En la era de la sobrecarga de información, la capacidad de realizar investigaciones rápidas, precisas y exhaustivas es un superpoder. Desarrolladores, analistas y estrategas dedican incontables horas a examinar documentos, verificar fuentes y sintetizar hallazgos. ¿Qué pasaría si pudieras automatizar todo este flujo de trabajo? La API de Investigación Profunda de OpenAI es un paso significativo en esa dirección, ofreciendo una herramienta poderosa para transformar preguntas de alto nivel en informes estructurados y ricos en citas.
La API de Investigación Profunda no es solo otro modelo de lenguaje grande. Es un sistema agéntico diseñado para abordar tareas de investigación complejas. Puede descomponer una consulta de forma autónoma, realizar búsquedas web, ejecutar código para analizar datos y sintetizar los resultados en un informe coherente y verificable. Está construida para la profundidad, el matiz y la confianza, proporcionando no solo respuestas, sino también la evidencia que las respalda.
Esta guía proporcionará un recorrido centrado en el desarrollador de la API de Investigación Profunda. Cubriremos todo, desde cómo hacer tu primera llamada a la API hasta técnicas avanzadas de prompting. Nos centraremos principalmente en dos modelos disponibles a través de la API:
o3-deep-research-2025-06-26: El modelo insignia, optimizado para la síntesis de la más alta calidad y el análisis en profundidad.o4-mini-deep-research-2025-06-26: Un modelo más ligero y rápido, perfecto para aplicaciones sensibles a la latencia.
Al final de este artículo, tendrás una sólida comprensión de cómo integrar este potente agente de investigación en tus propias aplicaciones.
¿Quieres una plataforma integrada, todo en uno, para que tu Equipo de Desarrolladores trabaje con máxima productividad?
¡Apidog cumple todas tus demandas y reemplaza a Postman a un precio mucho más asequible!
Precios y Límites de Tasa de la API de Investigación Profunda de OpenAI
Elegir el modelo adecuado y comprender los costos son cruciales para las aplicaciones de producción.
Elegir tu Modelo
o3-deep-research: Este es tu modelo de referencia para tareas complejas que requieren el más alto nivel de razonamiento y síntesis. Es más lento pero ofrece una calidad superior.o4-mini-deep-research: Usa este modelo cuando la velocidad sea una prioridad. Es ideal para tareas de investigación más sencillas o aplicaciones interactivas donde la baja latencia es clave.
Comprender los Costos
A finales de 2024, el precio del potente modelo o3-deep-research se basa en tokens:
- Entrada: $10.00 por 1 millón de tokens
- Salida: $40.00 por 1 millón de tokens
El mayor costo para los tokens de salida refleja el intenso trabajo de síntesis y generación que realiza el modelo.
Especificaciones Clave (o3-deep-research)
- Ventana de Contexto: Un masivo 200,000 tokens.
- Tokens de Salida Máximos: Un generoso 100,000 tokens, permitiendo informes de muy larga extensión.
- Fecha de Corte de Conocimiento: 1 de junio de 2024. El conocimiento interno del modelo está actualizado hasta esta fecha, pero la herramienta
web_search_previewle da acceso a información en tiempo real.
Realiza tu Primera Llamada a la API de Investigación Profunda de OpenAI
Vamos a sumergirnos. Antes de poder usar la API, necesitarás el SDK de Python de OpenAI.
Configuración
Si aún no lo has hecho, instala la última versión de la biblioteca:
pip install --upgrade openai
A continuación, deberás autenticarte. Importa el cliente OpenAI e inicialízalo con tu clave API.
from openai import OpenAI
import os
# Es una buena práctica usar una variable de entorno para tu clave API
client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))
Realizando la Solicitud
Una tarea de Investigación Profunda puede tardar varios minutos en completarse, especialmente para consultas complejas. Para evitar tiempos de espera, se recomienda encarecidamente ejecutar las solicitudes en segundo plano. La API facilita esto.
Imaginemos que estamos construyendo una herramienta para una empresa de servicios financieros de atención médica. La tarea es producir un informe sobre el impacto económico de los nuevos medicamentos para la diabetes y la obesidad. Así es como estructurarías esa solicitud:
system_message = """
Eres un investigador profesional que prepara un informe estructurado y basado en datos en nombre de un equipo global de economía de la salud. Tu tarea es analizar la pregunta de salud que plantea el usuario.
Haz:
- Enfócate en conocimientos ricos en datos: incluye cifras específicas, tendencias, estadísticas y resultados medibles.
- Cuando sea apropiado, resume los datos de una manera que pueda convertirse en gráficos o tablas.
- Prioriza fuentes confiables y actualizadas: investigación revisada por pares, organizaciones de salud (ej., OMS, CDC), etc.
- Incluye citas en línea y devuelve todos los metadatos de la fuente.
Sé analítico, evita generalidades y asegúrate de que cada sección respalde un razonamiento basado en datos.
