La escena se repite en todas las empresas que empiezan a tomarse la IA en serio. Alguien del equipo descubre el deep research, lanza una pregunta difícil —el panorama competitivo de un vertical, la regulación que viene, quién está comprando a quién— y a los diez minutos tiene un informe de quince páginas con fuentes. La reacción es la correcta: esto es muy bueno. La conclusión que se saca a continuación casi nunca lo es: «entonces no necesitamos construir nada».
La tesis en una frase: la frontera entre el deep research del proveedor y un agente investigador propio no es la dificultad de la pregunta, es su repetición. Para una pregunta que haces una vez, el botón gana siempre y por mucho. Para una que vas a hacer cada lunes sobre las mismas fuentes, el botón no es que sea peor —es que no está construido para eso, y se nota en cuatro sitios muy concretos que no tienen nada que ver con la calidad del texto.
Deep research de ChatGPT vs agente de investigación propio: qué hace de verdad cada uno
El deep research de ChatGPT, según la documentación de OpenAI, planifica, investiga y sintetiza una pregunta compleja en un informe documentado. Puede trabajar con la web pública, con ficheros que subes, con sitios concretos que le indicas y con aplicaciones conectadas que soporten esa función. Propone un plan de investigación que puedes revisar antes de arrancar, se puede interrumpir a media ejecución para reenfocarlo, y devuelve un informe con citas y una sección de fuentes usadas. Es, con diferencia, la mejor relación resultado/esfuerzo del mercado para una pregunta puntual.
Un agente investigador propio hace algo distinto, aunque por dentro se parezca. No responde una pregunta: sostiene una vigilancia. Tiene un conjunto de fuentes que no hay que volver a declarar, una memoria que acumula lo que ya vio, un criterio de qué es señal y qué es ruido escrito una vez, y una salida que va a algún sitio —un correo, una tabla, un canal— en vez de a una conversación. La diferencia no es de modelo. Es de forma.
Los cuatro límites que no son de calidad, son de forma
Los cuatro se leen en la propia documentación de OpenAI, sin necesidad de creerse a nadie. Ninguno es un defecto: son consecuencias de que el deep research esté diseñado para una tarea que empieza y acaba.
1. Es de solo lectura por diseño
La documentación lo dice sin ambigüedad: el deep research usa las acciones de lectura de las aplicaciones conectadas, y no usa acciones de escritura como parte de la investigación. Es decir, produce un informe y ahí se acaba su trabajo. Nadie mueve el resultado a la tabla, al CRM o al canal donde alguien lo iba a usar. Si la mitad del valor de tu vigilancia está en que el hallazgo aterrice en algún sitio, el botón te deja justo antes de esa mitad.
2. El resultado vive dentro de una conversación, y muere con ella
Los resultados siguen la política de retención de la conversación: si borras el chat, se borran también sus informes asociados. Para una pregunta puntual eso es irrelevante. Para una vigilancia semanal es el problema entero, porque el valor de vigilar no está en el informe de esta semana: está en poder decir «esto ya lo vimos en marzo y entonces la cifra era otra». Un buzón de conversaciones no es un corpus.
3. Las fuentes se vuelven a declarar en cada tarea
Puedes acotar la búsqueda a dominios concretos, priorizarlos sobre la web abierta y subir ficheros. Es potente, y es manual: cada tarea nueva parte de cero en esa configuración. La primera vez es un lujo. La vez treinta es una tarea administrativa que alguien va a saltarse un martes con prisa, y ese es el día en que la vigilancia deja de ser comparable consigo misma.
4. La cuota está pensada para el uso puntual
El uso varía por plan, hay un contador visible dentro del producto, y en los planes con asignación mensual fija el contador se reinicia cada 30 días desde la fecha del primer uso —no el día 1 del mes. Es una economía diseñada para preguntas que llegan cuando llegan. Una vigilancia recurrente, multiplicada por las personas que la necesitan, come esa asignación de una forma bastante predecible.
Nótese lo que NO hay en esta lista: nada sobre la calidad del razonamiento, la cobertura de fuentes ni la redacción. En eso el deep research del proveedor es difícil de batir, y quien te diga que su agente casero razona mejor probablemente no lo ha comparado.
La pregunta que decide, y se contesta en diez segundos
¿Vas a volver a hacer esta pregunta el mes que viene, sobre las mismas fuentes, esperando poder comparar la respuesta con la de hoy?
