Automatización de reportes con ChatGPT Data: menos traspasos

OpenAI incorporó Data a ChatGPT Work y Codex el 10 de septiembre de 2026. Para las empresas, el cambio no consiste en sumar otro botón para crear gráficos: con la automatización de reportes, un equipo puede convertir un informe semanal, antes encadenado a sucesivos traspasos entre analistas, en un único flujo conectado y actualizable, sin sacar del proceso las definiciones de métricas ni la aprobación humana.

Qué es ChatGPT Data y cómo ayuda a la automatización de reportes

Data es un plugin para tareas de análisis dentro de ChatGPT Work y Codex. Se le plantea una pregunta de negocio, consulta las fuentes de datos a las que la cuenta tiene acceso y puede convertir el resultado en un dashboard interactivo o un reporte. Para entender mejor estas dos superficies, la reseña de ChatGPT Work aclara dónde termina Work y dónde empieza Codex.

No es un almacén de datos, una copia nueva de la base de datos ni el sustituto de todas las herramientas de BI. OpenAI, en su guía de configuración de Data, recomienda conectar un almacén, proporcionar una capa semántica y usar ChatGPT Sites para el dashboard final. Esa capa semántica recoge el significado aprobado por la empresa: qué se considera ingreso, cuándo pasa un cliente a estar activo, qué reembolsos se excluyen y cómo se relacionan las tablas.

Esa capa de definiciones es la pieza decisiva. Sin ella, Data puede explicar con claridad una cifra equivocada.

El ciclo tradicional de reporting suele ser así: una persona responsable plantea una pregunta; un analista localiza las tablas, reconstruye la consulta, exporta el resultado, actualiza un gráfico y atiende las preguntas posteriores. Cada vuelta añade otro traspaso.

Con Data, la persona responsable y el analista pueden permanecer en un mismo hilo. Data consulta una fuente aprobada, aplica las definiciones de métricas del equipo, muestra filtros y evidencias, revisa el análisis y crea el dashboard. El trabajo del analista deja de ser transportar cifras entre herramientas y pasa a centrarse en definir la métrica, comprobar la consulta y aprobar el resultado.

También es distinto de Deep Research en ChatGPT Work. Deep Research está pensado para recopilar y citar evidencias de la web, archivos y aplicaciones compatibles. Data se orienta al análisis empresarial gobernado sobre datos operativos conectados. El primero genera un informe de investigación con fuentes; el segundo puede convertirse en el reporte periódico de métricas que el equipo consulta cada semana.

Cambió el flujo, no la fuente de verdad

La mejora útil es reducir los traspasos en el reporting. El riesgo es que una petición conversacional ahora puede recorrer todo el camino desde el almacén de datos hasta un dashboard compartido.

Data puede trabajar con fuentes como Amazon Redshift, ClickHouse, Databricks, Google BigQuery, MongoDB y Snowflake. También puede aprovechar contexto empresarial de Google Drive y SharePoint, y trabajar junto a herramientas de BI como Power BI, Tableau, Sigma y ThoughtSpot cuando las conexiones correspondientes están disponibles. Las acciones concretas dependen de cada herramienta y del acceso de la persona usuaria.

Nada de esto convierte al modelo en el sistema de registro. OpenAI indica que, antes de confiar en un resultado, hay que comprobar la fuente, el periodo, los filtros y la definición de la métrica. Si una respuesta de Data contradice un reporte existente, esos son los primeros cuatro elementos que conviene comparar.

Los equipos que ya pagan el costo de tantos traspasos en paquetes financieros, revisiones del pipeline, dashboards para clientes, reportes de retención y revisiones operativas son quienes más pueden beneficiarse. Sin una fuente aprobada, definiciones estables o acceso a Data, no hay un flujo recurrente. Un CSV puntual puede ahorrar algunos clics, pero el caso de negocio está en los reportes periódicos.

