«¿Mil reales en un puñetero chatbot?»

Esa es la reacción de asombro cuando cuento cuánto pago por usar inteligencia artificial. Lo entiendo. En Brasil, una suscripción en dólares puede convertir una conversación sobre herramientas en una conversación sobre facturas muy deprisa.

Solía bromear con que quería ser como Piccolo, de Dragon Ball: multiplicarme para multiplicar mi capacidad de ejecutar. Tenía ideas y capacidad de hacer. Me faltaban brazos para concretarlo todo.

Hoy llamo a mis agentes «clones» con ese mismo sentido de broma. Explico qué quiero, distribuyo frentes y después evalúo lo que hicieron. La reacción al precio se vuelve más interesante cuando se mira ese uso.

Cuando digo «unos mil reales», describo el gasto de forma aproximada. No estoy presentando una conversión de divisas ni el importe exacto de mi factura.

El precio de referencia aquí es US$ 200 al mes. En la consulta del 18 de octubre de 2026, la documentación oficial de OpenAI indicaba ese importe para ChatGPT Pro 200, una de sus modalidades de suscripción. Eso sitúa la conversación; no recomienda el plan ni describe todos los costes de mi operación.

Si pagara eso solo por intercambiar mensajes y recibir un texto simpático, también tendría bastante que cuestionar.

Pero, en mi día a día, la conversación es la puerta de entrada a un trabajo que continúa después.

Me encanta trabajar con IA porque me estoy divirtiendo con el trabajo. Veo una idea tomar forma, una dirección convertirse en ejecución, una tarea avanzar. Lo que me entusiasma es participar en ese movimiento.

TL;DR

Me encanta trabajar con IA porque estoy disfrutando más del trabajo y viendo cómo mis ideas ganan tracción. Delegar ejecución manual me deja más involucrado en dirección, reglas y validación. La broma de tener «clones», como Piccolo, se convirtió en una forma de trabajar en frentes paralelos. Evalúo el gasto por el trabajo entregado y la carga que salió de mis manos, incluyendo supervisión, errores y trabajo repetido. La suscripción ofrece capacidades; las integraciones y automatizaciones deben construirse y gobernarse. Lo que relato es mi experiencia, sin prometer horas ahorradas ni retorno a otra persona.

Qué ocurre después de pulsar Enter

Una ventana de conversación, o chatbot, recibe mensajes y devuelve respuestas. Un agente de IA, en el sentido que uso aquí, también puede elegir los siguientes pasos y utilizar herramientas para perseguir un objetivo dentro de límites. Expliqué esa diferencia en «Si crees que la IA es solo un chatbot».

En mi uso cotidiano, varios agentes participan en frentes distintos. La broma puede recordar a un The Sims corporativo: una pequeña ciudad de personajes, como en el juego donde se siguen sus rutinas. La imagen es solo una comparación. Sigo hablando de sistemas que reciben contexto, ejecutan pasos y deben dejar un resultado verificable.

En desarrollo de software, eso incluye escribir cambios de código y revisarlos: examinar qué cambió, buscar fallos y comprobar si la solución responde al pedido. Antes hacía toda esa revisión manualmente, línea por línea. Exigía tiempo, concentración y esfuerzo mental; aun así, podían pasar errores y fallos de seguridad. Nadie es incansable.

Hoy, en el flujo que utilizo, cada cambio que envío, escrito por mí o por un agente, pasa por la revisión de otro agente. Eso añade una capa de verificación sin garantizar perfección: el revisor también puede equivocarse. Llego a mi evaluación con parte de la investigación encaminada y puedo concentrar más atención en la dirección de la solución, su legibilidad y mis criterios de calidad. Sigo siendo responsable de entender y aceptar el resultado; cuando el riesgo lo exige, el análisis técnico debe profundizar.

En infraestructura e integraciones —el entorno donde funcionan los sistemas y las conexiones entre ellos—, uso agentes para investigar fallos, comprobar configuraciones y delimitar qué falta resolver. Una investigación que encuentra el bloqueo puede ser útil. No se convierte en una integración operativa porque el informe termine con confianza.

