La mayoría de las personas conoce Codex por primera vez como "una herramienta que ayuda a escribir código": le das un requerimiento y te devuelve un bloque de código, algo parecido a pedirle que haga una tarea escolar. Pero si solo lo usas en ese nivel, en realidad te estás perdiendo lo que de verdad se puede hacer con él: convertir todo un trabajo que normalmente te tomaría varias horas —o que tendrías que delegarle a otra persona— en un sistema automatizado que se activa con una sola instrucción y que sigue funcionando incluso después de apagar tu computador.
Este artículo desglosa la parte con más valor práctico de un tutorial en video de 2.5 horas: cómo empezar escribiendo un prompt, ir convirtiendo ese trabajo poco a poco en una "habilidad reutilizable" (Skill), conectar esa habilidad a una fuente de datos real y, finalmente, desplegarla en la nube para que se convierta en un sistema que opera 24 horas sin supervisión. Los dos casos concretos que muestra el autor del video son "generación automática de cotizaciones de ventas" y "reciclaje de contenido" (convertir automáticamente un artículo en publicaciones para varias redes sociales); la lógica de ambos se puede aplicar directamente a otros escenarios de negocio propios.
Codex no es solo para escribir código: qué muestra realmente este tutorial
Codex es una herramienta de AI Agent de OpenAI que, a diferencia de ChatGPT usado solo para conversar, puede entrar directamente a una carpeta de trabajo específica en tu computador, leer archivos, modificarlos, abrir el navegador para operar páginas web y conectarse con complementos de software que ya tengas instalados. En otras palabras, funciona más como un asistente que "hace las cosas" y no solo "responde preguntas".
Este artículo se enfoca en un uso más avanzado: cómo llevar Codex de "una ayuda puntual" a "un flujo de trabajo que se puede repetir e incluso activarse automáticamente". Toda esta lógica se organiza en varias capas, empezando por el prompt y sumando progresivamente Skill, automatización local y automatización en la nube.
Antes de empezar: tres ajustes que determinan la eficiencia y el gasto
Antes de ponerse manos a la obra, el video recomienda que cualquier persona nueva entienda tres ajustes, porque estas tres opciones afectan directamente la velocidad de trabajo y el gasto de Token:
Modelo (Model): distintos niveles de modelo tienen capacidad de razonamiento y velocidad de consumo de Token diferentes; los modelos más "inteligentes" suelen ser también los más caros. El autor del video comenta que suele usar un modelo de nivel más alto para trabajo formal, y cambia a uno de nivel más bajo (que consume menos Token) para tareas simples.
Esfuerzo (Effort) y velocidad (Speed): un nivel de esfuerzo más alto significa que el modelo "piensa" de forma más exhaustiva, pero también consume más Token; configurar la velocidad en "rápida" también aumenta el consumo. El autor cuenta que, en su trabajo diario, suele mantenerse en un nivel de esfuerzo medio-alto y velocidad estándar, en lugar de llevarlo siempre al máximo, porque mientras espera puede ocuparse de otras tareas en paralelo, sin necesidad de que una sola tarea termine lo más rápido posible.
Modo de permisos: va, a grandes rasgos, de lo más conservador a lo más abierto en tres niveles: que se te pida aprobación en cada paso, que actúe con autonomía dentro de la carpeta de trabajo pero pregunte antes de cualquier conexión externa, o que tenga vía libre total sin volver a preguntar. El video advierte que, aunque el modo de vía libre total es el más rápido, también existe el riesgo de que se borren archivos importantes por error, por lo que recomienda que quienes recién empiezan lo hagan primero en el modo que requiere aprobación.
Estos tres ajustes no tienen una respuesta única correcta, pero si ya te preocupa cómo se está gastando el Token, vale la pena revisar por qué "esfuerzo" y "velocidad" terminan reflejándose directamente en la factura.
Del prompt al Skill: convertir una tarea puntual en una habilidad reutilizable
El primer caso práctico que muestra el video es automatizar el proceso de "cotización de ventas". El flujo original del autor era: después de terminar una llamada por Zoom o Google Meet con un cliente, convertía la grabación en una transcripción, y a partir de esa transcripción organizaba los puntos de dolor del cliente, la propuesta de solución y una estimación de retorno de inversión (ROI), para finalmente armar una cotización con una lógica coherente y enviarla al cliente.
