Cómo funciona ChatGPT Deep Research, guía interactiva
Recorre un diagrama de ChatGPT Deep Research, del brief al informe con fuentes. Aprende a precisar la pregunta y comprobar la evidencia.
En una revisión trimestral hipotética, un equipo de ecommerce quiere decidir qué preguntas debe responder su centro de ayuda para clientes de Canadá. ChatGPT Deep Research puede preparar un informe a partir de varias fuentes, pero definiría primero la decisión de contenido que debe respaldar. Es difícil evaluar una recomendación de publicar una guía de entregas si todavía no sabemos qué pregunta deja sin responder la página actual.
Un resultado útil conecta la acción propuesta con evidencia que el editor pueda revisar. Una lista más larga de ideas no resolvería esa decisión.
TLDR Define la pregunta y las fuentes permitidas, revisa la investigación propuesta y comprueba la evidencia del informe. El diagrama permite recorrer un brief amplio, una tarea delimitada o una contradicción que exige otra consulta. Son ejemplos educativos que distinguen lo documentado de las observaciones y las interpretaciones.
El brief antes de la primera búsqueda
La primera petición del equipo podría ser “Investigar ideas de contenido para clientes de Canadá”. Esa frase deja al investigador decidir qué cuenta como una idea útil. El resultado podría tratar tendencias de ecommerce sin revisar una sola página del centro de ayuda de la empresa.
Un brief más preciso pide identificar preguntas sin respuesta sobre el estado de una entrega o las instrucciones de devolución en las páginas públicas actuales. También define el resultado esperado, una acción de contenido propuesta, su evidencia y las dudas que requieren aclaración de la empresa. En este ejemplo no se aportan registros de clientes ni políticas reales de una compañía.
Las instrucciones sobre fuentes definen lo que el editor espera del informe. No certifican que todas las páginas recopiladas sean adecuadas, por lo que cada recomendación todavía necesita revisión.
La documentación del producto de OpenAI describe una investigación con varias fuentes y un informe para revisar. El usuario aporta la pregunta, el alcance y el resultado esperado. La disponibilidad depende de su cuenta y espacio de trabajo.
Para esta tarea, incluiría las páginas públicas actuales del centro de ayuda y la documentación de producto pertinente. Una conversación pública puede sugerir una pregunta útil, mientras que la respuesta sobre la empresa necesita respaldo en sus instrucciones vigentes. Separar esos usos facilita evaluar una recomendación.
La pregunta podría quedar así. “¿Qué dudas sobre el estado de las entregas siguen sin respuesta en nuestro centro de ayuda de Canadá, y conviene actualizar una página existente o crear otra?” Con ese alcance, un hallazgo inesperado todavía puede resultar útil. Si la página ya responde la duda, quizás haga falta mejorar cómo se encuentra, en lugar de redactar otro artículo.
Un plan alrededor de una pregunta concreta
Elige el escenario de brief amplio en el diagrama. La vuelta hacia la aclaración ilustra una tarea que todavía necesita un límite importante. Después cambia al escenario delimitado y sigue su recorrido hasta el plan.
El estudio de Steve Toth sobre Deep Research describe 19 conversaciones de 3 turnos registradas el 25 de septiembre de 2026, con un brief, un plan y campos de progreso visibles en el navegador. Su significado se presenta como inferencia. Una captura del navegador muestra el tráfico que recibe el cliente, no todas las operaciones del servidor. No replicamos ese experimento, y el diagrama no establece una secuencia interna universal.
Para nuestro editor hipotético, el plan debería permitir detectar una tarea equivocada. ¿Investiga las dudas pendientes del centro de ayuda o se convirtió en una recopilación de contenido de competidores? La segunda opción puede servir para otro brief, pero no resuelve este.
Revisaría que el plan conecte la investigación de fuentes con la decisión solicitada. Es fácil proponer recopilar más páginas. Identificar cuál puede demostrar el dato pendiente exige pensar mejor la tarea.
Un dato pendiente durante la investigación
Supongamos que el ejemplo encuentra instrucciones diferentes en una página de ayuda y en una página promocional. Un informe podría disimular esa contradicción y recomendar una nueva guía. El editor terminaría trabajando con una suposición sobre la política que la investigación nunca confirmó.
Elige el escenario de evidencia contradictoria y sigue la flecha de regreso. Esa vuelta representa buscar el respaldo que falta, en lugar de aceptar el primer material encontrado como suficiente.
La guía de búsqueda web de la API de OpenAI describe búsquedas con razonamiento que pueden continuar después de revisar resultados. Esta capacidad de la API ayuda a explicar el bucle, sin especificar cada investigación de ChatGPT ni un umbral fijo de finalización.
En nuestro caso educativo, otra consulta podría buscar la versión aplicable de las instrucciones o una corrección documentada. Si eso no resuelve la contradicción, el informe debería señalar la pregunta pendiente. La comprobación de evidencia del diagrama es una decisión editorial para explicar el proceso, no una afirmación de que OpenAI use nuestra lista internamente.
Ese resultado cambia la siguiente tarea del editor. Alguien necesita aclarar las instrucciones antes de que un redactor las desarrolle. Citar las dos páginas que se contradicen documentaría el problema, sin convertir ninguna de ellas en la respuesta confirmada de la empresa.