También entran tareas menos cinematográficas. En la organización documental, ya delegué la comprobación de archivos duplicados y el traslado de copias redundantes a la papelera recuperable, preservando las copias que debían seguir en uso. La entrega fue la carpeta organizada y la evidencia de lo preservado, en lugar de instrucciones para que yo hiciera la limpieza.

También tengo seguimientos de respuestas y rutinas configuradas que cruzan correo, documentos y controles. Las reglas indican qué merece un aviso, qué ya se atendió y cuándo una discrepancia necesita volver a mí. Las hojas de cálculo y las bases organizadas de registros, como las de Notion, participan mediante conexiones autorizadas. Lo que me interesa es recibir lo que requiere una decisión, con contexto suficiente para actuar, sin reconstruir yo solo el seguimiento. También quiero saber dónde encontrar cada información, de forma fácil y accesible. La organización debe funcionar para mí y para los agentes. No pierdo mi autonomía; gano fuerza.

En producción de contenido, ya transformé una idea en un capítulo completo, revisado y registrado en una versión que podía evaluar. También uso IA para preparar documentos y definir productos. Eso conecta directamente con el trabajo de un empresario que tiene conocimiento, pero necesita convertirlo en material utilizable y decisiones claras.

Ese trabajo no tiene banda sonora de revolución tecnológica. Sigue consumiendo tiempo cuando nadie lo hace.

Preparar un correo no significa enviarlo. Seguir un asunto pendiente exige acceso al canal, continuidad y una forma de registrar su estado. Cuando falta una de esas piezas, el resultado debe mostrar la carencia.

He usado agentes para buscar establecimientos cercanos, comprobar su ubicación y contactos y abrir conversaciones en WhatsApp. Con las farmacias, el trabajo incluyó enviar preguntas y seguir los intercambios para confirmar existencias, disponibilidad, precio y condiciones de compra de un medicamento. Conseguimos confirmación de existencias y precio en una tienda. También se enviaron solicitudes de presupuesto para el cambio de aceite y filtro del coche a establecimientos de la zona; todavía no tengo una comparación final confirmada que permita afirmar quién ofreció el menor precio.

El beneficio fue delegar esa cadena de pequeñas tareas: buscar en el mapa, encontrar el contacto, abrir la conversación, preguntar, seguir la respuesta y organizar precio, distancia y disponibilidad para decidir. Los agentes mantuvieron el control de quién había respondido, qué estaba confirmado y qué faltaba. Yo observaba por curiosidad, sin tener que administrar cada conversación ni interrumpir mi trabajo para responder a cada mensaje. Ese control del seguimiento es lo que quiero recibir junto con las opciones y el siguiente paso; no tengo una medición del dinero o las horas ahorradas.

El momento cómico lo puso una atención automatizada: pidió un mensaje más corto y respondió con un testamento. Elegí intervenir para cuestionar la incoherencia que percibí; la tarea no necesitaba mi intervención para avanzar.

Llegó el informe. El trabajo se quedó conmigo.

Ese es el cuello de botella que quiero resolver.

Pido una tarea. Recibo un informe detallado que explica todo lo que podría hacerse. Ahora necesito extraer las acciones, elegir el orden, copiar información, abrir los sistemas y ejecutar.

He ganado una lectura. La lista de pendientes sigue siendo mía.

Hay momentos en que un análisis es exactamente la entrega adecuada: antes de una decisión importante, cuando falta autorización o cuando el riesgo exige investigar. El problema aparece cuando una tarea ejecutable vuelve como consejo y me exige todo el trabajo de convertirlo en realidad.

Por eso busco un resultado más concreto: el archivo organizado; el cambio preparado con verificaciones; el correo listo para revisión; el asunto pendiente registrado; o la decisión delimitada con la razón por la que se detuvo la ejecución.

Un agente útil puede decir qué terminó, dónde está la evidencia y qué depende de mí. Si no pudo actuar, necesita traer el objetivo, el bloqueo y la decisión necesaria para continuar.

«Aquí tienes quince sugerencias» puede ser una buena respuesta. Para algunas tareas, también es una forma muy bien maquetada de devolver el encargo.

La suscripción compra acceso. Hay que construir la operación.

La página oficial de Pro describe acceso a modelos, Codex —la herramienta para trabajar con código—, investigación en profundidad, creación de imágenes, memoria y carga de archivos. Esa es la base que ofrece el proveedor.