En la práctica, primero le pidió a Codex que generara tres plantillas de cotización en HTML con estilos claramente distintos, pensadas para tres industrias diferentes (estética médica, odontología y mantenimiento de aire acondicionado), y a partir de ahí escogió y ajustó repetidamente la versión que más se acercaba a lo que necesitaba. El autor destaca una lógica de trabajo importante: si solo generas una versión, no tienes forma de saber si eso es realmente lo que quieres; generar varias versiones con estilos distintos de una sola vez te da algo con qué comparar y elegir. Una vez definida la plantilla, el siguiente paso fue pedirle a Codex que organizara todo el flujo —"recibir una transcripción de reunión como entrada, generar como salida un enlace a un sitio web con la cotización, el cálculo del ROI, firma electrónica y una página simulada de pago"— en un documento de "Skill" (habilidad).
Lo importante del Skill es que, sin importar de qué industria sea el próximo cliente, basta con pasarle la nueva transcripción de la reunión y darle una instrucción para que aplique la misma lógica y genere la cotización correspondiente, sin necesidad de volver a describir el requerimiento desde cero cada vez. La diferencia más grande frente a escribir un simple prompt es que el Skill deja por escrito, de forma fija, "las reglas que hay que seguir, el formato que debe producirse y los límites que no se pueden cruzar" en este trabajo, convirtiéndolo en una capacidad que se puede invocar una y otra vez.
Sub-agents en paralelo: que Codex haga varias cosas a la vez en lugar de hacer fila
Una vez listo el Skill, el video muestra una técnica que ahorra bastante tiempo de espera: cuando se necesitan generar de forma simultánea dos, o incluso seis, casos de prueba de industrias distintas, en lugar de dejar que Codex los procese uno por uno en secuencia, se le pide que los divida en varios "Sub-agents" que trabajen en paralelo al mismo tiempo. En pantalla se ven varias ventanas de trabajo de estos Sub-agents corriendo simultáneamente, cada una procesando los datos de un cliente distinto, y al final reportando todos los resultados juntos.
El valor de este método está en la eficiencia de las pruebas: en lugar de esperar a que termine la primera tarea para recién empezar la segunda, se dejan correr todas las tareas al mismo tiempo, de modo que con una sola espera se obtienen varios resultados para comparar. Esta técnica se puede aplicar directamente a cualquier trabajo que requiera "generar varias versiones de una vez y luego elegir" —no solo cotizaciones, sino también generación de contenido, comparación de propuestas, y más.
Conectar el Skill a una fuente de datos real: automatización local
Tener el Skill listo no es suficiente, porque hasta ese punto seguía siendo necesario pegar manualmente la transcripción de cada reunión. El siguiente paso es conectar automáticamente la fuente de datos: el autor del video usa una herramienta externa de transcripción de reuniones (instalando, a través del navegador, el complemento que esa herramienta ofrece dentro de Codex), de modo que cada vez que termina una llamada, Codex extrae automáticamente el nuevo registro de la reunión, activa directamente el Skill de cotización ya creado, genera el resultado y se lo reporta primero al propio autor para su revisión; solo después de confirmar que todo está correcto se envía manualmente al cliente.
Aquí hay una advertencia clara: ninguna clave de API, contraseña u otra información sensible debe pegarse directamente en el cuadro de texto donde se conversa con la IA. Lo correcto es pedirle a Codex que indique una ruta de archivo y pegar la clave en el archivo de configuración correspondiente, en lugar de escribirla en la ventana de chat. Es un hábito básico de seguridad que vale la pena recordar al operar este tipo de herramientas de automatización.
Una vez completada la conexión, todo el flujo queda así: termina la llamada → se extrae automáticamente la transcripción → se aplica el Skill para generar el sitio de la cotización → se te reporta a ti para revisión manual → tú decides si enviarla al cliente. Esto ya es un flujo de automatización local, pero tiene una limitación evidente: solo funciona mientras el computador está encendido.
De la automatización local a la operación 24 horas en la nube
Para resolver el problema de "el computador se apaga y todo se detiene", el video muestra cómo desplegar este flujo de automatización en la nube. En concreto, se conecta con Cloudflare para crear un entorno en la nube capaz de hacer verificación de firma y activar la automatización mediante un mecanismo de cola (Queue), de modo que la revisión programada que antes corría en el computador local (por ejemplo, revisar cada cierto número de horas si hay nuevas grabaciones de reuniones) pasa a ser ejecutada por un servicio en la nube. Así, aunque apagues tu computador, todo el flujo de "extraer datos → aplicar el Skill → generar la cotización → notificarte para revisión" sigue corriendo en segundo plano; esto es, en la práctica, lo que significa la "operación 24 horas sin supervisión" del título del video.
