OpenAI lanzó dots el 29 de septiembre: agentes que siguen trabajando aunque cierres el chat. Cada uno corre en su propia computadora en la nube, con su propio navegador, y puede usar más de 4,000 apps conectadas. Ya están llegando a cuentas Pro y Business Premium en mercados elegibles, con beta para Enterprise, Edu y Healthcare.
Qué hace diferente a un Dot de un chatbot normal
La diferencia no está en el modelo: corren sobre GPT-6 Astra, el mismo que OpenAI mostró en DevDay. Está en el diseño. Un Dot puede llevar varios proyectos a la vez, mandarte actualizaciones de avance, hacerte preguntas a mitad de tarea si algo no le queda claro y, esto es lo que más me llamó la atención, puedes ver su pantalla mientras trabaja. Nada de esperar una respuesta final sin saber qué pasó en el medio.
Lo alcanzas desde ChatGPT, Slack o Microsoft Teams (mensajes de texto llegan después, según OpenAI). Y tiene algo que llaman "investigación proactiva": el Dot busca formas de ayudarte en segundo plano, pero con acceso de solo lectura a tus apps conectadas. Es una limitación a propósito. Nadie quiere un agente que escriba solo en tu CRM sin que se lo pidas.
No es un lanzamiento aislado
En las mismas dos semanas, Microsoft rearmó Copilot alrededor de un agente permanente llamado Autopilot, con identidad propia y permisos configurables como si fuera un empleado más. Google sigue empujando Gemini Enterprise para orquestar agentes dentro de las empresas. Y Claude Cowork de Anthropic ya corre en el celular y programa tareas solo. El patrón es el mismo en los cuatro casos: la era del chatbot que espera tu mensaje se terminó. Ahora el producto es un agente que actúa sin que lo empujes paso a paso.
Un detalle que casi nadie resalta: OpenAI regala un Dot con las cuentas Pro y Business Premium en mercados elegibles, sin costo adicional. No es casualidad. Cuantas más personas prueben la idea de "un agente que trabaja solo", más rápido se vuelve normal pedirle lo mismo a cualquier producto de software, incluido el que construye tu propia empresa.
Lo que nadie dice en voz alta: ninguna empresa va a quedarse con un Dot genérico para todo. Van a querer uno que conozca su CRM, sus reglas de negocio y sus datos, y eso no lo resuelve OpenAI por ti.
La otra cara: qué pasa cuando un agente se sale de control
Por eso OpenAI limita a los Dots a solo lectura cuando investigan sin que se lo pidas: un agente con permisos de escritura sin supervisión es, literalmente, un riesgo operativo. No es el único que lo está pensando. Nvidia, junto a más de 100 socios de la industria, presentó esta misma semana una plataforma pensada para poner en cuarentena agentes que empiezan a actuar fuera de lo esperado. Si tu empresa va a soltar agentes a producción, esta pregunta no es opcional: ¿qué pasa el día que uno se equivoca a las tres de la mañana y nadie está mirando?
Para qué sirve hoy (y para qué todavía no)
Un Dot es bueno hoy para investigar, redactar una actualización de una propuesta comercial, revisar avances de varios pendientes a la vez o preparar un documento con la información que ya tiene a mano. Donde todavía se queda corto es en la lógica propia de tu negocio: no sabe que tu empresa aprueba descuentos solo arriba de cierto monto, ni que un contrato necesita pasar por legal antes de firmarse. Esa lógica hay que construirla, y ahí es donde entra la ingeniería de agentes de verdad, no la caja negra que te vende un proveedor.
Piensa en un caso simple: un agente que decide si reembolsar una compra. Necesita memoria del historial del cliente, permiso para consultar (no modificar) el sistema de pagos, y una regla clara de cuándo escalar a una persona en vez de decidir solo. Ningún Dot genérico viene con esa regla preconfigurada porque esa regla es tuya, no de OpenAI.
Qué significa si construyes con IA (no solo si la usas)
Si tu trabajo es usar IA para escribir mejor un correo, Dots te sirve tal cual viene. Pero si tu trabajo es construir sistemas de IA para una empresa, lo interesante es replicar a tu medida lo que hace un Dot por dentro: memoria entre sesiones, acceso con permisos reales, capacidad de pedir ayuda cuando algo no cuadra y la posibilidad de ver qué está haciendo el agente paso a paso, no solo el resultado final.
- ▸Memoria y estado entre sesiones: lo que separa a un agente de un bot que olvida todo al cerrar el chat
- ▸Permisos reales: solo lectura para investigar, escritura solo donde de verdad tiene sentido
- ▸Observabilidad: poder ver el proceso completo, no solo el resultado
- ▸Orquestación: coordinar varios subagentes especializados en una sola tarea, como seguramente hacen los Dots por dentro
Esos cuatro puntos son, resumidos, el trabajo de un AI Agentic Engineer. LangGraph es el framework que te da el estado y los ciclos que necesitas para que un agente no se quede atascado en un solo paso. Cuando la tarea necesita varios roles coordinados, como probablemente hacen los subagentes de un Dot, entra CrewAI. Y si quieres validar la idea rápido sin escribir tanto código, n8n te deja armar un agente funcional en días, no semanas.
Qué hacer esta semana si lideras un equipo técnico
No necesitas una estrategia de agentes completa antes del viernes. Sí te conviene hacer tres cosas: probar un Dot (o el equivalente de tu proveedor de IA) con una tarea real de tu equipo para ver dónde se queda corto, listar qué procesos internos tienen reglas que un agente genérico no va a adivinar solo, y decidir si ese proceso lo automatizas con n8n en días o si necesita un agente a medida que justifique meses de desarrollo. La mayoría de los casos de uso reales caen en el primer grupo; muy pocos justifican el segundo.
Una pregunta que me hacen seguido: ¿un Dot reemplaza a un agente hecho con LangGraph? No, resuelven problemas distintos. Un Dot es excelente si quieres algo listo para usar hoy, sin escribir código, para tareas generales. Un agente construido a medida tiene sentido cuando necesitas que respete reglas específicas de tu negocio, que se integre con sistemas internos que ningún Dot conoce, o que corra sin depender de la disponibilidad ni del precio de un proveedor externo. La mayoría de las empresas van a terminar usando las dos cosas: Dots para lo genérico, agentes propios para lo que de verdad las diferencia de la competencia.
Todo ese camino, de entender un LLM a diseñar un sistema de agentes completo, es justo lo que empaqueta la ruta AI Agentic Engineer, con proyectos reales en vez de solo teoría.
Si prefieres ir probando todo esto en vivo junto a otras personas que están construyendo lo mismo, cada semana hay un taller abierto en la Comunidad AI Builders.
Dots acaba de subir el estándar de lo que la gente espera de un agente. Si quieres estar del lado de quienes los construyen y no solo del lado de quienes los usan, la ruta AI Agentic Engineer es el punto de partida más directo, y puedes ver el resto de cursos de agentes de IA en el catálogo completo.