La plataforma también tiene tareas programadas y apps conectadas, sujetas a disponibilidad, permisos y límites. Una rutina que cruza correo, hoja de cálculo y base de datos todavía necesita conexiones autorizadas y reglas propias. También hay automatizaciones que construí con ayuda de la IA y servicios que integré en mi infraestructura. No se puede presentar ese conjunto como si la suscripción lo entregara todo listo.

Este uso depende de una estructura de contexto, herramientas, procedimientos, validaciones y límites. Es lo que llamo harness.

En mi caso, parte del trabajo es formalizar procedimientos en ese sistema. Los cambios quedan registrados en versiones y pasan por propuestas revisables de modificación, los pull requests, antes de incorporarse. Así puedo examinar qué está cambiando en lugar de depender solo del recuerdo de una conversación.

Esa estructura también cuesta trabajo. Escribir reglas, organizar accesos, corregir instrucciones contradictorias, revisar cambios y mantener integraciones no ocurre por cortesía de la mensualidad.

Y tener acceso a una capacidad es distinto de autorizar su uso. Encontrar un botón de enviar no concede permiso para mandar un mensaje. Poder editar un archivo no autoriza publicar cualquier contenido. Cuanto mayor sea la consecuencia, más claro debe quedar el límite.

Quiero autonomía para lo autorizado y suficientemente definido. Quiero que me llamen cuando haya una decisión real, información ausente o un riesgo que justifique mi intervención. Explico esa frontera en «¿Tu agente sabe cuándo parar?».

Si necesito supervisar cada clic de una tarea sencilla, la autonomía se queda corta. Si el sistema cruza una decisión que sigue siendo mía, se ha pasado.

Lo que cambió en mi cabeza antes de cambiar en una hoja de cálculo

El intervalo va del 15 de octubre de 2026 a medianoche hasta el 17 de octubre a las 21:08:09, hora de São Paulo: tres días de calendario, con el tercero todavía incompleto.

En ese periodo trabajé en la evolución de dos bibliotecas —conjuntos de código que otros sistemas pueden reutilizar—, se publicaron 29 versiones estables en tres proyectos y se incorporaron 23.179 líneas modificadas en código, pruebas y configuración. El recuento encontró 135 pull requests abiertos en seis repositorios; 123 ya estaban incorporados al llegar al corte. Las versiones incluyen capacidades, correcciones y mantenimiento; las líneas proceden de comparar el inicio y el final del periodo, sin sumar cambios superpuestos de PRs, y no miden escritura manual ni productividad.

En los tres días que motivaron esta conversación, avancé en paralelo en frentes de desarrollo de software e infraestructura, con cambios preparados para revisión. Estimo que ese trabajo probablemente me habría llevado entre tres y seis meses hace dos o tres años, antes de esta facilidad para dirigir agentes. Es una comparación personal con mi forma de trabajar de entonces, no una medición de productividad. Más adelante muestro algunas entregas verificables de ese periodo.

El trabajo exigía más esfuerzo y tiempo. El agotamiento mental también reducía cuánto conseguía producir. Solo anticipar el coste y la dificultad de implementar una idea ya me cansaba antes de empezar. Al ejecutar una, surgían otras; la ansiedad por ejecutar las nuevas me hacía perder tracción en las anteriores.

Las ideas en secuencia siempre estuvieron ahí. Cada funcionalidad abría caminos hacia varias más, y podía perderme en profundizaciones antes de terminar lo que había empezado. Eso todavía ocurre. Lo que cambió es que hoy puedo encaminar esos nuevos frentes a los agentes sin parar la ejecución del anterior.

Después evalúo si el resultado corresponde a lo que quería. Las reglas que ya acordamos dejan parte de las entregas casi lista para aprobación. No siempre está bien; todavía necesito examinar lo que se hizo y decidir qué acepto.

Hay una frase que resume bien lo que me está pasando:

Estoy más comprometido con el proceso porque estoy menos involucrado en el proceso.

Menos involucrado en ejecutar manualmente cada paso. Más involucrado en decir qué quiero, especificar cómo debe cumplirse, construir los acuerdos de trabajo y validar el resultado. Eso también es trabajo. Y es una parte del trabajo en la que disfruto participar.