Vale la pena aclarar que esta parte del despliegue en la nube involucra bastantes detalles técnicos (por ejemplo, el mecanismo de verificación de firma y la gestión de claves), y el propio video recuerda que quienes recién empiezan no necesitan entender por completo cada paso: se le puede preguntar directamente a Codex "¿qué está haciendo este paso?" para que vaya explicando el principio antes de seguir avanzando. Más adelante, en el segundo caso práctico (automatización de reescritura de contenido), el video muestra otra forma de hacerlo: conectando un repositorio de GitHub y usando el entorno de trabajo en la nube que ofrece Codex para activar la automatización. Sin embargo, el video también aclara específicamente que este entorno de trabajo en la nube es, en esencia, "un contenedor que se crea de forma temporal cuando llega una tarea", y no un servidor que está corriendo en segundo plano de forma permanente; si lo que necesitas es solo una revisión programada periódica, usar directamente la función de "Schedule" (programación) integrada en la propia plataforma de Codex/ChatGPT —que ya corre en la nube— resulta más directo, sin necesidad de pasar por GitHub.
Segundo caso práctico: convertir automáticamente un artículo en publicaciones para varias redes sociales
La segunda automatización que muestra el video tiene como tema el "reciclaje de contenido" (repurpose content): tomar un contenido central que ya está escrito (por ejemplo, un boletín por correo o un artículo largo) y reescribirlo en formatos adecuados para distintas plataformas —crear una vez, distribuir varias veces— para ahorrar el tiempo de volver a pensar el contenido desde cero cada vez.
En concreto: se le pega a Codex el contenido de un boletín en inglés al que está suscrito, se le pide que lo traduzca y lo reescriba en español (en el caso original, chino), y que, según los hábitos de lectura de cada plataforma, genere publicaciones con el estilo correspondiente para X (antes Twitter), Instagram y LinkedIn (por ejemplo, X funciona bien con un hilo de frases cortas encadenadas, Instagram con un texto de largo medio acompañado de un gancho emocional, y LinkedIn con una reflexión profesional más extensa), generando además, en simultáneo, una imagen de acompañamiento con estilo de pizarra dibujada a mano.
Después del primer resultado, el autor del video hizo dos correcciones que resultan muy útiles para quien quiera replicar este método: primero, el texto era demasiado largo y parecía más un resumen completo que una publicación; una publicación de redes sociales debería ir directo al punto, no incluirlo todo con lujo de detalle. Segundo, el texto tenía "demasiado sabor a IA", con un uso excesivo de expresiones formulaicas como "empoderar" o "lógica subyacente", y pidió que se ajustara a un tono más cercano al de una persona real. Después de estas correcciones, este flujo de reescritura de contenido también se convirtió en un Skill, y se le pidió a Codex que archivara automáticamente el texto y las imágenes generadas cada día en una estructura de "carpetas por fecha", para facilitar su búsqueda posterior.
Igual que en el caso de las cotizaciones, este flujo de reescritura de contenido también se puede conectar a un complemento de correo, para que Codex revise automáticamente cada mañana si llegó un artículo nuevo al buzón de suscripciones y, si es así, aplique el Skill para generar borradores de publicaciones para varias plataformas, quedando listos para que tú los revises al despertar y los publiques manualmente. El autor del video subraya que, aunque técnicamente también sería posible conectar el paso de "publicación automática", él eligió no hacerlo, porque una publicación en redes sociales representa su propia opinión, y prefiere revisar cada una personalmente antes de publicarla, para no perder el control sobre la calidad de lo que se produce.
La IA hace la mayor parte del trabajo, pero el paso de revisión no se puede saltar
Hacia el final, el video menciona dos advertencias basadas en la experiencia, que vale la pena recordar como cierre:
Primero, el posicionamiento más realista de este tipo de flujos de automatización es dejar que la IA complete el 80-90% del trabajo repetitivo, mientras que el 10-20% restante —revisión y criterio— sigue necesitando el filtro de una persona; no se trata de "encontrar el método y luego olvidarse por completo del asunto".
Segundo, cuando ajustas las reglas de un prompt o un Skill, no basta con confiar en la impresión, correr una o dos pruebas y entregarlo si el resultado se ve bien. El método más riguroso es preparar un lote de datos de prueba (por ejemplo, cientos de casos distintos), correrlos todos y luego usar otro modelo o algún método cuantitativo para calificar los resultados, y así confirmar si el cambio realmente resolvió el problema original o si, sin querer, introdujo otros errores. Este es un hábito que vale la pena construir para cualquiera que planee llevar estos flujos de automatización a producción real frente a clientes.