Cuatro roles cuyo trabajo puede cambiar esta semana

La persona responsable de finanzas en una empresa de software

Finanzas puede pedir a Data que actualice un paquete semanal de ingresos y retención desde una vista aprobada del almacén. El prompt especifica el periodo del reporte, el periodo de comparación y las definiciones bajo la responsabilidad del área financiera. Data redacta la explicación de las variaciones y muestra qué respalda cada gráfico.

El beneficio no es un cierre automático, sino menos idas y vueltas entre el analista, la hoja de cálculo, la presentación y la persona responsable de finanzas. El área financiera sigue aprobando las cifras antes de enviar el paquete a la dirección.

La persona responsable de operaciones de ingresos

Quien gestiona RevOps puede investigar por qué cambió el pipeline por región, usando su definición aprobada y los datos del CRM o del almacén a los que su cuenta tenga acceso. Las preguntas de seguimiento permiten distinguir un cambio real en ventas de un cambio de filtro, una sincronización tardía o registros sin mapear.

El beneficio es un camino más corto desde «la cifra cambió» hasta «este es el segmento y la fila de origen que la movieron». Operaciones de ventas sigue siendo responsable de las definiciones de las etapas y de la decisión de modificar una previsión.

La persona responsable de una cuenta en una agencia

La persona a cargo de la cuenta puede crear un dashboard de rendimiento para el cliente con datos aprobados de publicidad y comercio, y pedir después a Data que explique el mayor cambio antes de la llamada semanal. Las reglas de marca pueden dar forma al dashboard sin tener que rehacer el diseño manualmente.

El beneficio es dedicar menos tiempo a montar presentaciones recurrentes. La agencia aún debe comprobar si el cliente puede ver todas las dimensiones copiadas al dashboard final. El acceso a la fuente y el acceso al dashboard no son el mismo control.

La persona responsable de operaciones de producto

Operaciones de producto puede rastrear un cambio en la retención entre los análisis del producto y el documento que define a un usuario activo. Data compara cohortes, expone el intervalo temporal y los filtros, y convierte el análisis ya comprobado en un reporte para producto y dirección.

El beneficio es reducir las rondas entre producto y análisis. Si existe una disputa sobre la definición de activación, Data no la resolverá: primero tendrá que hacerlo el equipo en la capa semántica.

Cómo probar la automatización de reportes semanales

No conviene empezar por el dashboard ejecutivo. Es mejor elegir un reporte cuyo responsable, fuente, definiciones y resultado actual ya estén claros.

1. 1

   Elegir el reporte y la decisión

   Selecciona un reporte periódico e identifica la decisión que sustenta. «Paquete semanal de ingresos» sigue siendo demasiado impreciso. «Decidir si la retención requiere una intervención antes de la revisión operativa» da al análisis una meta concreta.

2. 2

   Confirmar el acceso antes de escribir el prompt

   Una persona administradora revisa Workspace settings > Plugins > Data, decide quién puede instalarlo y habilita la conexión con la fuente necesaria. Cada persona instala Data desde el directorio de plugins. En Codex, abre Sources, elige Use plugins y selecciona el plugin instalado. Es posible que la aplicación de origen aún requiera su propia configuración y autorización.

3. 3

   Redactar el contrato de métricas

   Proporciona a Data la fuente aprobada, la definición de la métrica, el periodo del reporte, la comparación, las exclusiones y la persona responsable. Indica qué vista semántica o dashboard de confianza prevalece cuando hay definiciones en conflicto. Si el equipo no puede dejarlo por escrito, el flujo todavía no está listo para automatizarse.

4. 4

   Ejecutarlo una vez en privado

   Empieza con @Data para que no haya dudas sobre qué plugin procesó la solicitud. Pide el dashboard, los cálculos que lo sustentan, la vigencia de la fuente, los filtros, los registros sin correspondencia y cualquier supuesto capaz de cambiar la respuesta. Indica que el resultado debe mantenerse privado.

5. 5

   Comprobar la evidencia

   Compara con el reporte actual las cifras que influyen en la decisión. Confirma la fuente, el periodo, los filtros, la definición y los registros excluidos. Antes de aceptar un gráfico más atractivo, pide a Data que explique cualquier discrepancia.

