Hace un año presentamos la API de Responses, una base para que desarrolladores y empresas creen agentes útiles y confiables. Al darles a los modelos acceso a un conjunto de herramientas alojadas, la IA pasó de ofrecer asistentes de chat a ofrecer sistemas capaces de actuar en tu nombre. Hoy, la API de Responses admite diversas herramientas para ejecutar flujos de trabajo con agentes e incorpora nuevas funciones y primitivas diseñadas específicamente para desarrollar aplicaciones con modelos más capaces.
Hoy, miles de desarrolladores crean soluciones con la API de Responses para aumentar la productividad en áreas como la atención al cliente, los servicios jurídicos, las ciencias de la vida y los viajes, entre otras. Ya compartimos muchas historias de éxito de esos sectores. En este aniversario celebramos cinco historias menos conocidas de desarrolladores que crearon productos con la API de Responses durante el último año.
Detección y corrección de fallas en agentes de IA
Por Alexis Gauba y Ben Hylak, de Raindrop AI
Herramientas: herramientas desarrolladas a medida
Modelos: GPT-5.2 (con GPT-5.4 en pruebas)
Raindrop es la plataforma de monitoreo que usan algunas de las empresas de IA más ambiciosas del mundo para detectar cuándo sus agentes se comportan de forma inesperada en producción. A medida que los agentes se han vuelto más complejos, estas fallas han tenido consecuencias más graves.
Sin la API de Responses, habría sido mucho más difícil crear un sistema de monitoreo así y el resultado habría sido mucho menos confiable.
El sistema ejecuta análisis en segundo plano con la API de Responses a través del SDK de IA de Vercel. Así puede usar las mismas herramientas con distintos proveedores de modelos y funcionar en distintos entornos. Estos flujos de trabajo permiten detectar comportamientos inusuales. Cuando algo sale mal, el sistema alerta a los desarrolladores y los ayuda a diagnosticar la causa.
La plataforma se centra en tres sistemas principales:
- Monitoreo del comportamiento de los agentes
- Detección de fallas y envío de alertas
- Herramientas de investigación y depuración para desarrolladores
En conjunto, estos sistemas permiten a los equipos detectar problemas en los agentes de IA, darles seguimiento y corregirlos antes de que afecten a los sistemas en producción.
Arquitectura de monitoreo
Esta arquitectura permite a los equipos monitorear continuamente el comportamiento de los agentes y responder con rapidez cuando surgen problemas.
1. Monitoreo del comportamiento de los agentes
El sistema evalúa continuamente el comportamiento de cada agente para determinar si funciona como se espera.
Los desarrolladores pueden definir qué condiciones indican un resultado no deseado, y la plataforma puede emitir una alerta cuando se cumplen.
2. Detección de fallas y envío de alertas
Cuando Raindrop detecta anomalías, avisa a los desarrolladores y les muestra el contexto que necesitan para investigar el problema.
La plataforma ofrece herramientas para:
- Seguir los cambios de comportamiento entre versiones de un agente
- Identificar qué cambios en los prompts o en el sistema provocaron las fallas
- Examinar las trazas de razonamiento y las llamadas a herramientas
Así, los desarrolladores pueden identificar rápidamente la causa de las fallas y desplegar las correcciones.
3. Herramientas de investigación y depuración
Raindrop también ofrece herramientas que ayudan a los desarrolladores a diagnosticar problemas en los flujos de trabajo de los agentes. Con ellas, los equipos pueden usar lo que aprenden al detectar una falla para mejorar el sistema.
Raindrop AI usa la API de Responses para ejecutar en segundo plano todos sus flujos de análisis de larga duración. Sin la API, implementar estos sistemas de monitoreo sería mucho más difícil.
Flujos de razonamiento profundo para datos complejos
Por Eric Provencher, de Repo Prompt
Herramientas utilizadas: Codex con App Server + MCP, búsqueda web
Modelo utilizado: GPT-5.3-Codex
Para que el modelo de razonamiento no desperdicie su ventana de contexto buscando información durante la planificación o las revisiones, usamos otro agente que selecciona el contexto de antemano. Así, el modelo puede dedicar la mayor parte posible de su capacidad de razonamiento a resolver la tarea.
Eric Provencher creó un sistema que ayuda a desarrolladores e investigadores a analizar en profundidad grandes colecciones de documentos, bases de código y conjuntos de datos.
Repo Prompt se centra en la ingeniería de contexto: recopila, organiza y estructura automáticamente la información relevante para que un modelo de razonamiento pueda analizarla de forma eficaz.