Revisar el informe antes de asignar trabajo
Una recomendación de crear un artículo sobre el estado de una entrega debería identificar la pregunta que las páginas actuales dejan sin responder. Comprobaría esa relación antes de encargar el texto.
Una recomendación vinculada con su evidencia
Para cada actualización propuesta, abre la página citada y compara su contenido con la recomendación. Si el informe pide explicar las actualizaciones del seguimiento de pedidos, ¿qué fuente demuestra el proceso que describiría ese artículo? Una afirmación general sobre atención al cliente no responde esa pregunta operativa.
El informe también debería distinguir una duda sin respuesta de una respuesta difícil de encontrar. Son problemas que requieren trabajos distintos. Tal vez baste con mejorar el encabezado de una página o sus enlaces internos, sin agregar otra URL.
| Hallazgo de investigación en el ejemplo | Siguiente acción editorial |
|---|---|
| Una página pública adecuada ya contiene la respuesta | Mejorar cómo se encuentra o presenta, si hace falta |
| El material aportado no respalda una respuesta útil | Pedir a la empresa el dato que falta |
| Las páginas actuales dan instrucciones contradictorias | Resolver la contradicción antes de ampliar el texto |
Una duda pendiente y su siguiente acción
Si dos páginas públicas dan instrucciones diferentes sobre devoluciones, el informe debería identificar las afirmaciones que se contradicen. Una nota que precise el producto y la versión de la fuente le da al responsable algo que comprobar. Una petición vaga de “investigar más” deja esa tarea sin definir.
Aquí evitaría dar el informe por cerrado solo por su presentación. Un documento con una pregunta pendiente visible puede ayudar a asignar mejor el trabajo que un calendario de contenido terminado en apariencia, pero basado en una suposición.
El análisis de factores de citas en IA trata la evidencia detrás de la aparición de fuentes. Para esta tarea, aplicaría primero una comprobación más inmediata, confirmar que el material enlazado respalda la recomendación antes de encargar trabajo.
Evidencia útil para quien publica
El mismo ejercicio puede mejorar las páginas que el equipo ya tiene. Un artículo de ayuda vigente con instrucciones específicas sirve más para comprobar un dato de la empresa que un párrafo promocional sobre facilidad de uso. Es una recomendación de calidad de evidencia, sin garantía de recibir una cita de IA.
Mantén las condiciones pertinentes cerca de la afirmación. Si las instrucciones corresponden a un producto o a un área de servicio concreta, el lector no debería tener que resolver ese alcance en otra página. El análisis de EntityMap examina un problema relacionado de información consistente sobre entidades, sin prometer que un archivo especial resuelva la visibilidad.
También importa el acceso. Si el texto depende de código del lado del cliente, una revisión de renderizado para asistentes de IA puede ayudar a identificar qué material está disponible. Es difícil contrastar un informe con documentación a la que el lector no puede llegar.
Evidencia del producto y analogías de la API
La guía conservada de la API de Deep Research describe aclaración y reformulación de prompts, y distingue un flujo de API que recibe una petición completa. También incluye un aviso explícito de deprecación. Esa explicación de diseño no confirma los modelos actuales ni exige que todas las investigaciones del producto sigan los mismos pasos.
Interpreta las etiquetas de evidencia del diagrama dentro de esos límites. Las flechas explican relaciones posibles entre tareas, sin revelar todas las operaciones del servidor.
Un brief de investigación para el próximo trimestre
Antes de comenzar otra investigación, elegiría la decisión que debe respaldar el informe. Para este centro de ayuda hipotético, hay que decidir si conviene mejorar una respuesta existente, pedir un dato que falta o encargar una explicación nueva respaldada por la documentación de la empresa.
Pide que las recomendaciones incluyan su evidencia y las preguntas pendientes. Después revisa el resultado contra esa petición. Así se puede evaluar la investigación sin depender de la extensión del documento ni de un número concreto de búsquedas.
Para una pregunta más pequeña, una respuesta de ChatGPT Search puede aportar suficiente material para revisar. El formato de investigación resulta útil cuando hace falta relacionar varias fuentes y decidir qué sigue sin respuesta.
Preguntas frecuentes
¿Qué debería incluir un brief de Deep Research?
Define la pregunta, el alcance y el resultado esperado. Para una tarea de contenido, agrega las fuentes permitidas y la decisión que debe respaldar el informe. Estas instrucciones definen una tarea revisable, sin garantizar que todos los hallazgos sean correctos.
¿Deep Research siempre hace el mismo número de búsquedas?
Las fuentes revisadas no establecen una cantidad universal para el producto. Las observaciones de Toth corresponden a su muestra fechada, mientras que la documentación de la API describe capacidades dentro de su propio alcance.
¿Un informe puede resolver un dato ausente de sus fuentes?
Deja ese dato pendiente hasta contar con evidencia adecuada. Una recomendación generada o una cita a una página general no demuestra una instrucción de la empresa que no aparece en el material disponible.
¿Conviene revisar el informe antes de usarlo?
Abre la evidencia que respalda sus recomendaciones y comprueba el alcance. Mantén visibles las contradicciones y los datos pendientes para que la siguiente tarea de contenido no dependa de una suposición sin respaldo.