"""
user_query = "Investiga el impacto económico de la semaglutida en los sistemas de atención médica globales."
response = client.responses.create(
model="o3-deep-research", # O "o3-deep-research-2025-06-26"
input=[
{
"role": "developer",
"content": [
{
"type": "input_text",
"text": system_message,
}
]
},
{
"role": "user",
"content": [
{
"type": "input_text",
"text": user_query,
}
]
}
],
reasoning={
"summary": "auto"
},
tools=[
{
"type": "web_search_preview"
},
{
"type": "code_interpreter"
}
]
)
Desglosemos esta llamada:
model: Especificamoso3-deep-researchpara un informe de alta calidad.input: Aquí es donde proporcionamos nuestras indicaciones. Elsystem_messageestablece la persona y el objetivo general para el agente. Eluser_queryes la tarea de investigación específica.reasoning: Configurarsummarya"auto"permite al modelo generar el mejor resumen posible para el informe. Para informes más detallados, puedes configurarlo a"detailed".tools: Este array le dice al agente qué herramientas tiene a su disposición.web_search_previewes necesario para que navegue por la web.code_interpreteres opcional pero permite al agente ejecutar código Python para análisis y visualización de datos.
El verdadero poder de la API de Investigación Profunda reside en el objeto de respuesta estructurado y detallado que devuelve. Es más que un bloque de texto; es un registro transparente del proceso de investigación.
El Informe Final
La salida principal es, por supuesto, el informe final. Puedes acceder a él desde el último elemento del array output:
# Accede al informe final desde el objeto de respuesta
print(response.output[-1].content[0].text)
Esto te dará el texto completo y sintetizado generado por el modelo.
Citas y Fuentes
Una de las características más críticas para cualquier investigación seria es la citación. La API de Investigación Profunda incrusta metadatos de citación directamente en la respuesta. Cada cita está vinculada a una parte específica del texto, lo que permite una fácil verificación.
Así es como puedes extraer y mostrar las citas:
annotations = response.output[-1].content[0].annotations
for i, citation in enumerate(annotations):
print(f"Cita {i+1}:")
print(f" Título: {citation.title}")
print(f" URL: {citation.url}")
print(f" Ubicación: caracteres {citation.start_index}–{citation.end_index}")
Esta estructura es invaluable para construir aplicaciones que requieren altos grados de confianza y transparencia. Puedes usarla para crear notas al pie clicables, construir una bibliografía o rastrear programáticamente las afirmaciones hasta su fuente original.
Mirando Bajo el Capó: Pasos Intermedios
La API también expone todo el proceso de pensamiento del agente. El response.output contiene un registro de todos los pasos intermedios tomados para llegar a la respuesta final. Esto es increíblemente útil para la depuración, el análisis o simplemente para comprender cómo funciona el agente.
- Pasos de Razonamiento: Estos representan los planes y resúmenes internos del modelo a medida que descompone el problema.
reasoning = next(item for item in response.output if item.type == "reasoning")
for s in reasoning.summary:
print(s.text)
- Llamadas de Búsqueda Web: Puedes ver las consultas de búsqueda exactas que usó el agente.
search = next(item for item in response.output if item.type == "web_search_call")
print("Consulta:", search.action["query"])
- Ejecución de Código: Si se usó la herramienta
code_interpreter, puedes inspeccionar el código que ejecutó y la salida resultante.
code_step = next((item for item in response.output if item.type == "code_interpreter_call"), None)
if code_step:
print("Entrada de Código:", code_step.input)
print("Salida de Código:", code_step.output)
Uso de OpenAI Deep Research con Servidores MCP
Investigación Avanzada con Servidores MCP
Si bien la búsqueda web le da al agente de Investigación Profunda acceso a un vasto repositorio de información pública, su verdadero poder se desbloquea cuando lo conectas a tus propios datos privados.
Aquí es donde entra en juego el Protocolo de Contexto del Modelo (MCP). MCP te permite construir herramientas personalizadas que extienden las capacidades del agente, permitiéndole consultar tus bases de conocimiento internas, bases de datos u otros servicios propietarios.
Uno de los servidores MCP populares actualmente es Apidog MCP Server, que te permite conectarte a tu Documentación de API dentro de Cursor y otras herramientas de Codificación de IA, y reduce en gran medida la alucinación de la IA al extraer información de las Especificaciones de API factuales.
Conclusión: El Futuro de la Investigación Automatizada
La API de Investigación Profunda de OpenAI es más que una mejora incremental. Representa un cambio fundamental en cómo podemos aprovechar la IA para el trabajo de conocimiento. Al proporcionar un agente que puede razonar, planificar, ejecutar herramientas y producir resultados verificables, OpenAI ha creado un bloque de construcción para una nueva generación de aplicaciones de investigación.
Ya sea que estés construyendo paneles de inteligencia competitiva, automatizando revisiones de literatura o creando informes sofisticados de análisis de mercado, la API de Investigación Profunda proporciona la potencia, la transparencia y la confianza necesarias para casos de uso serios y del mundo real. Como sugiere el libro de cocina, el siguiente paso probablemente sean "Agentes de Investigación Profunda" completamente desarrollados, lo que sugiere un futuro aún más autónomo y capaz. Por ahora, la API ofrece a los desarrolladores una nueva herramienta increíble para explorar. Comienza a construir con ella hoy mismo.