Muchos sistemas de agentes se centran en recopilar datos. La arquitectura de Eric separa la recopilación de contexto del razonamiento profundo. El sistema usa flujos de trabajo con agentes para reunir el contexto relevante y luego entrega la información seleccionada a un modelo de razonamiento que se dedica exclusivamente al análisis.
La plataforma usa la API de Responses de OpenAI para coordinar flujos de trabajo con agentes y tareas de razonamiento de larga duración. Algunos ejemplos son:
- Análisis de bases de código extensas y planificación de su arquitectura
- Flujos de trabajo para la revisión exhaustiva de código
- Análisis de grandes colecciones de documentos con fines de investigación
- Análisis de documentos médicos y científicos
El sistema se basa en tres componentes principales: flujos de trabajo con agentes que preparan el contexto, modelos de razonamiento profundo (flujo de trabajo “Oracle”) y ciclos iterativos de investigación y análisis.
1. Flujo de trabajo del agente que prepara el contexto
En la primera etapa interviene un agente que prepara el contexto. Este flujo de trabajo analiza grandes repositorios de datos para determinar qué información es relevante para una consulta concreta.
Mediante las herramientas y el razonamiento del modelo disponibles a través de la API de Responses, el agente identifica archivos relevantes, relaciones entre documentos y secciones que contienen información clave.
El resultado de esta etapa es un paquete de contexto estructurado que sirve como entrada para la etapa de razonamiento.
2. Flujo de razonamiento profundo “Oracle”
A diferencia de los agentes que preparan el contexto, “Oracle”, el modelo de razonamiento profundo, no llama a herramientas ni recupera información adicional. Se dedica por completo a analizar el contexto seleccionado que recibe.
Al separar la investigación del razonamiento, el modelo puede dedicar toda su capacidad de razonamiento a comprender el problema. En muchos flujos de trabajo, la etapa de razonamiento puede prolongarse mientras el modelo analiza relaciones complejas dentro del contexto recibido.
3. Ciclos iterativos de investigación y análisis
El sistema también admite ciclos iterativos de razonamiento. Una vez que el modelo de razonamiento produce un resultado, otro agente puede revisarlo y determinar si hace falta investigar más.
Si es necesario, el sistema inicia otro ciclo de recopilación de contexto y razonamiento. Este mecanismo permite llevar a cabo investigaciones prolongadas en las que el sistema afina progresivamente su análisis.
Flujo de trabajo iterativo
El sistema aprovecha varias capacidades de la API de Responses:
- Tareas en segundo plano: permiten ejecutar procesos de razonamiento que pueden durar minutos u horas.
- Orquestación de agentes: coordina los ciclos de los agentes para recopilar contexto, razonar y validar resultados.
- Observabilidad: permite monitorear y gestionar los flujos de razonamiento de larga duración mientras se ejecutan.
La plataforma usa modelos de Codex para reunir y estructurar el contexto relevante. Luego entrega ese contexto seleccionado a modelos de razonamiento más capaces para que lo analicen en profundidad. Estas capacidades hacen posible la arquitectura híbrida de la plataforma, que combina flujos de trabajo con agentes y modelos de razonamiento profundo.
Una interfaz conversacional para coleccionistas de discos de vinilo
Por Ash Ryan Arnwine, de Collxn
Herramientas: búsqueda web y 16 herramientas personalizadas
Modelos: GPT-5.4, GPT-5 nano
Sentí que la API de Responses me ahorraba trabajo frente a alternativas como crear un sistema completo de generación aumentada por recuperación.
Ash Ryan Arnwine creó “Collxn” (un nombre que evoca la palabra inglesa “collection”), un pequeño servicio con una gran misión: ayudar a los coleccionistas de vinilos a redescubrir lo que ya tienen en sus estantes y a interactuar con sus discos.
Los coleccionistas suelen llevar el registro de sus colecciones en Discogs. Algunas abarcan miles de discos. Collxn se conecta a la colección y envía un correo diario llamado “Daily Drop”. Cada día destaca un disco diferente e incluye detalles sobre el artista para que los coleccionistas vuelvan a escuchar música que ya tienen.
Y como repasar una colección de discos es más divertido cuando puedes hacer preguntas, Collxn usa la API de Responses de OpenAI para ofrecer una interfaz de chat que permite a los usuarios conversar literalmente con sus discos.
