La conversación de Matthew Berman con Tibo permite mirar la próxima etapa de la IA desde el lugar donde se cruzan producto, infraestructura, investigación y experiencia de uso.

Esta entrada resume y organiza las ideas principales de una entrevista de 44 minutos sobre el futuro de los agentes de inteligencia artificial. No es una transcripción literal: es una lectura editorial que reúne los argumentos, ejemplos y proyecciones que aparecen en la conversación, y que distingue entre lo que el entrevistado describe como trabajo actual y lo que plantea como dirección futura.

El entrevistado es Thibault Sottiaux, conocido públicamente como Tibo. En OpenAI ocupa el cargo de responsable de productos centrales —Head of Core Products— y lidera también Codex, el agente de ingeniería de software de la compañía. Su responsabilidad se relaciona con productos como ChatGPT, Codex, la infraestructura de agentes y la plataforma para desarrolladores. Antes de incorporarse a OpenAI trabajó en Google DeepMind, donde participó en infraestructura de flujos de trabajo de inteligencia artificial y datos para investigación.

Esa trayectoria, sumada a su participación directa en la construcción de los productos que están empujando la IA hacia el trabajo cotidiano, lo convierte en una voz calificada y ampliamente respetada dentro de la comunidad de inteligencia artificial y de desarrolladores. Al mismo tiempo, sus afirmaciones deben leerse como la visión estratégica de un líder de OpenAI: son señales valiosas para entender hacia dónde se mueve la industria, no garantías de que cada proyección se convierta en un producto o plazo.

La entrevista original fue publicada por Matthew Berman en X el 24 de agosto de 2026 y también está disponible en YouTube. Para el contexto del cargo y la trayectoria de Tibo, puede consultarse la presentación de OpenAI Forum.

1. La tecnología puede existir antes que el producto

Uno de los pasajes más interesantes aparece cuando Tibo recuerda su etapa en Google DeepMind. Según su relato, allí existía un prototipo interno de conversación con modelos de lenguaje aproximadamente un año antes de que ChatGPT llegara al público. La diferencia no estaba necesariamente en la posibilidad técnica, sino en la capacidad organizacional de convertir esa posibilidad en un producto accesible, confiable y suficientemente seguro.

En DeepMind, la lógica dominante era la de un laboratorio de investigación: comprender mejor los modelos, publicar resultados y reducir riesgos. OpenAI, en cambio, habría construido desde temprano una relación más estrecha entre investigación y producto. Esa relación favorece una pregunta distinta: ¿qué podemos poner en manos de las personas ahora, aunque el sistema todavía vaya a mejorar de manera importante?

La lección no es que investigar sea menos importante que lanzar. Es que una organización puede tener capacidades técnicas excepcionales y aun así no estar preparada para aprender del uso real. La ventaja de OpenAI, en el relato de Tibo, no sería sólo haber creado modelos potentes, sino haber desarrollado una cultura capaz de llevarlos rápidamente al encuentro con usuarios, errores, comentarios y nuevas expectativas.

2. Una cultura de producto que acepta reemplazarse a sí misma

Tibo describe la cultura de OpenAI como una combinación de iniciativa desde abajo, equipos con capacidad de decisión y una fuerte inclinación a lanzar, observar y corregir. La organización intenta que las ideas no tengan que recorrer demasiadas capas antes de llegar a una prueba con usuarios. La información de uso vuelve entonces al equipo de producto y alimenta el siguiente ciclo.

Esa velocidad tiene una consecuencia importante: los productos exitosos también pueden ser reemplazados. Codex, ChatGPT y las interfaces que hoy conocemos no son necesariamente el destino final; son etapas que pueden ser absorbidas por una experiencia más amplia. Para una organización, esto cambia el significado de proteger una línea de negocio. No basta con optimizar lo existente si la siguiente oportunidad exige abandonar parte de lo que funcionó.

Pero el propio Tibo reconoce la tensión. La rapidez no puede transformarse en acumulación permanente de funciones. El desafío es sostener al mismo tiempo simplicidad, calidad y eficiencia. La cultura de lanzamiento sólo genera valor cuando cada nueva capacidad hace que el sistema sea más útil y no simplemente más complejo.

