusión
Agents API convierte la orquestación de agentes en un servicio gestionado. Su valor está en unir modelos, herramientas, entornos aislados, sesiones persistentes y trabajo multiagente dentro de una misma arquitectura. Eso puede acortar el camino entre un prototipo y una automatización útil.
La promesa es importante, pero el criterio decisivo seguirá siendo la fiabilidad. Un agente que trabaja durante días necesita límites, trazabilidad, evaluaciones y supervisión proporcional al daño que podría causar. La tecnología hace posible delegar más; el verdadero progreso será aprender a delegar sin perder el control.
Fuentes primarias
OpenAI: presentación oficial de Agents API; documentación de arquitectura, sistemas multiagente y seguridad de sandboxes. Consultadas el 27 de septiembre de 2026.