Interfaz conversacional con llamadas a herramientas
La aplicación usa la API de Responses para ofrecer una interfaz de chat llamada “Ask This Drop”, donde los usuarios pueden hacer preguntas sobre los discos que aparecen en su Daily Drop.
El modelo está configurado para usar herramientas de la API de Discogs y obtener información directamente de Discogs al responder una pregunta.
Por ejemplo, los usuarios pueden preguntar:
- ¿Cuál es el precio actual de mercado de este disco?
- ¿Qué otros álbumes lanzó este artista?
- ¿Qué tan rara es esta edición del disco?
Con Ask This Drop, los usuarios de Collxn pueden conversar con sus discos de vinilo a través de una interfaz de chat.
Los coleccionistas solo tienen que hacer una pregunta para recibir una respuesta que combina datos de Discogs en tiempo real con el contexto de su propia colección de discos.
Así, una colección de discos estática se convierte en una experiencia conversacional conectada con el mundo de la música.
Daily Drop y las noticias sobre el artista
Collxn también usa el SDK de agentes de OpenAI para generar una sección de “noticias recientes” sobre el artista destacado en el correo de Daily Drop.
El SDK de agentes de OpenAI genera la sección de noticias sobre el artista en el Daily Drop de Collxn.
Esta función usa un agente con búsqueda web para encontrar artículos o novedades recientes sobre el artista e incorporar esa información al correo diario. La sección de noticias pronto se convirtió en una de las partes favoritas de los usuarios de la versión beta, ya que conecta sus colecciones de discos con lo que está pasando en el mundo de la música.
Ash finalmente migró Collxn a la API de Responses para lanzar “Ask This Drop”. Así, la aplicación pudo incorporar razonamiento de varios pasos en los flujos de conversación, además de llamadas a herramientas integradas y personalizadas. Collxn usa la herramienta de búsqueda web integrada en la API de Responses para buscar noticias sobre artistas desde el chat. También usa 16 herramientas personalizadas para trabajar con la API de Discogs, consultar la cuenta del usuario en Collxn y realizar otras tareas.
La herramienta de búsqueda web de la API de Responses permite consultar noticias sobre artistas en tiempo real desde “Ask This Drop” de Collxn.
Las conversaciones que conservan su estado en la API de Responses también permiten gestionar de forma más sencilla y rápida los intercambios de varios turnos en el chat. En general, Ash señaló que usar la API de Responses simplificó la arquitectura frente a la alternativa de crear un sistema completo de generación aumentada por recuperación (RAG).
Cómo convertir grabaciones de pantalla en demostraciones interactivas de productos
Por Nick Sorrentino y Pawel Wszola, del equipo de Arcade
Herramientas: uso de la computadora
Modelos: GPT-5.2, computer-use-preview
Al integrar la generación de contenido mediante la API, redujimos en un 50 % la cantidad de pasos necesarios para publicar una demostración, lo que aumentó considerablemente la tasa de publicación y la adopción del producto.
La mayoría de los equipos ya graban su pantalla. Arcade convierte esas grabaciones en demostraciones interactivas de productos listas para presentar. En lugar de mostrar en vivo cómo funciona un producto o escribir instrucciones paso a paso, los equipos graban el flujo de trabajo una sola vez y Arcade se encarga del resto.
La plataforma analiza la grabación y genera automáticamente un recorrido guiado que explica lo que sucede en cada paso.
Flujo de trabajo para generar demostraciones
Durante una sesión de grabación:
- El usuario graba su pantalla mientras lleva a cabo un flujo de trabajo.
- En la versión de escritorio o en el navegador, Arcade captura directamente interacciones estructuradas, como los clics, la escritura de texto y los desplazamientos por la pantalla.
- En dispositivos móviles, el sandbox de iOS impide que las aplicaciones capturen interacciones en todo el sistema, por lo que el usuario solo graba un video de lo que aparece en la pantalla de la aplicación.
- La grabación se envía a la API de Responses de OpenAI con la herramienta de uso de la computadora, que analiza los fotogramas e infiere qué interacciones ocurrieron.
- El sistema convierte las acciones inferidas en pasos estructurados.
- Arcade genera el texto narrativo y los puntos interactivos que guían al público a lo largo de la demostración.
Estos pasos se convierten automáticamente en el recorrido interactivo que ven los usuarios.
Las acciones estructuradas se envían luego a la API para completar chats, que genera los títulos y las descripciones de los puntos interactivos que aparecen a lo largo de la demostración. Los usuarios pueden ajustar el texto generado con las herramientas de edición con IA integradas, por ejemplo, para acortarlo o reescribirlo.
