OpenAI abre la GPT Store y estrena ChatGPT Team

OpenAI abrió el 10 de enero de 2024 la GPT Store, un catálogo de versiones personalizadas de ChatGPT, y lanzó ChatGPT Team, un plan con espacio de trabajo y administración para grupos. La tienda llegaba con más de tres millones de GPTs creados desde su presentación dos meses antes. Esa cifra medía configuraciones construidas, no aplicaciones evaluadas, usuarios activos ni herramientas fiables.

El lanzamiento reducía la distancia entre configurar un asistente y distribuirlo, pero no eliminaba el trabajo de evaluar qué hace. Un GPT puede combinar instrucciones, documentos de referencia y herramientas como navegación, análisis o llamadas a servicios externos. «Sin código» describe la forma de construirlo; no garantiza fuentes correctas, permisos mínimos, privacidad adecuada ni resultados estables. La capacidad útil para un equipo es auditar esas capas antes de adoptar el asistente.

Qué era realmente un GPT

La presentación original de los GPTs los definía como versiones de ChatGPT adaptadas a un propósito mediante instrucciones, conocimiento adicional y capacidades seleccionadas. Esa definición contiene tres componentes distintos. Las instrucciones marcan el papel y las reglas; el conocimiento añade archivos; las capacidades permiten acciones como buscar, generar imágenes, analizar datos o conectarse a una API.

No se distribuía un modelo entrenado desde cero. Muchos GPTs compartían el modelo base y se diferenciaban por su configuración y sus recursos. Dos asistentes con la misma base podían responder de forma distinta porque uno recibía un manual actualizado y otro un documento antiguo, o porque sus instrucciones resolvían de manera diferente una consulta ambigua. Por eso el nombre y la descripción de la tienda no bastaban para juzgar calidad.

La página de lanzamiento de la GPT Store explicaba que el catálogo empezaba a desplegarse para usuarios Plus, Team y Enterprise. Incluía categorías, una clasificación de GPTs populares y una selección editorial semanal. Para aparecer públicamente, el creador debía compartir el GPT con todo el mundo, verificar un perfil mediante nombre o sitio web y cumplir políticas y directrices de marca. OpenAI añadía revisión automática y humana, y un mecanismo para denunciar asistentes.

Una tienda revisa cumplimiento, no certifica utilidad

Esas barreras responden a preguntas importantes: quién publica y si el contenido infringe políticas. No equivalen a una certificación profesional. Un GPT puede superar la revisión y aun así usar fuentes pobres, interpretar mal una tarea, fallar con casos raros o producir una respuesta demasiado segura. Popularidad tampoco es precisión: un puesto alto puede reflejar novedad, promoción o facilidad de uso.

La primera prueba de adopción es, por tanto, definir una tarea y su daño posible. Un asistente para proponer títulos admite fallos baratos; uno que resume contratos, responde a clientes o consulta documentación clínica exige controles mayores. La evaluación debe imitar el uso real: entradas incompletas, documentos contradictorios, peticiones fuera de alcance y casos en los que la respuesta correcta es reconocer que falta información.

Conviene preparar ejemplos con resultado esperado antes de elegir el GPT. Se registra si cita el pasaje adecuado, conserva cifras y condiciones, distingue versiones y rechaza instrucciones incompatibles. También se mide consistencia repitiendo o reformulando la misma tarea. Una demostración brillante solo prueba que existe una ruta favorable; un conjunto de casos muestra con qué frecuencia se alcanza.

Primera capa: identidad y mantenimiento

Un perfil verificado relaciona al creador con un nombre o dominio, pero el usuario aún debe preguntar quién mantiene el contenido, cómo se corrigen errores y cuándo se actualizó la base documental. La identidad reduce suplantación; no prueba competencia. Si el asistente representa a una organización, el dominio, las políticas y el canal de soporte deben corresponder a esa entidad.

La dependencia también importa. Si un proceso crítico se apoya en un GPT público, su creador puede modificar instrucciones, sustituir documentos o retirarlo. Un equipo necesita dueño interno, versión conocida y alternativa operativa. Sin esos elementos, la comodidad inicial se convierte en una pieza externa que cambia sin el control del proceso que depende de ella.

