ChatGPT con voz e imágenes (GPT-4V): cómo cambian los casos de uso enterprise

Entre la última semana de septiembre y las primeras de octubre, OpenAI completó el rollout a usuarios Plus de GPT-4V (visión) y de la conversación por voz dentro de ChatGPT. Por primera vez, el mismo modelo que veníamos usando para escribir correos puede mirar una foto, leer un esquema o sostener una conversación hablada con latencia razonable.

Para muchos equipos esto se vivió como un truco de demo. Pero la lectura honesta para una empresa mexicana es otra: hay tres familias de casos de uso que antes no se podían armar de manera económica y que esta semana ya se pueden pilotear. Vale la pena entender cuáles son, qué cuestan y dónde fallan.

Qué incluye realmente la actualización

Antes de hablar de casos, conviene aterrizar qué hay y qué no hay todavía.

• Visión (GPT-4V). Acepta imágenes como parte del prompt. Funciona bien con fotografías, capturas de pantalla, documentos escaneados, gráficos y diagramas razonablemente claros. Falla con imágenes de muy baja resolución, escritura a mano descuidada y placas con texto en perspectiva fuerte.
• Voz. Transcripción con Whisper en el camino de entrada y síntesis con voces sintéticas naturales en el de salida. La latencia es de 1 a 3 segundos por turno, suficiente para conversación asistida pero corta para operación crítica.
• Disponibilidad. Inicialmente en ChatGPT Plus y Enterprise. La API de visión llega después y es la pieza relevante para construir productos.

Lo que sigue sin estar maduro: el video largo, el audio con varios hablantes simultáneos y el uso multimodal en tiempo real con baja latencia. Quien necesite eso, no es momento todavía.

Caso 1: inspección visual en campo

Este es el caso donde más rápido se ve valor. Personal en sitio toma una foto con el celular, la sube a un asistente que corre sobre GPT-4V y recibe una respuesta estructurada.

Funciona bien para:

• Verificación de inventario en tienda o bodega. Foto de anaquel, conteo aproximado, detección de productos faltantes contra planograma.
• Inspección de daños. Vehículos en flotilla, equipo industrial, instalaciones de obra. El modelo describe lo visible y propone categorías de severidad.
• Validación de cumplimiento. Uso de equipo de protección personal, señalización, condiciones de almacén.

Lo que no funciona todavía: medidas exactas, conteo preciso de objetos pequeños y muy juntos, o decisiones que requieran certeza forense. Para todo eso, sigue valiendo modelos especializados de visión por computadora entrenados a la medida.

Un patrón sano es GPT-4V como primera capa de triaje y un modelo especializado solo donde el volumen y la criticidad lo justifican.

Caso 2: soporte por voz natural

La conversación por voz baja drásticamente la fricción para usuarios que no son nativos digitales. Casos donde lo vemos funcionar:

• Atención a clientes adultos mayores en sectores como banca, salud y servicios públicos. La voz baja la barrera frente a chat escrito.
• Operación con manos ocupadas. Personal de campo, técnicos de mantenimiento, transportistas. Hablar con un asistente mientras se opera reduce errores y tiempos.
• Capacitación interna. Repaso conversacional de procedimientos, simulacros de ventas, práctica de objeciones.

Hay tres consideraciones que conviene resolver antes de prometer un producto:

• Latencia acumulada. Cada turno suma 1 a 3 segundos. En conversaciones largas, eso fatiga.
• Manejo de español de México con regionalismos. El reconocimiento es bueno, pero conviene probar con audio real, no solo con dictado de oficina.
• Confidencialidad del audio. Para sectores regulados, la conversación grabada y enviada a un tercero implica revisar política de datos.

Caso 3: análisis de documentos escaneados y mixtos

Aquí GPT-4V resuelve un dolor histórico: documentos donde conviven texto, tablas y firmas en imágenes que un OCR clásico procesa mal.

Casos prácticos:

• Procesamiento de facturas y comprobantes que llegan como foto de celular.
• Lectura de contratos escaneados con anotaciones manuscritas o sellos.
• Extracción de datos de formularios propios y ajenos sin tener que entrenar un modelo dedicado.

La precisión es notable comparada con pipelines tradicionales de OCR más reglas. Pero hay que cuidar dos cosas:

• No es una fuente confiable para campos críticos sin validación humana. Para CFDI, identificaciones oficiales o información que dispare flujos contables o legales, conviene cruzarla con el origen estructurado cuando exista.
• El costo por documento puede sorprender. Una factura compleja puede consumir varios miles de tokens entre imagen y razonamiento. Modelar el costo por mil documentos antes de prometer escala.

Limitaciones, costos y latencia

Tres números útiles para planeación, basados en lo que vemos en proyectos reales este trimestre:

• Costo por imagen. Depende de resolución y nivel de detalle. Una imagen estándar puede costar entre $0.005 y $0.03 dólares en visión, más los tokens de salida.
• Latencia. Visión típicamente 3 a 8 segundos por imagen razonable. Voz, 1 a 3 segundos por turno.
• Tasa de error útil. En extracción simple, alrededor del 5 al 10%. En clasificación bien definida, menor. En razonamiento sobre imágenes complejas, mayor.

Esto no es para reemplazar procesos críticos en tiempo real. Es para abrir casos de uso que estaban cerrados por costo o por imposibilidad técnica.

Patrones de implementación que funcionan

Para no quemar presupuesto, recomendamos los siguientes patrones:

1. Empezar con un canal acotado. Una sola tienda, una sola ruta, un solo tipo de documento. Medir antes de extender.
2. Definir explícitamente el formato de salida. Pedir JSON con campos esperados, no texto libre. Eso facilita validación y reintentos.
3. Tener un fallback humano evidente. Si el modelo no puede o no debe responder, escalar a operador. Esa decisión no debería esconderse.
4. Versionar prompts como código. Lo que hoy funciona, mañana puede no. Conviene trazar qué versión generó qué resultado.
5. Medir tres métricas cada semana: precisión, costo por transacción y satisfacción del usuario final. Sin eso, las decisiones se vuelven anecdóticas.

La lectura de fondo

GPT-4V y la voz natural no inventan necesidades nuevas. Lo que hacen es bajar el costo de cubrir necesidades que ya existían pero no eran rentables. Esa es la frontera donde una empresa mexicana puede ganar terreno sin hacer apuestas riesgosas: tomar un proceso real, doloroso y medido, y cubrirlo con multimodal en lugar de seguir esperando un sistema a la medida.

La trampa es asumir que la demo equivale a producción. Entre la demo y la operación hay disciplina de evaluación, manejo de errores y diseño de experiencia que sigue siendo trabajo de ingeniería, no de modelo.

---

En ALCA pilotamos casos multimodales con clientes mexicanos y los llevamos a producción cuando los números aguantan. ¿Tienes un caso de uso multimodal? Probémoslo en una semana. Agenda una conversación.