Por eso me irrita la promesa que veo repetida en ofertas de IA: «ya no necesitarás trabajar porque la IA trabajará por ti». Considero que esa promesa es mentira. Y además le quita la gracia al proceso. Lo que estoy viviendo es más ganas de participar y ver el trabajo suceder. La herramienta amplió lo que puedo poner en marcha; no convirtió mi interés en el deseo de desaparecer de la operación.

La ganancia que percibo está en esa menor distancia entre pensar en algo y tener trabajo concreto para evaluar. No se trata solo de terminar más cosas. Puedo sacar ideas de la cabeza sin ejecutar personalmente cada paso de cada una.

Ya podría poner esas etapas en automático: crear una tarea y encadenar implementación, revisión, publicación y seguimiento. Elijo no habilitarlo todo todavía. Lo que estoy construyendo es la confianza en que el flujo respeta mis criterios, mantiene mis reglas durante la ejecución y sabe cuándo debe llamarme. Quiero que los agentes incorporen mejor esa forma de trabajar para reducir las verificaciones manuales que hoy todavía necesito hacer.

Una profesora mía tenía una frase: «No porque funcione significa que esté bien». Tardé años en entenderla. Aquí encaja perfectamente: que un flujo se ejecute no demuestra que cumpla los criterios, tenga la calidad necesaria o esté listo para recibir mi confianza. No voy a vender como terminado lo que todavía quiero construir. Critico esa promesa de trabajo validado solo porque algo se ejecutó. Automatizar más no me libera de responder por el resultado ni garantiza que todo estará siempre bien.

Ya exploré esa diferencia en «La IA hizo un elefante. El especialista lo vendió como conejo.»: cumplir una petición ambigua no basta para atender la intención; me corresponde especificar y comprobar.

El alma del texto no entra en la automatización

Esta conversación muestra lo que intento decir. El artículo empezó con el asombro por los mil reales. Después fui aportando lo que faltaba: la broma de Piccolo, el cansancio de anticipar toda la ejecución, las ganas de trabajar y la decisión de seguir participando. Estoy dando dirección al texto mientras toma forma.

Podría configurar un flujo para generar artículos, publicaciones en Instagram y textos para X a intervalos definidos. Lo que me interesa es si estaría siendo fiel a mi esencia y a mi autoría si lo dejara funcionar sin leer, sin saber qué se estaba escribiendo en mi nombre. Escalar la producción es una cosa. Reconocerme en lo que firmo exige otra participación.

Aunque diera dinero, no quiero monetizar lo que para mí sería una mentira: presentar como pensamiento mío algo de lo que me ausenté. Es una elección personal sobre lo que firmo. Automatizar contenido puede servir a muchos propósitos legítimos; el problema aquí sería fingir una participación autoral que no tuve.

En portugués llamo a ese abandono «delargar em vez de delegar»: un juego de palabras entre delegar y soltar la responsabilidad. Delegar exige conducir, definir límites y evaluar la entrega. Abandonar es renunciar a eso y seguir vendiendo el resultado como si se hubiera cumplido esa responsabilidad.

Tampoco quiero usar IA para explotar los resortes psicológicos de las personas de una manera que no me gustaría sufrir. Hay personas y ofertas legítimas ganando dinero legítimamente. Mi elección es explicar qué entrego y sus límites, sin fabricar miedo, culpa o escasez para empujar una compra.

Ya lo abordé en «Escribir con IA no me hizo menos autor». Cuando pienso en un libro, la idea, la dirección y lo que llamo su alma son míos. La IA puede ayudar a que la prosa se entienda, organizar párrafos, corregir palabras y concordancia y reducir la carga de la revisión mecánica. Sigue siendo necesario evaluar si el resultado conserva lo que quería decir.

Las preocupaciones que no necesito tener, no necesito tenerlas. Las que necesito tener son mi responsabilidad, y creo que todo el mundo debería asumirla.

No necesito reconstruir cada frase solo para participar de verdad. Necesito reconocer la idea, comprobar las afirmaciones, rechazar lo que no me representa y responder por lo que publico. Ahí quiero poner mi atención. La herramienta puede aliviar la ejecución; la responsabilidad de firmar sigue teniendo dueño.