6. 6

   Medir y después programar

   Registra el tiempo de revisión activa, el uso de Work o Codex, la actividad del almacén y cualquier costo de BI. Programa una actualización en la nube solo cuando la ejecución manual haya superado la prueba. La tarea programada de ChatGPT Work comprueba la fuente y actualiza el dashboard; el Site no ejecuta la programación por sí mismo.

Este es un prompt inicial que puede adaptarse:

@Data, crea nuestro reporte semanal de ingresos y retención a partir de la vista semántica aprobada por finanzas. Compara la última semana completa con la semana completa anterior. Usa las definiciones del equipo financiero, muestra la vigencia de la fuente, los filtros, los cálculos y los registros sin correspondencia, y explica los cambios más importantes. Mantén el dashboard privado. No publiques ni compartas nada, no envíes mensajes a nadie ni modifiques los datos de origen. Consúltame antes de usar otra definición u otra fuente.

La primera ejecución debería dejar al descubierto las debilidades en los límites de las fuentes y las definiciones, no ocultarlas detrás de un dashboard terminado.

El cálculo de costos que sí importa

OpenAI no ha publicado un precio independiente para el plugin Data. Eso no significa que el flujo sea gratuito. El costo puede aparecer en el uso de Work o Codex, el cómputo del almacén, una licencia de BI que se mantiene y la revisión humana que todavía hace falta.

Para construir un modelo de planificación concreto, supongamos que un reporte semanal requiere hoy 3.0 horas-persona, con un costo total combinado de $80 por hora. Son $12,480 al año en 52 ejecuciones. Si Data reduce el montaje y la revisión a 0.75 horas-persona por ejecución, el costo de trabajo baja a $3,120 y la capacidad liberada en el modelo equivale a $9,360.

Son supuestos, no un benchmark de OpenAI. Sustitúyelos por las mediciones reales del piloto.

El cálculo de ChatGPT usa una actualización expresamente hipotética con 50,000 tokens de entrada, 200,000 tokens de entrada en caché y 10,000 tokens de salida en GPT-5.6 Sol. El tarifario actual para nuevos planes Enterprise de OpenAI cobra, respectivamente, $4.00, $0.40 y $20.00 por millón de tokens. Así, el ejemplo cuesta $0.48 por actualización y $24.96 al año.

Los espacios de trabajo Business y los Enterprise basados en créditos usan otra unidad. El tarifario actual de créditos fija para GPT-5.6 Sol 100 créditos por millón de tokens de entrada, 10 por millón de tokens de entrada en caché y 500 por millón de tokens de salida en Work y Codex. Las licencias Business estándar consumen primero los límites incluidos; después, el trabajo que cumpla los requisitos puede usar los créditos comprados por el espacio de trabajo.

La fila de Snowflake supone un arranque de un almacén X-Small por cada actualización semanal y una ejecución que no supera su mínimo de 60 segundos. Snowflake factura el tamaño X-Small a un crédito por hora continua, aplica un mínimo de 60 segundos en cada arranque y después cobra por segundo. Data puede lanzar más consultas, mantener activo el almacén durante más tiempo o utilizar uno de mayor tamaño. Para conocer el costo real, consulta el historial del almacén, no este mínimo.

Power BI es opcional en la configuración recomendada por OpenAI. Microsoft muestra actualmente Power BI Pro a $14 por usuario al mes con pago anual, pero una licencia existente puede ser un costo hundido y el precio de compra varía. No añadas una licencia de BI solo porque Data pueda conectarse a ella.

La fórmula de decisión es directa:

Valor anual = ejecuciones de reporting × horas eliminadas × costo laboral total, menos el uso incremental de Work, el cómputo del almacén, las nuevas licencias de BI y la revisión restante.

Si este flujo obliga a comprar una licencia de ChatGPT, inclúyela. Si el equipo ya paga esa licencia y la herramienta de BI, usa su costo marginal. El piloto debe sustituir cada supuesto por una cifra observada.