Si la respuesta es no, cierra esta pestaña y usa el botón. En serio: la mayoría de las preguntas de una empresa son de este tipo, y construir para ellas es la forma más cara de no aprender nada. Si la respuesta es sí, entonces lo que necesitas no es un informe mejor. Necesitas que las fuentes estén fijadas, que lo visto quede guardado, que la salida vaya a donde trabaja la gente y que nadie tenga que acordarse de lanzarlo.
| Señal | Botón del proveedor | Agente propio |
|---|---|---|
| Frecuencia | Una vez, o cuando surge | Cadencia fija: semanal, mensual |
| Fuentes | Se eligen para esa pregunta | Un conjunto estable que no se redeclara |
| Comparabilidad | Cada informe empieza de cero | Lo de hoy se compara con lo de marzo |
| Destino del hallazgo | Una conversación | Tabla, correo, canal, sistema |
| Quién lo dispara | Una persona que se acuerda | Un calendario |
| Quién responde si falla | Nadie: no falló, no se hizo | Alguien con nombre |
Lo que gana el botón y no deberías reconstruir
Hay una tentación, en cuanto uno decide construir, de reconstruirlo todo. Es un error caro. Tres cosas del deep research del proveedor son muy buenas y no compensa replicarlas: el plan de investigación editable antes de arrancar, la trazabilidad de las citas en el informe final, y la capacidad de interrumpir y reenfocar a mitad. Un agente propio bien planteado no compite con eso: lo usa donde tiene sentido y se ocupa de lo otro.
Dicho de otro modo: la decisión no es «proveedor o casa». Es qué parte del trabajo es una pregunta y qué parte es un proceso. La pregunta la contesta muy bien el proveedor. El proceso —la cadencia, la memoria, el destino, el dueño— es tuyo, y no lo vende nadie porque depende de tus fuentes y de tu organigrama.
Lo que solo puede hacer un agente propio
Cuatro cosas, y todas son aburridas. Que es exactamente por qué nadie las enseña en una demo.
- Acumular. Guardar cada hallazgo con su fecha y su fuente para que la sexta ronda pueda decir «esto cambió» en vez de repetir el contexto. Sin esto no hay vigilancia, hay informes sueltos.
- Aterrizar. Escribir el resultado donde alguien lo va a usar. Y eso, en cuanto sale de la conversación, deja de ser un problema de investigación y pasa a ser uno de permisos e identidad: qué puede leer y qué puede escribir el agente, con qué credencial, y quién lo corta si hace falta. La forma de plantearlo está en conectar la IA con tus sistemas.
- Filtrar con criterio propio. Qué cuenta como señal en TU mercado no lo sabe un modelo genérico: se escribe una vez, se corrige con los primeros falsos positivos y se queda escrito. Ese criterio es el activo, no el prompt.
- Tener dueño. Una persona que revisa la salida, corrige el criterio cuando se desvía y decide cuándo ampliar el alcance. El diseño de esa supervisión está en el humano en el bucle de una automatización con IA, y no es opcional: un agente investigador sin revisor acaba produciendo un boletín que nadie abre.
El error de construir demasiado pronto
La secuencia sana es contraintuitiva: usa el botón hasta que te duela. Lanza la pregunta a mano seis o siete semanas seguidas. Vas a descubrir tres cosas que no puedes saber antes: qué fuentes acabas usando siempre, qué parte del informe lees de verdad y cuál te saltas, y qué haces con el hallazgo cuando lo tienes. Esas tres respuestas son la especificación del agente, y salen gratis.
Construir antes de tenerlas es el patrón que produce agentes que funcionan y no sirven: investigan bien un tema que nadie mira, con un formato que nadie lee, y a nadie le importa cuando dejan de correr. Los criterios generales de cuándo un agente merece existir en una empresa están en agentes IA para empresas; esta decisión es un caso particular de esos.
Cómo se decide en diez minutos
- Escribe la pregunta que estás a punto de automatizar. Si no cabe en una frase, todavía no es una vigilancia: es un tema.
- Cuenta cuántas veces la has hecho ya. Menos de cinco: sigue con el botón.
- Mira si las fuentes son las mismas cada vez. Si cambian, sigue con el botón — lo que tienes es curiosidad, no vigilancia.
- Pregúntate qué pasa con el hallazgo. Si la respuesta es «lo lee una persona y decide», el botón basta. Si es «tiene que quedar registrado y compararse», ahí empieza el agente.
- Busca el nombre del dueño. Si no hay ninguno, no construyas: vas a producir un boletín huérfano.
Cuatro noes y un sí: usa el botón. Cinco síes: lo que necesitas es un agente investigador funcionando sobre tus fuentes, no un informe más largo.
Nosotros montamos la parte aburrida —la cadencia, la memoria, el destino y el dueño— como empleados IA que trabajan sobre tus sistemas. Y cuando la respuesta honesta es que el botón te basta, lo decimos: es el consejo más barato que damos y el que más veces damos.