Comprobé qué salió de ese movimiento

Los números muestran la escala. Me interesa el trabajo que vino con ellos.

Pedí a los agentes que hicieran revisiones en busca de bugs —errores en el funcionamiento del software— y fallos de seguridad. Aparecieron problemas para investigar y corregir. Algunos descubrimientos me sorprendieron. Ese uso marca una diferencia para mí: examinar lo que ya existe, encontrar puntos que habían pasado desapercibidos y encaminar las correcciones, además de desarrollar cosas nuevas.

En las dos bibliotecas, el resultado fue código reutilizable mejor preparado para su uso. error-handler mejoró la forma de tratar los fallos y separar lo que ve el usuario de la información para el diagnóstico técnico. También hubo correcciones para conservar contenido producido por la aplicación. php-cs-fixer mejoró las reglas compartidas para uniformar el código y las comprobaciones que ayudan a mantenerlas consistentes.

Otro frente preparó un entorno para ejecutar pruebas y comprobar cambios automáticamente. También llegaron comandos para operar ese entorno, documentación y procedimientos para usar y mantener lo construido. Una entrega atraviesa varios cambios; las versiones publicadas registran etapas de ese trabajo.

Vi procesos que antes imaginaba que llevarían meses ocurrir en pocas horas. Es mi percepción sobre esta forma de trabajar, no una comparación cronometrada ni una previsión de plazos para otra persona. Lo que puedo mostrar son entregas, correcciones y versiones disponibles para comprobar.

Encontrar un problema también abre trabajo: tengo que evaluar el hallazgo, decidir la corrección y comprobar el resultado. Una revisión no certifica que el sistema haya quedado libre de fallos. Una versión publicada demuestra que algo se puso a disposición; no demuestra adopción por clientes ni resultados en producción.

La cuenta incluye el tiempo que me cobra la IA

No tengo una hoja de cálculo auditada de horas recuperadas. Tampoco una cifra de retorno financiero que convierta mi experiencia en una promesa para otra persona.

Tengo una forma de evaluar: elegir una tarea recurrente y seguirla hasta una entrega aceptada.

¿Cuánto tuve que explicar? ¿Cuánto tuve que comprobar? ¿Sirvió el resultado? ¿Hubo errores? ¿Tuve que rehacerlo? ¿La tarea salió de la lista o solo cambió de formato?

El tiempo de supervisión entra en la cuenta. Las revisiones y el trabajo repetido también. Además de la suscripción, deben figurar otros gastos en herramientas, infraestructura y mantenimiento cuando existan. El precio de un plan no es el coste total de operar con IA.

También necesito considerar qué se entregó. Un archivo correcto, una investigación que reduce la incertidumbre y un cambio probado tienen efectos distintos. Una tarea puede volverse más rápida y seguir estando mal. Puede exigir más revisión ahora y crear un procedimiento reutilizable después. Hay que observarlo, no presumirlo.

La cantidad de agentes, mensajes, líneas modificadas o propuestas de código no resuelve esa evaluación. Un mismo resultado puede atravesar varios pull requests; uno solo puede mezclar corrección, documentación y funcionalidad. El volumen bruto muestra movimiento. Todavía hay que comprobar la entrega.

Es el mismo cuidado de «No todo cuello de botella merece IA»: a veces el mejor ahorro es eliminar un paso inútil. Poner un agente a mantenerlo solo vuelve más sofisticado el absurdo.

¿Y si para ti no compensa?

Puede que no compense.

Una persona con uso ocasional quizá resuelva lo que necesita con un plan más barato, una herramienta específica o una buena regla de automatización. No necesito que todo el mundo compre la misma suscripción para justificar la mía.

Tampoco necesito convertir esta cuenta en una comparación con el sueldo de alguien. Un conjunto de tareas asistidas no equivale a sustituir a una persona, su contexto, su responsabilidad y su criterio.

Para mí merece la pena porque consigo convertir más ideas en trabajo y tengo más interés en participar en él. Es mi valoración de mi rutina, revisable conforme cambien el coste, la calidad y las necesidades.

Quiero seguir registrando esa experiencia aquí, incluso para la posteridad: cómo estoy trabajando, qué funciona y qué sigue dependiendo de mí. Sin tener que anunciar una revolución en cada texto.

