OpenAI ha abierto las solicitudes para ChatGPT for Academic Researchers, un programa que otorga a 100,000 científicos cualificados acceso gratuito a su familia de modelos más capaz, GPT-5.6, junto con el entorno de programación Codex y un conjunto de herramientas de investigación específicas para diversos dominios. Los primeros 10,000 investigadores obtendrán acceso este verano, y el despliegue continuará hasta 2027. Entre los primeros participantes ya se encuentran el Institute for Advanced Study de Princeton y la École normale supérieure de Francia [1][2].
Quiénes califican y qué incluye el paquete
La elegibilidad es restrictiva por diseño. Los solicitantes deben ser profesores investigadores o investigadores posdoctorales de instituciones reconocidas que otorguen títulos y tengan una alta actividad de investigación. La afiliación se verifica a través de SheerID y se debe presentar un artículo publicado en los últimos tres años en arXiv, bioRxiv o ChemRxiv en uno de los siete campos admitidos: Ciencias Biológicas, Química y Materiales, Ciencias de la Computación, Ciencias de la Tierra y Planetarias, Ingeniería, Matemáticas o Física [1].
Cada investigador aprobado recibe el equivalente a la suscripción ChatGPT Pro de OpenAI de 200 dólares al mes sin coste alguno, con límites de uso más altos, capacidad de investigación profunda ampliada y ventanas de contexto más grandes. El paquete cubre la familia completa de GPT-5.6 —Sol para problemas científicos y matemáticos exigentes, Terra para tareas de investigación cotidianas equilibradas y Luna para respuestas más rápidas en cargas de trabajo ligeras— además de ChatGPT Work para proyectos agénticos de múltiples pasos y Codex para escribir y depurar código de análisis [1][2].
Los investigadores pueden invitar hasta cuatro colaboradores institucionales por espacio de trabajo. Cada colaborador debe verificar su afiliación y cuenta para el límite de 100,000 cuentas del programa. Los datos compartidos a través del programa no se utilizan para entrenar los modelos de OpenAI por defecto, y los espacios de trabajo cuentan con protecciones de privacidad y seguridad de grado empresarial, equivalentes a las de los clientes comerciales de nivel enterprise [1][2][3].
Más allá de los modelos principales, el programa incluye más de 75 habilidades de ciencias de la vida: conectores tipo plugin para genética, genómica, secuenciación de próxima generación, análisis de célula única, modelado de proteínas y descubrimiento de fármacos. Otros conectores enlazan con bases de datos de literatura científica, repositorios genómicos y clínicos públicos, plataformas de imágenes satelitales, cuadernos computacionales y gestores de referencias [1]. OpenAI también promete formación y soporte directo para investigadores con distintos niveles de experiencia en IA [2].
Compensaciones prácticas en la cadena de herramientas
La suite integrada es potente pero está estrechamente vinculada. Los investigadores que construyan flujos de trabajo en torno a los más de 75 conectores de OpenAI ganan comodidad pero sacrifican portabilidad. Si OpenAI cambia una API o descontinúa un conector, los procesos dependientes se romperán. Los laboratorios que ya confían en herramientas de código abierto como Snakemake o Nextflow pueden encontrar útil a Codex para la generación de código mientras mantienen la ejecución fuera del ecosistema de OpenAI.
El límite de cuatro colaboradores por espacio de trabajo también obliga a elegir. Un laboratorio mediano con seis posdoctorados no puede invitar a todos a un único espacio de trabajo; debe dividirse en dos o aceptar que algunos miembros trabajen sin acceso al programa. Esto favorece a los equipos pequeños y enfocados sobre los grupos de colaboración grandes.
Qué nos dicen realmente los benchmarks — y qué no
OpenAI destaca dos cifras principales: GPT-5.6 Sol obtiene un 83% en FrontierMath Tier 4, lo que supone una ganancia de 10.5 puntos porcentuales sobre GPT-5.5, y resuelve el 31.5% de las tareas en GeneBench Pro, más del doble del rendimiento de su predecesor en una versión más sencilla de ese benchmark [1].
