Guillem Alsina Gonzàlez
Deep Reserarch es la nueva funcionalidad de ChatGPT que permite realizar investigaciones en profundidad que a una persona le llevarían muchas horas de trabajo, en muy poco tiempo y de manera automatizada, gracias a la inteligencia artificial y la capacidad de los modelos de lenguaje de OpenAI de navegar por Internet y extraer datos de la web.
Anunciada a principios de este mes de febrero, y puesta a disposición de los usuarios de cuentas Pro en los Estados Unidos, Reino Unido, y algunos otros países, quedaba pendiente su inclusión en las cuentas Plus y Teams, y su llegada a otros territorios, como los de la Unión Europea. Desde hoy, estos usuarios -incluidos los españoles- ya pueden utilizar el potencial de Deep Research desde sus territorios para tareas que requieren de una investigación a fondo.
Orientado a reunir y depurar grandes volúmenes de datos
Esta nueva funcionalidad está impulsada por una versión del futuro modelo o3 de OpenAI (que debería haberse llamado o2, pero para no entrar en conflicto con Telefónica, la han rebautizado), entrenado para navegar por sitios web, interpretar texto, procesar imágenes y analizar archivos en múltiples formatos.
Según sus creadores, se trata de un paso más en el desarrollo de sistemas que aspiran a un grado de AGI (Inteligencia Artificial general, por sus siglas en inglés), capaz de producir conocimiento original, pero desde la misma OpenAI reconocen que el proyecto todavía está evolucionando, y que aún presenta ciertas limitaciones.
La nueva herramienta retoma los principios de razonamiento utilizados en el modelo o1, el primero presentado por la compañía para abordar tareas especializadas de programación y matemáticas. En esta ocasión, se plantea una solución que puede recabar información de fuentes muy variadas y reorganizarla sin necesidad de supervisión humana constante.
Se espera que sirva, por ejemplo, en los campos financiero, científico, político y de ingeniería, aunque también se menciona su utilidad para búsquedas personales exhaustivas, como la comparación de productos que requieren análisis detallados.
Para reforzar la fiabilidad de las respuestas, cada resultado viene con citas y un resumen de los pasos seguidos para llegar a conclusiones. La firma señala que esto busca ofrecer precisión, al mismo tiempo que se ahorra tiempo a quienes necesitan investigar temas con muchas aristas.
Un largo proceso de creación
Los responsables de OpenAI explican que Deep research se formó a través de tareas reales que combinan el uso de un navegador y herramientas en Python, buscando datos y volviendo sobre sus pasos cuando la información lo requiere. El modelo analiza tanto el contenido de la web como los documentos que el usuario facilite, lo que le permite trazar una ruta de búsqueda que se ajusta a los hallazgos encontrados a lo largo del proceso.
En evaluaciones internas, este sistema obtiene resultados superiores a modelos previos en ámbitos técnicos y académicos. El entrenamiento mediante reinforcement learning (enseñamiento reforzado) refuerza la capacidad de encontrar información especializada y contrastarla a tiempo real, lo que se considera una mejora frente a la versión enfocada en resolver operaciones matemáticas o de programación puras.
Su precisión ha sido puesta a prueba en distintos exámenes. Una de esas pruebas fue el Humanity’s Last Exam, un test de más de 3.000 preguntas de elección múltiple y respuestas cortas sobre más de un centenar de materias. En dicho ejercicio, el modelo que da vida a Deep research obtuvo un 26,6 % de aciertos, mostrando un progreso particular en materias como química, humanidades y ciencias sociales, además de matemáticas.
Aplicaciones prácticas y uso en ChatGPT
A partir de ahora, para utilizar Deep research, basta con seleccionar esta opción en el compositor de mensajes de ChatGPT. El usuario describe la investigación que necesita, adjunta archivos o datos adicionales, y deja que el sistema recopile y procese la información. Cuando la tarea comienza, el sistema muestra un panel lateral con los pasos realizados y la procedencia de cada dato, de forma que el usuario puede comprobar la fiabilidad de las fuentes.
La duración de cada consulta puede variar entre 5 y 30 minutos, dependiendo de la complejidad del encargo. Mientras tanto, la persona interesada puede dedicar su tiempo a otras actividades, ya que recibe una notificación cuando la investigación concluye. El resultado se presenta en la conversación como un informe detallado, con el compromiso de ofrecer pronto nuevas opciones de visualización, incluidas imágenes y gráficas generadas con la herramienta de Python.
Para escenarios en los que las conversaciones en tiempo real y el intercambio multimodal son prioritarios, los desarrolladores apuntan a GPT-4o como una alternativa adecuada. Sin embargo, destacan que la gran diferencia de Deep research radica en su habilidad para profundizar en el análisis de información y respaldar cada afirmación con fuentes concretas.
Limitaciones y perspectivas de futuro
Pese a estas nuevas capacidades, desde OpenAI admiten que todavía les quedan algunos aspecto por mejorar en Deep research; por ejemplo, el modelo puede incurrir en errores al valorar la fiabilidad de ciertas fuentes o presentar datos irreales, a pesar de que se ha reducido la frecuencia de estas inexactitudes con respecto a sistemas anteriores. También se han detectado problemas ocasionales en la forma de citar contenidos y en la calibración de la seguridad con la que expresa sus conclusiones.
A día de hoy, el servicio se encuentra disponible en la versión web de ChatGPT y se prevé su llegada a aplicaciones móviles y de escritorio durante el próximo mes de marzo. Por el momento, la herramienta accede a sitios web públicos y archivos cargados por el usuario, pero en el futuro se perfila la integración de datos restringidos o de pago, con el fin de robustecer sus posibilidades y personalizar aún más la información ofrecida.
Otro elemento de futuro a considerar es la combinación de Deep research con Operator, la capacidad de ChatGPT para efectuar acciones en el mundo real. Este planteamiento, según la compañía, permitirá en un futuro ejecutar tareas cada vez más elaboradas y desarrollar soluciones escalables de investigación y respuesta en múltiples entornos profesionales.