Segunda capa: fuentes y vigencia

Adjuntar archivos no convierte las respuestas en evidencia. Hay que conocer procedencia, fecha y alcance de cada documento. Un manual puede aplicar solo a un país; una tarifa puede haber caducado; una política interna puede contener excepciones. El GPT debería señalar el documento y el fragmento que sostienen una afirmación importante. Si no puede hacerlo, el usuario recibe una síntesis difícil de auditar.

La prueba más reveladora introduce dos versiones del mismo documento y pregunta cuál rige. Un sistema útil identifica fechas, jerarquía y conflicto; uno frágil mezcla párrafos. También debe distinguir información contenida en sus archivos de conocimiento general del modelo. Esa frontera evita que una respuesta plausible complete silenciosamente un hueco del corpus.

Tercera capa: herramientas, permisos y terceros

Los GPTs podían conectarse a servicios mediante acciones. OpenAI explicaba que esas acciones permitían consultar bases de datos, correo o comercio electrónico, y que el usuario elegiría si podían enviarse datos a una API externa. Cada conexión abre otra ruta: qué parte de la conversación sale, qué servicio la recibe, con qué credenciales, cuánto la conserva y qué operación puede ejecutar.

El permiso debe corresponder a la tarea. Un asistente que solo consulta disponibilidad no necesita capacidad para comprar; uno que redacta correo no debería enviarlo sin confirmación. Las acciones de lectura, escritura y borrado requieren niveles diferentes. Antes de introducir datos confidenciales, el equipo debe abrir la política del tercero y comprobar la pantalla de consentimiento, no deducir protección por el hecho de que la interacción empiece dentro de ChatGPT.

Qué añadía ChatGPT Team

El anuncio de ChatGPT Team ofrecía GPT-4, DALL·E 3, navegación, análisis avanzado de datos, un espacio colaborativo, consola de administración y capacidad para crear y compartir GPTs dentro del equipo. El precio era de 25 dólares por usuario y mes con facturación anual o 30 con facturación mensual. OpenAI afirmaba que no entrenaría sus modelos con los datos o conversaciones empresariales.

Esa última promesa responde a una pregunta concreta: uso del contenido para entrenamiento. No responde por sí sola a todas las preguntas de gobernanza, como retención, acceso de administradores, localización, exportación, eliminación o servicios externos conectados. Un responsable debe convertir «no se usa para entrenar» en una fila de una matriz de datos, no en un sinónimo de «no existe riesgo».

El espacio privado resolvía una necesidad diferente de la tienda pública: compartir asistentes internos sin publicarlos para cualquiera. Aun así, un catálogo interno también necesita revisión. Debe registrar propietario, propósito, fuentes, permisos, fecha de última prueba y usuarios autorizados. La consola ayuda a aplicar decisiones; no sustituye decidir cuáles son.

Cuarta capa: prueba, despliegue y vigilancia

La adopción segura puede avanzar por etapas. Primero se ejecutan casos históricos sin consecuencias. Después un grupo pequeño usa el GPT con revisión humana obligatoria. Solo cuando los errores conocidos tienen mitigación se amplía el acceso. En producción se registran fallos, cambios de documentos y acciones rechazadas. Si el modelo base o la configuración cambian, se repiten las pruebas críticas.

Las métricas deben reflejar la tarea: exactitud de citas, porcentaje de respuestas corregidas, tiempo ahorrado después de revisión y gravedad de incidentes. El número de conversaciones o la posición en la tienda miden actividad, no valor. La promesa de remunerar a creadores según la interacción, anunciada para el primer trimestre sin fórmula detallada, hacía todavía más importante no confundir uso con calidad.

Una ficha de cinco preguntas antes de pulsar «usar»

La decisión cabe en una ficha: quién mantiene el GPT; qué instrucciones y fuentes delimitan su respuesta; qué datos recibe y conserva cada participante; qué acciones puede ejecutar; y con qué pruebas se conoce su tasa de fallo. Si una respuesta no está disponible, el riesgo no desaparece: queda sin medir.

La GPT Store facilitó distribuir conocimiento configurado sobre un modelo común, mientras ChatGPT Team ofreció un perímetro para compartirlo dentro de una organización. La capacidad transferible es tratar cada GPT como una cadena de instrucciones, fuentes, permisos y dependencias que debe probarse de extremo a extremo. Que no requiera programar reduce el coste de crear; nunca reduce la responsabilidad de verificar.