Ambos benchmarks conllevan matices significativos que la página del programa no muestra de forma destacada. FrontierMath fue desarrollado con financiación de OpenAI, que conserva el acceso exclusivo a un subconjunto de los problemas del benchmark, según la propia declaración de conflicto de intereses de Epoch AI. GeneBench Pro es el propio benchmark de OpenAI, presentado el 30 de junio de 2026. Ninguno ha sido validado independientemente por un tercero [1].
Una tasa de aprobación del 31.5% en GeneBench Pro también significa que GPT-5.6 Sol Pro todavía falla en aproximadamente siete de cada diez tareas complejas de investigación biológica. Ese techo coincide con lo que la propia OpenAI ha reconocido: Joy Jiao, la responsable de investigación de ciencias de la vida de la empresa, dijo en el lanzamiento de GPT-Rosalind en abril de 2026 que OpenAI no cree que la IA pueda aún crear nuevos tratamientos para enfermedades por sí sola [1].
Por otra parte, un estudio de la Universidad Estatal de Washington publicado en marzo de 2026 encontró que, al ajustar por azar, ChatGPT identificó correctamente afirmaciones científicas falsas solo el 16.4% de las veces, un resultado que complica las afirmaciones sobre la IA como asistente de investigación para la evaluación de hipótesis [1].
Lectura crítica de los números
Los resultados de FrontierMath y GeneBench Pro deben tratarse preferiblemente como indicadores de dirección, no como prueba de capacidad científica autónoma. Un modelo que domine los problemas de competiciones matemáticas puede seguir teniendo dificultades con el razonamiento más desordenado y dependiente del contexto que exige la biología de laboratorio real. Los investigadores deben realizar su propia validación en tareas específicas de su dominio antes de confiar en la salida del modelo para cualquier cosa que no sea una lluvia de ideas.
Cómo está diseñado el flujo de trabajo de investigación
OpenAI enmarca el programa en torno a cubrir todo el arco del trabajo científico en lugar de tareas discretas. ChatGPT se encarga de la ideación, el estudio bibliográfico, la generación de hipótesis y la redacción de manuscritos. Codex gestiona la capa de ejecución: escribir y depurar código de análisis, procesar conjuntos de datos y construir flujos de trabajo computacionales reproducibles. ChatGPT Work —un modo agéntico de horizonte más largo que puede planificar y ejecutar a través de sesiones de múltiples pasos— se dirige a proyectos sostenidos como la redacción de subvenciones, la revisión de literatura y la preparación de manuscritos [1][2].
Los datos de comportamiento que cita OpenAI sugieren que el interés es real. Cada semana, aproximadamente 1.3 millones de personas usan ChatGPT para ciencia y matemáticas avanzadas, generando alrededor de 8.4 millones de mensajes, una actividad orgánica que precedió a cualquier programa estructurado. Los investigadores en el top 20% de uso de IA dentro de sus campos tienen casi el doble de probabilidades que sus pares de asignar a la IA tareas que se estima requieren cuatro o más horas de esfuerzo humano: aproximadamente el 7% de sus peticiones frente al 3.5% entre usuarios con menor uso en las mismas disciplinas [1][2].
Ejemplo de flujo de trabajo: Un pipeline genómico
Una sesión típica podría comenzar con un investigador pegando un archivo FASTA y pidiendo a ChatGPT que sugiera genes candidatos para un fenotipo. El modelo propone una lista con anotaciones. El investigador pide entonces a Codex que genere un script de Python usando BioPython para cruzar esos candidatos con un genoma de referencia. Codex escribe el script, señala una dependencia faltante y sugiere un comando de instalación conda. El investigador ejecuta el script localmente, verifica la salida y utiliza ChatGPT Work para redactar una sección de métodos que describa el pipeline.