Si estás evaluando un gasto así, empieza por una tarea que hoy se atasca en tus manos. Define la entrega, el límite de acción y cómo vas a comprobarla. Observa el resultado y cuenta también el esfuerzo que te exigió la herramienta.

La broma de Piccolo encontró una versión posible en mi rutina: puedo poner más frentes en marcha sin tener que ser los brazos de todos ellos. La dirección sigue conmigo, igual que la decisión de aceptar, corregir o descartar el resultado.

Al final, la pregunta que me interesa es bastante menos impresionante que «¿cuántos agentes usas?»:

Después de esa conversación, ¿qué dejó de depender de que yo lo hiciera todo?

Para profundizar

• Del chatbot a la operación: la diferencia entre responder y participar en un trabajo.
• El harness alrededor del modelo: la estructura necesaria más allá de la suscripción.
• Acerca de los pull requests: cómo discutir y revisar cambios antes de incorporarlos.

Referencias y límites de uso

• OpenAI — modalidades ChatGPT Pro: consultada el 18/10/2026; respalda la referencia de US$ 200 mensuales de Pro 200. No demuestra mi factura, disponibilidad de toda integración, coste total ni retorno del uso. Precios y límites pueden cambiar.
• GitHub — acerca de los pull requests: respalda la explicación del mecanismo de propuesta y revisión; no demuestra la eficacia de mis procedimientos.

• Los ejemplos de rutina son mi relato, sin datos privados de terceros. No constituyen un estudio comparativo de productividad. «Unos mil reales» es mi descripción aproximada del gasto, sin cálculo de divisas ni impuestos o comisiones inferidos.

• Bibliotecas y versiones publicadas: los archivos de definición de los paquetes error-handler y php-cs-fixer clasifican ambos paquetes como bibliotecas. Las listas públicas de versiones de error-handler y php-cs-fixer respaldan 21 y dos versiones estables dentro del intervalo, respectivamente. Se comprobaron otras seis versiones estables en la herramienta privada de línea de comandos. Filtrando por fecha de publicación, sin borradores ni versiones preliminares: 29 en total. Las notas de 2.4.0, 2.5.0, 2.5.2 y 3.0.0 respaldan las mejoras y correcciones descritas; publicar no demuestra adopción por terceros.

• Líneas e incorporación: 23.179 es la suma de los cambios por archivo en la comparación entre los estados registrados de la versión principal de cada repositorio inmediatamente antes del inicio y en el corte final. Incluye 296 archivos seleccionados de código, pruebas y configuración; quedan fuera documentación, planes, ejemplos, dependencias, archivos generados y registros que fijan versiones de dependencias. Cada repositorio se compara una vez, sin repetir cambios presentes en más de una propuesta ni sumar cada edición intermedia. Los comparativos de error-handler y php-cs-fixer son públicos; los demás comparativos, filtros e inventario permanecen en el apoyo privado de la revisión. El total incluye pruebas y configuración; no mide autoría manual ni todas las ediciones intermedias. De los 135 PRs abiertos en el intervalo, 123 registraban incorporación antes del corte y 12 todavía no; no se contaron incorporaciones posteriores como entregas de ese periodo.

• Recuento propio de actividad en GitHub: consultas a los propietarios coisa, mentordosnerds e I-9-AI, deduplicadas por URL y verificadas individualmente. Intervalo UTC: 15/10/2026 a las 03:00 hasta 18/10/2026 a las 00:08:09. El inventario de revisión se conserva fuera del repositorio público porque contiene metadatos privados. No certifica cobertura completa, contribución manual, despliegue, horas recuperadas ni retorno.

• OpenAI — tareas programadas y apps conectadas: respaldan la distinción entre recursos de la plataforma y acceso condicionado a servicios. No demuestran mis ejecuciones particulares ni que toda integración esté incluida en el plan.
• Las comparaciones personales entre tres días actuales y tres a seis meses de trabajo pasado, y entre procesos de meses y pocas horas, son estimaciones mías. No proceden de un experimento controlado, medición de horas ni cálculo de retorno. Encadenar etapas automáticamente es una posibilidad técnica que el autor elige no habilitar por completo; la madurez buscada es fiabilidad y respeto a sus criterios, sin garantía absoluta ni transferencia de responsabilidad.