3. Del asistente de programación al agente personal

En la entrevista, Tibo plantea que el agente actual todavía exige demasiada configuración explícita. El usuario debe preparar archivos de habilidades, memoria, subagentes y reglas de trabajo; después debe explicar qué quiere y revisar si el sistema entendió el contexto. Esa arquitectura es poderosa, pero también revela que seguimos adaptando a las personas a la herramienta.

La próxima generación debería invertir la relación. El agente debería comprender quién es la persona, qué objetivos persigue, cómo trabaja, qué equipo la acompaña y qué restricciones importan. No se trataría solamente de responder una pregunta, sino de mantener una relación operativa con el contexto: actuar cuando se le solicita y, en ciertos casos, anticipar una necesidad sin convertir cada interacción en una larga sesión de instrucciones.

Tibo diferencia dos grandes categorías. La primera es una IA personal que acompaña el flujo de trabajo: investiga, compara alternativas, prepara un borrador, revisa un análisis, programa, explica una decisión o ayuda a pensar. La segunda es la automatización completa de tareas acotadas: revisar registros de rendimiento, detectar regresiones, proponer un parche de seguridad o mantener un sistema funcionando con mínima intervención humana.

La frontera decisiva no es si el agente puede ejecutar una acción, sino qué acciones puede ejecutar sin autorización adicional. En operaciones sensibles —finanzas, seguridad, infraestructura o información personal— la autonomía debe combinarse con límites, trazabilidad y aprobaciones humanas para los cambios de alto riesgo.

4. Cuando el portátil deja de ser suficiente

La visión de agentes también cambia la arquitectura física del trabajo. Un portátil es muy bueno para interactuar con una herramienta a la vez, pero se vuelve un cuello de botella cuando una persona quiere delegar investigaciones, pruebas, revisiones y tareas de código en paralelo. La propuesta de Tibo es que parte de ese trabajo se desplace a entornos en la nube, persistentes y capaces de mantener varios agentes activos simultáneamente.

El cambio no significa que el computador personal desaparezca. Significa que su función puede desplazarse desde ejecutar cada paso hacia supervisar resultados, decidir prioridades y mantener la relación con el equipo. La unidad de productividad deja de ser “una persona frente a una aplicación” y pasa a ser “una persona coordinando una pequeña red de agentes y personas”.

Para las organizaciones, esto abre una pregunta práctica: ¿están diseñados los procesos para que una persona pueda delegar y supervisar, o siguen dependiendo de que el conocimiento se mueva manualmente entre sistemas? El valor de los agentes dependerá menos de una demostración aislada y más de la calidad del entorno en el que puedan actuar.

5. ChatGPT y Codex: de productos separados a una misma inteligencia

Uno de los mensajes centrales es la convergencia entre ChatGPT y Codex. En vez de imaginar un producto para conversar y otro para programar, OpenAI parece orientarse a una misma base de inteligencia con distintas formas de trabajo. El usuario no tendría que decidir de antemano si está entrando en “modo programador” o “modo no técnico”; la interfaz debería adaptarse a la tarea, al nivel de contexto y a la experiencia de cada persona.

Esa convergencia también es multimodal. Tibo imagina una interacción que combine texto, voz, visión, documentos, código, pizarras y espacios de trabajo compartidos. La voz resulta especialmente relevante porque elimina parte de la fricción de escribir instrucciones detalladas. La IA puede pasar de ser una ventana que se consulta a convertirse en una capa más ambiental de la actividad cotidiana.

Durante la conversación, Matthew Berman menciona una cifra de 20 millones de usuarios de Codex. La cifra aparece como un dato de la conversación y no la presento aquí como una verificación independiente. Lo importante para el argumento es que Codex ya no se describe como una herramienta exclusiva para especialistas: el objetivo es llevar sus capacidades de planificación y ejecución a personas que trabajan en muchas otras áreas.