La mitad de los pasos para crear una demostración
Automatizar la narración de las demostraciones redujo considerablemente el esfuerzo necesario para publicar un recorrido guiado por el producto.
Tras integrar el flujo de trabajo basado en la API:
- La mediana de la cantidad de acciones necesarias antes de publicar se redujo en un 50 %.
- En el percentil 80, la cantidad de acciones bajó de unas 230 a unas 120.
- Aumentaron las tasas de publicación y la adopción del producto.
Al simplificar el proceso de creación, Arcade permitió a los equipos convertir grabaciones sin editar en demostraciones interactivas listas para presentar en mucho menos tiempo.
Medición y mejora de la visibilidad de las marcas en las respuestas de la IA
Por Tunde Adeyinka y Ramon Silva, de Hexagon
Herramientas utilizadas: búsqueda web
Modelo utilizado: GPT-5.2 Chat
Tunde Adeyinka y Ramon Silva fundaron Hexagon para responder una pregunta nueva para los minoristas: ¿cómo hablan los asistentes de IA de tus productos?
A medida que los asistentes de IA influyen cada vez más en cómo las personas descubren productos, Hexagon ayuda a las empresas a monitorear cómo aparecen sus marcas en las respuestas generadas por IA y a mejorar esos resultados con el tiempo.
La plataforma usa la API de Responses de OpenAI para operar tres sistemas principales:
1. Arquitectura de simulación de respuestas
Hexagon ejecuta a diario un proceso de simulación para medir cómo responden los asistentes de IA a preguntas sobre productos. Cada día, el sistema genera miles de prompts realistas de consumidores, prompts que piden recomendaciones de productos y consultas de compra, y los envía a través de la API de Responses. Luego analiza las respuestas generadas por IA para dar seguimiento a la visibilidad de las marcas.
Así, los clientes del sector minorista pueden ver con qué frecuencia aparecen sus productos y cómo cambian las respuestas con el tiempo.
2. Proceso de generación de contenido con múltiples agentes
Además de analizar las respuestas, Hexagon usa la API de Responses para generar contenido optimizado que mejora la visibilidad de las marcas en las respuestas de la IA.
El sistema utiliza una arquitectura de cuatro agentes. Cada agente se encarga de un paso especializado y pasa sus resultados a la siguiente etapa hasta que el contenido final queda listo y se publica. Antes de la publicación, los agentes se comunican en ciclos no deterministas para refinar el contenido de manera iterativa.
3. Panel y herramientas para clientes
La plataforma también incluye “Hexi”, un chatbot que usa la llamada a funciones de la API de Responses. Con Hexi, los clientes pueden explorar los resultados del análisis mediante una conversación y generar por su cuenta resúmenes de sus datos de visibilidad en las respuestas de la IA. Hexagon presenta los resultados en un panel para minoristas que muestra cómo aparecen los productos en las respuestas generadas por IA.
Hexagon aprovecha varias capacidades clave de la API de Responses para que las simulaciones sean realistas y útiles en toda la plataforma:
- Búsqueda web: reproduce respuestas similares a las que ofrece ChatGPT cuando consulta la web.
- Parámetro de ubicación del usuario: simula consultas desde distintas regiones para evaluar las variaciones geográficas.
- Esfuerzo de razonamiento: controla la profundidad y la complejidad de las respuestas.
- Cantidad máxima de tokens de salida: limita la longitud de las respuestas extensas.
- Persistencia del contexto: mantiene el contexto entre llamadas y permite ejecutar flujos de trabajo con múltiples agentes.
La API de Responses nos ofreció respuestas de mayor calidad y conservó mejor el contexto a lo largo de varias llamadas. Ambas capacidades son fundamentales para los procesos de varios pasos que hacen funcionar la plataforma de Hexagon.
Al cabo de un año
En su primer año, la API de Responses se ha convertido en una pieza fundamental para los desarrolladores que crean software basado en agentes.
Estas cinco historias muestran cómo se ve ese trabajo en la práctica: sistemas de múltiples agentes que coordinan herramientas, detectan errores, ejecutan flujos de trabajo y lanzan productos basados en IA.
La plataforma también evoluciona con rapidez. La orquestación mejora y el ecosistema de herramientas se amplía con novedades como los contenedores alojados por OpenAI con acceso a la red y las herramientas de shell.
Más herramientas.
Más capacidades.
Más desarrolladores que crean cosas que al resto aún no se nos han ocurrido.
Veamos qué crean los desarrolladores en el segundo año.