marc mayol
← Volver al blog

Deep Research de OpenAI: cómo funciona, qué cuesta y qué queda de él en 2026

Deep Research de OpenAI: cómo funciona, qué cuesta y qué queda de él en 2026

El 2 de febrero de 2025 OpenAI presentó Deep Research, una función de ChatGPT que investiga un tema durante varios minutos y entrega un informe con citas, pocos días después del terremoto de DeepSeek-R1 y en plena carrera con Google y Perplexity. Desde entonces ha cambiado de modelo, de precio y de forma de uso. Aquí explico cómo funciona, para qué sirve, dónde falla y qué ha pasado en este año y medio.

Qué es Deep Research

Deep Research es un agente de investigación dentro de ChatGPT. En lugar de contestar con lo que el modelo ya sabe, planifica una búsqueda, consulta decenas o cientos de fuentes, lee texto, PDF e imágenes y redacta un informe largo con enlaces a cada afirmación. Tarda entre 5 y 30 minutos.

La diferencia con la búsqueda normal de ChatGPT está en la autonomía. Una búsqueda normal hace una o dos consultas y resume. Deep Research encadena muchas: busca, lee, descubre que le falta un dato, vuelve a buscar con otros términos y solo para cuando cree que tiene suficiente. Al empezar suele hacer preguntas aclaratorias para acotar el encargo, y avisa cuando el informe está listo.

En su lanzamiento usaba una versión de o3 ajustada para navegar y analizar. Con ella marcó un 26,6 % en Humanity’s Last Exam, frente al 9,4 % de DeepSeek-R1 y el 3,3 % de GPT-4o, según los datos que publicó OpenAI en su anuncio.

Sam Altman presenta Deep Research en Tokio.
Sam Altman presenta Deep Research en Tokio.

Cómo funciona por dentro

Por dentro, Deep Research es un modelo de razonamiento entrenado con aprendizaje por refuerzo para usar herramientas durante mucho tiempo: un buscador, un navegador que abre páginas y un intérprete de Python para analizar datos. Ninguna de esas herramientas era nueva. Lo nuevo era que el modelo aprendiera a encadenarlas cientos de veces sin perder el objetivo.

El ciclo de Deep Research, en 5 pasos:

  1. Aclarar. Un modelo rápido hace preguntas sobre el encargo y reescribe la petición con más detalle.
  2. Planificar. El modelo de razonamiento decide qué buscar primero.
  3. Buscar y leer. Abre resultados, lee, extrae datos y decide si son fiables o si necesita otra fuente.
  4. Analizar. Si hay números, puede ejecutar código para calcular o hacer gráficos.
  5. Redactar. Escribe el informe con citas en línea a las fuentes usadas.

Este bucle de pensar, actuar y observar es el mismo que hay detrás de casi todos los agentes actuales. Si quieres la base teórica, la explico en mi artículo sobre agentes autónomos de IA, y la parte de razonamiento paso a paso en mi artículo sobre zero-shot, few-shot y CoT.

La respuesta a DeepSeek (y a Google)

Deep Research llegó en un momento muy concreto. DeepSeek-R1 había salido en enero de 2025 con un rendimiento cercano a o1 a un coste mucho menor, y OpenAI necesitaba enseñar algo que la competencia no tuviera. Pero el primero en lanzar un “deep research” fue Google.

Google estrenó su Deep Research en Gemini el 11 de diciembre de 2024. Perplexity sacó el suyo el 14 de febrero de 2025, doce días después que OpenAI. Mientras, OpenAI y Microsoft investigaban si DeepSeek había usado destilación a partir de sus modelos sin permiso, y Sam Altman describía la competencia como “estimulante”. Fue una carrera. En pocos meses, todos los grandes asistentes tenían su modo de investigación.

HerramientaLanzamientoPunto fuerte
Gemini Deep Research (Google)Diciembre de 2024Integración con el buscador de Google y con Workspace
ChatGPT Deep Research (OpenAI)Febrero de 2025Informes largos y razonamiento con o3, luego GPT-5.2
Perplexity Deep ResearchFebrero de 2025Rapidez y acceso gratuito con límites

Para qué sirve en la práctica

Deep Research rinde mejor en encargos que a una persona le llevarían horas de buscar y leer, y cuyo resultado se puede comprobar: estados del arte, comparativas de producto, normativa, análisis de mercado o revisión de literatura. Para una pregunta corta no compensa esperar de 5 a 30 minutos. Tampoco para temas muy recientes o datos que solo están detrás de un muro de pago.

Cinco usos donde encaja Deep Research:

La clave es escribir el encargo como se lo escribirías a un becario: qué quieres, para qué, qué fuentes valen y qué formato debe tener la entrega. Cada informe gasta una consulta del cupo, y en Plus eran 25 al mes a mediados de 2025, así que compensa acertar a la primera.

Limitaciones

El mayor problema de Deep Research es que suena convincente incluso cuando se equivoca. La propia OpenAI admite que puede inventar datos, hacer inferencias incorrectas, citar rumores como hechos y no transmitir bien cuánta certeza hay detrás de cada frase. Un informe de veinte páginas con citas da confianza. No siempre la merece.

Otras cuatro limitaciones conocidas de Deep Research:

Mi recomendación técnica: tratar el informe como un primer borrador. Y abrir siempre las 3 o 4 citas en las que se apoya la conclusión, sobre todo si alguna sostiene una cifra.

Precio y acceso

Deep Research empezó en exclusiva para el plan Pro (200 $ al mes, con 100 consultas mensuales, según TechCrunch) y en pocos meses llegó a todos los planes con cupos distintos. Hoy está limitado en los planes Free y Go, incluido en Plus, Business y Enterprise, y en su nivel más alto en Pro.

En abril de 2025 OpenAI añadió una versión ligera basada en o4-mini para ampliar los cupos: cuando se agotan las consultas completas, las siguientes usan el modelo ligero. Según la página de Wikipedia sobre la herramienta, que recoge las cifras de las preguntas frecuentes de OpenAI, a mediados de 2025 Pro tenía 250 consultas al mes, Plus y Team 25 y el plan gratuito 5 en versión ligera. Los cupos se reinician 30 días después del primer uso.

Qué ha pasado desde entonces

Desde febrero de 2025 Deep Research ha pasado de experimento para unos pocos a función estándar de ChatGPT, ha cambiado de modelo y ha ganado conectores, mientras su versión para desarrolladores ha desaparecido como producto propio. Hoy es más un patrón de uso que un modelo concreto.

La guía de deep research de la API avisa de que cambiar el nombre del modelo no basta para migrar. Lo que queda es el patrón: un modelo de razonamiento con esfuerzo alto, las herramientas de búsqueda web, búsqueda en archivos y MCP, el modo en segundo plano porque las tareas tardan, y max_tool_calls como principal palanca para controlar coste y latencia. Ojo con un detalle. El modo en segundo plano guarda los datos unos diez minutos, así que no es compatible con la retención cero de datos.

La conexión con MCP es de lo más útil de 2026, porque permite investigar sobre documentación interna además de la web abierta. Si estás decidiendo cómo exponer esas fuentes al modelo, te puede servir mi comparativa de MCP frente a Skills.

Conclusión

Deep Research nació como respuesta rápida a la competencia y se ha quedado como una de las funciones más útiles de ChatGPT para trabajo serio. Su valor está en ahorrar horas de búsqueda y lectura; su riesgo, en que esas horas se conviertan en confianza ciega en un informe bien maquetado.

Si lo usas en tu trabajo, cuéntame qué encargos le das a Deep Research y cuáles has dejado de darle desde que pasó a GPT-5.2.