6. La velocidad como nuevo factor de productividad

La entrevista dedica bastante espacio a Ultra Fast, una modalidad orientada a entregar tokens a una velocidad muy superior. En escenarios favorables —generación intensiva y sin demasiadas llamadas externas— se habla de multiplicar varias veces la velocidad de salida, con referencias de 10 a 14 veces. Cuando se incorporan red, herramientas, validaciones y tiempos de respuesta de otros servicios, la mejora percibida de extremo a extremo sería menor, del orden de tres o cuatro veces.

La diferencia importa porque muchos usos de IA no se sienten lentos por la inteligencia del modelo, sino por el tiempo que una persona pasa esperando. Una respuesta más rápida permite explorar más alternativas, programar por conversación, trabajar con voz, probar prototipos en tiempo real y mantener una colaboración más fluida con un agente.

Tibo explica que esta capacidad se utiliza primero en situaciones de alta exigencia, como incidentes o problemas operativos, y que la mayor parte de la capacidad debe reservarse para usuarios y clientes externos. La proyección es que velocidades hoy consideradas premium podrían acercarse a la experiencia normal en uno o dos años, mientras una capa superior seguiría disponible para quienes necesiten el máximo rendimiento.

7. Los resets: infraestructura convertida en relación con la comunidad

Una parte más ligera de la conversación trata sobre los resets de límites de uso de Codex. Lo que empezó como una manera de compensar interrupciones, configuraciones incorrectas o una mala experiencia terminó convirtiéndose en un ritual reconocible por la comunidad. Tibo cuenta que incluso tiene un botón físico para activar un reset cuando considera que corresponde.

Matthew Berman interpreta estos gestos como una forma de construir buena voluntad y acompañar el crecimiento del producto. El punto no es el botón en sí mismo, sino la relación que se forma cuando una empresa responde de manera visible a la experiencia de sus usuarios. En productos que todavía están cambiando rápidamente, ese tipo de señal puede ser tan relevante como una nueva función.

8. La eficiencia como estrategia de acceso

Frente a la pregunta por los costos y el consumo de cómputo, Tibo describe una estrategia de eficiencia acumulativa. La inversión temprana en capacidad permite aprender, y los modelos más avanzados pueden ayudar a optimizar la propia infraestructura: kernels, capas de inferencia, servidores y herramientas que hacen posible atender más solicitudes con los mismos recursos.

En la conversación se mencionan mejoras de velocidad del orden de 60% frente a algunos meses atrás. Como ocurre con otras cifras del video, es mejor leerlo como una afirmación del equipo y no como una auditoría externa. El principio estratégico sí es claro: la eficiencia algorítmica, la planificación de capacidad y la escala pueden reducir costos y permitir que una mayor parte del beneficio llegue a los usuarios en forma de más velocidad, menor precio o más capacidad incluida.

La consecuencia es una visión distinta de la competencia. El acceso a modelos avanzados no dependería sólo de quién posee más centros de datos, sino también de quién aprende más rápido a usar cada unidad de cómputo. La eficiencia se vuelve una condición para que la IA deje de ser una demostración extraordinaria y se convierta en una infraestructura cotidiana.

9. La mejora recursiva no se limita a entrenar un modelo nuevo

Cuando Berman pregunta por la mejora recursiva —la idea de que la IA ayude a mejorar la IA—, Tibo ofrece una interpretación amplia. No la reduce a que un modelo entrene automáticamente a su sucesor. También incluye usar modelos para mejorar la infraestructura de servicio, optimizar kernels, revisar el código que conecta las piezas, acelerar la inferencia y perfeccionar las herramientas con las que las personas interactúan.

El ciclo sería sistémico: un modelo mejor ayuda a construir una infraestructura más rápida; una infraestructura más eficiente reduce costos y latencia; la reducción de fricción aumenta el uso; más uso genera más información para mejorar productos y modelos. La tesis no es que el sistema se vuelva mágicamente autónomo, sino que cada capa puede ayudar a mejorar las siguientes.

Precisamente por eso, el cuello de botella puede desplazarse. Si el código se produce con mayor rapidez, la restricción pasa a ser la revisión, la priorización, la seguridad y la capacidad humana para decidir qué resultado merece incorporarse al sistema real.