Cada paso ahorra tiempo pero añade una dependencia de los modelos de OpenAI. Si el entorno de computación del laboratorio cambia o el comportamiento del modelo varía tras una actualización, el código generado anteriormente podría necesitar una nueva validación.
El contexto estratégico: por qué ahora y qué deben vigilar los investigadores
El programa coincide con un anuncio separado de OpenAI detallando cómo ha reducido el coste de ejecutar sus agentes. La pieza clave es el agent harness, una capa de código abierto que se sitúa bajo Codex y ChatGPT Work y dirige al modelo, las herramientas y el contexto. A principios de este año, algunos desarrolladores acumularon facturas mensuales de 20,000 dólares a medida que los agentes consumían capacidad de cómputo. OpenAI ha optimizado el harness: GPT-5.6 Sol ahora supera a Claude Fable 5 en un benchmark de programación líder utilizando un 54% menos de tokens de salida, y un modelo más ligero, GPT-5.5 Luna, cuesta un 80% menos que Sol. En un giro recursivo, OpenAI utilizó Codex para reescribir y optimizar sus propios núcleos de producción, aumentando la eficiencia de los tokens en más de un 15%: el modelo ayudó a reducir su propio coste [4].
La inferencia más barata es lo que permite a OpenAI regalar los modelos en la parte superior del embudo. Las empresas se han desencantado del “tokenmaxxing”, el hábito de lanzar capacidad de cómputo bruta a cada tarea; Databricks afirma que frenar el coste de la IA es ahora la principal pregunta que recibe de sus clientes. La concesión gratuita y el recorte de costes son la misma estrategia [4].
El riesgo de dependencia
Las herramientas de vanguardia gratuitas profundizan la dependencia del sector de la pila tecnológica de una sola empresa, justo en el momento en que OpenAI está aprendiendo a ejecutar esa pila por menos dinero. Lograr que una generación de científicos piense dentro de ChatGPT es su propio tipo de foso defensivo (moat). La oferta competidora de Anthropic, Claude Science, lanzada cinco semanas antes, se salta la verificación de credenciales que requiere OpenAI, presentándose como una alternativa para los investigadores que buscan una incorporación más rápida [1][4].
Los investigadores que se unan al programa deben documentar qué partes de su flujo de trabajo dependen de herramientas específicas de OpenAI y mantener alternativas de respaldo. Un laboratorio que utiliza Codex para la generación de código pero mantiene su entorno de ejecución en Python estándar puede cambiar de modelo con un esfuerzo moderado. Un laboratorio que construya profundamente sobre los más de 75 conectores de OpenAI se enfrentará a una migración mucho más difícil.
Próximos pasos prácticos para investigadores interesados
Si cumple los criterios de elegibilidad, la solicitud está abierta ahora a través del Centro de Ayuda de OpenAI. Prepare su verificación de SheerID y un preprint cualificado de los últimos tres años. Considere a qué colaboradores invitar: cada uno cuenta para el límite del programa y debe verificarse de forma independiente.
Evalúe si su flujo de trabajo se beneficia más de la cadena de herramientas integrada de OpenAI o del Claude Science de Anthropic, que es más ligero pero de acceso inmediato. Y trate las afirmaciones de los benchmarks como señales de dirección, no como garantías: el modelo sigue fallando en la mayoría de las tareas biológicas complejas y tiene dificultades para señalar de forma fiable las afirmaciones científicas falsas.
Fuentes
- OpenAI Launches Free AI Access for Scientists: Apply Now, Model Weights…
- OpenAI launches free ChatGPT program for 100,000 academic researchers
- OpenAI Will Provide Free AI Models To Select Researchers
- OpenAI gives 100,000 scientists free AI, and shows how - TNW
- OpenAI Research | Release
- Prism | A free, LaTeX Editor and AI-native workspace for… - OpenAI
- OpenAI launches GPT-5 free to all ChatGPT users - Ars Technica