Preguntas frecuentes (FAQ)
P1: ¿Puede alguien sin experiencia programando aprender realmente este flujo de trabajo? El autor del video cuenta que él mismo no tiene formación en programación y que aprendió este método de forma autodidacta. La interfaz de Codex funciona principalmente con instrucciones en lenguaje natural, sin necesidad de escribir código a mano; sin embargo, el despliegue en la nube y la conexión con cuentas de terceros sí requieren cierta comprensión técnica. Se recomienda empezar por familiarizarse con las operaciones básicas en el computador local antes de intentar la conexión avanzada en la nube.
P2: ¿En qué se diferencia un Skill de un prompt normal? Un prompt normal suele describir un requerimiento de forma improvisada para una sola tarea; un Skill, en cambio, organiza en un documento fijo "qué hay que hacer, en qué formato debe entregarse el resultado y qué límites no se pueden cruzar". Después, basta con darle nuevos datos de entrada para aplicar la misma lógica y producir el resultado, sin necesidad de describir el requerimiento de nuevo cada vez.
P3: ¿Cuál es la diferencia entre automatización local y automatización en la nube? ¿Es obligatorio llegar a la nube para considerarlo completo? La automatización local significa que tanto la programación como la activación ocurren en tu propio computador; en cuanto el computador se apaga o entra en suspensión, el flujo se detiene. La automatización en la nube despliega esa misma lógica en un servidor en la nube, de modo que el flujo sigue funcionando aunque el computador local esté apagado. Si necesitas o no llegar a la nube depende de tu caso de uso: si lo usas ocasionalmente para ti mismo, la automatización local puede ser suficiente; si necesitas dar un servicio estable 24 horas a clientes o a un equipo, la nube es la opción más estable.
P4: ¿Automatizar procesos de negocio consume mucho Token? ¿Es muy costoso? Que se consuma "mucho" o no depende del nivel de modelo que elijas, del esfuerzo y la velocidad configurados, y de la frecuencia con la que se activa el flujo. Para entender mejor qué genera el consumo de Token y cómo controlar el costo, conviene revisar contenido que desglose la lógica detrás de este gasto, que aplica igual de bien al ajuste de este tipo de flujos automatizados.
P5: El autor del video menciona que su propia agencia de IA factura "más de un millón de dólares" y que su comunidad tiene "12,000 personas". ¿Son cifras confiables? Estas son afirmaciones de presentación personal y de marketing que el creador hace al inicio del video; son un autorreporte del propio creador, y este sitio no ha verificado estas cifras de ninguna forma ni las respalda o recomienda. Al leer este artículo, se recomienda poner el foco en qué tan aplicables son los pasos del tutorial, no en las afirmaciones de logros personales que el creador hace sobre sí mismo.
Declaración de fuentes
El contenido de este artículo se basa en un video del canal de YouTube "李哈利 | AI" ("Harry Lee | AI"), publicado el 31 de agosto de 2026, titulado (traducido del chino) "El curso maestro de Codex más completo de la red: 2.5 horas para construir desde cero una 'empresa de IA de una sola persona' que opera 24 horas sin supervisión". Los pasos y casos descritos en este artículo son una organización y reelaboración del contenido de ese video, no una traducción literal. La descripción que el creador hace al inicio del video sobre su propio negocio (agencia de IA, facturación, tamaño de su comunidad) corresponde a un autorreporte del propio creador, no ha sido verificada por este sitio y no representa la opinión ni el respaldo de este sitio. Los nombres de funciones, la interfaz y los detalles operativos de Codex pueden variar según la versión oficial más reciente de OpenAI; la experiencia real puede diferir con actualizaciones futuras.
Para profundizar más en el tema, en nuestro sitio también hemos publicado artículos relacionados sobre qué es OpenAI Codex y en qué se diferencia de ChatGPT y Claude Code, sobre por qué el Token de IA resulta tan caro al desglosar la lógica autorregresiva detrás del consumo de los agentes de codificación, sobre técnicas comprobadas para reducir el costo de Token al programar con IA, y sobre cómo dar instrucciones (prompts) de forma efectiva siguiendo las guías oficiales de Anthropic.
Actúa ahora
Si estás pensando en integrar una herramienta de AI Agent como Codex a tu propio flujo de negocio, el nivel del modelo, el esfuerzo y la velocidad son tres ajustes que se reflejan directamente en la factura que pagas cada mes. Prueba gratis AI Token King (https://aitokenking.com.tw/home) y organiza en un registro de consumo cuánto Token gasta realmente cada combinación de modelo y configuración, para tener un dato concreto en la mano al momento de elegir herramientas y ajustar tus parámetros.