10. La pausa en el entrenamiento de frontera: entender antes de acelerar

Tibo también aborda la decisión de pausar parte del entrenamiento de modelos de frontera basados en aprendizaje por refuerzo. Su explicación pone el acento en seguridad y alineación: antes de seguir aumentando la capacidad, el equipo necesita entender mejor el comportamiento del sistema, endurecer controles y asegurarse de que puede recuperar el dominio cuando surgen comportamientos inesperados.

La entrevista no entrega umbrales públicos ni una fecha precisa para reanudar cada línea de trabajo. Por eso, la pausa no debe interpretarse automáticamente como un fracaso técnico o como una señal de que el desarrollo se detuvo. Es más útil leerla como una tensión permanente entre acelerar para aprender y detenerse lo suficiente para que la organización pueda explicar, controlar y corregir lo que está construyendo.

11. La discusión no se reduce a OpenAI versus Anthropic

Frente a la comparación con Anthropic, Tibo evita centrar la respuesta en una carrera de titulares. Su énfasis está en aquello que OpenAI puede hacer de manera diferenciada y en su responsabilidad de ampliar el acceso. La misión, según su formulación, no consiste sólo en ganar usuarios técnicamente sofisticados, sino en lograr que más personas puedan utilizar la tecnología de manera segura y con beneficios reconocibles.

Esto ayuda a entender por qué la conversación vuelve una y otra vez a la difusión. Codex fue construido para una audiencia técnica que podía tolerar interfaces tempranas y errores; el siguiente paso es empaquetar capacidades similares para personas que no se identifican como programadoras. El desafío ya no es únicamente demostrar que un agente puede hacer una tarea, sino hacer que la tarea sea comprensible, confiable y agradable de delegar.

12. Qué significa este escenario para las organizaciones

El mensaje de fondo no es que toda organización deba comprar más herramientas de IA. Es que la forma de organizar el trabajo puede cambiar si los agentes pasan de responder consultas a ejecutar secuencias completas de acciones. Algunas implicancias prácticas son:

  • El contexto se vuelve un activo operativo. Los agentes sólo pueden actuar bien si conocen objetivos, reglas, fuentes válidas, responsables y límites de decisión.
  • La supervisión reemplaza parte de la ejecución manual. El trabajo humano se desplaza hacia definir prioridades, revisar resultados y resolver excepciones.
  • La arquitectura importa tanto como el modelo. Memoria, permisos, trazabilidad, ambientes de prueba y capacidad de revertir cambios son condiciones de confianza.
  • La velocidad puede cambiar el estándar de exploración. Si probar una alternativa cuesta menos tiempo, los equipos pueden comparar más escenarios antes de comprometer recursos.
  • La autonomía exige gobierno. Cuanto más lejos llegue un agente sin pedir ayuda, más importante se vuelve separar acciones reversibles de cambios que necesitan aprobación explícita.

Conclusión: de la herramienta a la capa de coordinación

La entrevista presenta una visión en la que la IA deja de ser una aplicación aislada y se convierte gradualmente en una capa de coordinación. Esa capa puede conversar, investigar, programar, observar sistemas, preparar decisiones y ejecutar trabajo. El paso relevante no es que el modelo produzca más texto, sino que pueda actuar dentro de un contexto con objetivos, permisos y consecuencias.

La convergencia de ChatGPT y Codex, el avance de los agentes en la nube, la búsqueda de más velocidad y la eficiencia de la infraestructura apuntan en la misma dirección: reducir la distancia entre intención y resultado. Pero la misma entrevista deja ver el desafío que queda abierto. Cuando actuar sea fácil, la ventaja no estará sólo en tener acceso al modelo, sino en saber qué delegar, qué verificar, qué proteger y qué decisiones siguen siendo profundamente humanas.

Esa es la señal más útil de la conversación con Tibo. El futuro de la IA no se juega únicamente en la capacidad de los modelos, sino en el diseño de relaciones de trabajo entre personas, agentes, datos e instituciones. Para las organizaciones, prepararse no significa adivinar el próximo lanzamiento. Significa construir suficiente claridad, contexto y responsabilidad para aprovechar la velocidad cuando llegue.