La trampa de los permisos aparece después de la consulta

Las consultas de Data utilizan los permisos existentes de la cuenta conectada, incluidas las restricciones por tabla, fila y columna. Instalar el plugin Data no concede la conexión con el almacén, y conectar el almacén no amplía el acceso más allá del rol autorizado.

La publicación abre un segundo límite de permisos. OpenAI señala que los datos utilizados en el análisis se copian al ChatGPT Site publicado. A partir de ahí, el Site tiene su propia configuración de audiencia, que puede incluir personas seleccionadas, un espacio de trabajo, usuarios externos identificados o el público, si la cuenta y la persona administradora lo permiten.

En la práctica, alguien que no podría ejecutar la consulta de origen puede formar parte de la audiencia de los datos copiados al Site. Revisa los campos y la audiencia del dashboard como una publicación nueva, no como una ventana en vivo que hereda automáticamente los permisos del almacén.

Un Site nuevo comienza limitado a su propietario y a las personas administradoras del espacio de trabajo hasta que se cambia el acceso. En Enterprise, la publicación pública está desactivada de forma predeterminada, pero ese es solo uno de los controles. El uso compartido con usuarios externos identificados o con todo el espacio de trabajo puede seguir ampliando la audiencia cuando está habilitado.

Los límites reales

La disponibilidad por plan no permite hacer una promesa universal. El directorio de plugins existe en los planes de ChatGPT, pero cada plugin depende del plan, el espacio de trabajo, el rol, la región, la superficie, el despliegue y las funciones incluidas. La guía de Data no publica una lista exacta de planes compatibles. Antes de comprar pensando en esta función, comprueba si Data aparece en la cuenta y el espacio de trabajo donde se utilizará.

Sites plantea otra incógnita de precio. Está en beta pública para los espacios de trabajo de ChatGPT y las cuentas Plus y Pro, sujeto al despliegue y a los controles disponibles. El uso solo está incluido hasta los límites de la beta de cada plan, y OpenAI indica que la información completa sobre precios aún está por llegar.

La automatización también consume uso. Las automatizaciones compatibles de Work y Codex se contabilizan junto con la actividad del modelo según el tarifario correspondiente. El flujo de trabajo para dashboards de OpenAI explica que una tarea en la nube puede continuar cuando la computadora está apagada, mientras que una tarea de escritorio requiere que la computadora esté encendida y la aplicación siga ejecutándose. Elige el entorno de ejecución de forma deliberada y vigila ambos registros de uso.

Data tampoco puede corregir una lógica de negocio débil. Si falta una capa semántica, existe una disputa sobre el KPI, el acceso de la cuenta está incompleto, la fuente está desactualizada o una acción no es compatible con la herramienta, seguirá habiendo una brecha. El dashboard quizá la presente mejor, pero no la reduce.

Qué hacer el lunes

Vale la pena actuar esta semana si el equipo reconstruye el mismo reporte, puede identificar a su responsable y su fuente aprobada, y cuenta con definiciones estables de las métricas. Conviene esperar si Data no está disponible en el espacio de trabajo previsto, la conexión con la fuente no ha pasado la revisión o dos equipos siguen calculando el KPI de forma distinta. Si una actualización de BI existente ya entrega a las personas correctas un reporte comprobado con pocos traspasos manuales, el impacto será mínimo.

El lunes, toma un reporte que ya deba entregarse y ejecútalo en privado con Data. Primero registra el tiempo actual de montaje. Proporciona a Data la vista aprobada y el contrato de métricas; después, compara con el reporte existente todas las cifras que influyen en la decisión. Registra el uso de Work, la actividad del almacén y el tiempo de revisión. No programes ni publiques nada hasta que el resultado supere esa comprobación y la audiencia del Site tenga una persona responsable identificada.

Para recibir más guías operativas en lenguaje claro cuando la IA cambia la economía de un flujo de trabajo, suscríbete al newsletter.