OpenAI o3 y o4-mini convierten ChatGPT en un agente con herramientas

OpenAI ha presentado o3 y o4-mini, sus nuevos modelos de razonamiento. La novedad no está solo en que dediquen más tiempo a pensar antes de responder: por primera vez en esta familia, pueden decidir cuándo y cómo combinar las herramientas disponibles en ChatGPT, desde la búsqueda web hasta Python, el análisis de archivos y la generación de imágenes.

El cambio acerca ChatGPT a un agente capaz de ejecutar partes de una tarea por su cuenta. En lugar de limitarse a contestar con lo aprendido durante el entrenamiento, los modelos pueden buscar datos actuales, procesarlos, comprobarlos y presentar el resultado en un formato útil.

Razonar antes de elegir una herramienta

Los modelos de razonamiento de OpenAI —la serie o— fueron diseñados para dedicar más cómputo a los problemas difíciles. Hasta ahora, esa capacidad estaba más separada del uso de herramientas. o3 y o4-mini se entrenan para decidir también si necesitan consultar la web, escribir código, examinar un gráfico o transformar una imagen antes de responder.

OpenAI describe un flujo en el que el modelo puede buscar información varias veces, revisar los resultados, detectar que falta un dato y lanzar una nueva consulta. También puede escribir código Python para analizar esos datos, generar un gráfico y explicar sus conclusiones. La compañía pone como ejemplo una previsión del consumo eléctrico de California durante el verano frente al año anterior.

La diferencia práctica es importante: el modelo no solo responde a una pregunta, sino que puede organizar una pequeña investigación. La herramienta deja de ser un botón que activa el usuario y pasa a formar parte de la estrategia del sistema.

o3 apunta a los problemas más complejos

OpenAI presenta o3 como su modelo de razonamiento más potente hasta la fecha, con mejoras en programación, matemáticas, ciencia y percepción visual. La empresa afirma que establece nuevos resultados de referencia en Codeforces, SWE-bench y MMMU.

En SWE-bench, una prueba que mide la capacidad de resolver problemas reales de software, las evaluaciones utilizan un subconjunto fijo de 477 tareas verificadas. OpenAI también señala que o3 consigue un 20 % menos de errores importantes que o1 en tareas reales difíciles, según evaluaciones realizadas por expertos externos. Las mejoras más destacadas aparecen en programación, consultoría empresarial e ideación creativa.

El modelo está pensado para preguntas cuya respuesta exige combinar varias áreas de conocimiento o no resulta evidente a primera vista. En ChatGPT, la compañía asegura que suele completar estas tareas en menos de un minuto, aunque el tiempo depende de la complejidad y de las herramientas utilizadas.

o4-mini prioriza velocidad y volumen

o4-mini es la alternativa más pequeña y eficiente. Su objetivo es ofrecer razonamiento avanzado con menor coste y mayor capacidad de uso, especialmente en matemáticas, programación y tareas visuales. OpenAI afirma que supera a o3-mini en evaluaciones no relacionadas con ciencia, tecnología, ingeniería y matemáticas, además de mejorar en ciencia de datos.

En AIME 2024 y AIME 2025, pruebas de matemáticas para estudiantes, o4-mini logra los mejores resultados entre los modelos comparados por OpenAI. Con acceso a un intérprete de Python alcanza un 99,5 % de aciertos en el primer intento en AIME 2025 y un 100 % de consenso tras ocho intentos. o3 obtiene un 98,4 % y un 100 %, respectivamente.

Estas cifras tienen una limitación relevante: no son directamente comparables con modelos que no disponen de herramientas. Parte del resultado procede precisamente de que el sistema puede ejecutar cálculos y comprobar sus respuestas con Python. Es un dato sobre la capacidad del modelo dentro de un entorno equipado, no únicamente sobre su conocimiento interno.

Imágenes dentro del proceso de razonamiento

Otra novedad es que o3 y o4-mini pueden integrar imágenes en su proceso de resolución. Pueden interpretar una foto de una pizarra, un esquema de un libro o un dibujo hecho a mano, incluso cuando la imagen tiene baja calidad, está girada o aparece invertida.

Además, pueden manipular la imagen durante el análisis: rotarla, ampliarla o transformarla para obtener una perspectiva más útil. Esto amplía el tipo de tareas que pueden abordar, desde interpretar gráficos y diagramas hasta trabajar con anotaciones visuales y problemas que mezclan texto e imagen.

La expresión pensar con imágenes no significa que el modelo vea como una persona ni que sus conclusiones sean infalibles. Sí describe un paso más allá de la clasificación visual: la imagen se convierte en un elemento activo dentro de una cadena de análisis que puede incluir búsquedas, cálculos y nuevas comprobaciones.

El entrenamiento refuerza el uso autónomo de herramientas

OpenAI afirma que ha entrenado ambos modelos mediante aprendizaje por refuerzo, una técnica en la que el sistema recibe señales sobre la calidad de sus decisiones. En este caso, no solo se le enseña a utilizar una herramienta, sino también a decidir cuándo aporta valor y cómo encadenarla con otras.

Durante el desarrollo de o3, la empresa observó que aumentar el cómputo empleado en el aprendizaje y en la fase de respuesta seguía mejorando el rendimiento. Según OpenAI, amplió en un orden de magnitud tanto el cómputo de entrenamiento por refuerzo como el tiempo de razonamiento durante la inferencia, y continuó obteniendo mejoras.

Para los usuarios, el avance promete respuestas más verificables y útiles en tareas abiertas. Para las empresas, plantea una arquitectura distinta: en vez de construir un flujo rígido que conecte un modelo con cada herramienta, parte de esa coordinación puede quedar en manos del propio modelo. A cambio, aumentan la necesidad de supervisión, el coste de las operaciones y el riesgo de que una mala decisión inicial se propague por toda la cadena.

o3 y o4-mini marcan así la transición desde el chatbot que genera texto hacia un sistema que investiga, calcula y produce resultados con varios tipos de información. El valor ya no depende solo de lo que el modelo sepa, sino de si sabe cuándo debe dejar de responder y empezar a trabajar.