Qué es un GPT personalizado y cuándo compensa montarlo

Un GPT personalizado es un ChatGPT configurado de antemano para una tarea concreta: le dejas escritas unas instrucciones fijas —qué papel juega, qué tiene que resolver, en qué formato responde, qué no debe hacer nunca— y, si la tarea lo pide, le añades material propio para que se apoye en él. Cada vez que lo abres arranca sabiendo todo eso, en lugar de empezar en blanco.

No es un modelo distinto ni una IA entrenada con tus datos. Es el mismo ChatGPT de siempre con un punto de partida preparado, y esa distinción no es una sutileza: explica casi todo lo que puede hacer y casi todo lo que no.

Montarlo se hace en un rato y no requiere programar, así que la pregunta útil no es cómo se crea. Es cuándo compensa. Y este es un terreno donde la gente se emociona: monta quince en una tarde, los comparte con el equipo y tres semanas después no los usa nadie, ni siquiera quien los montó. Si lo que buscas es que tu equipo aprenda a crear y mantener los suyos con criterio, eso es formación en IA para empresas. Este artículo va de ese criterio.

Es tu mejor prompt, pero guardado

Cuando una tarea me importa de verdad, escribo el encargo con esta estructura: contexto real, objetivo, restricciones, fuentes que puede usar, entregable exacto, criterios de aceptación y comprobaciones antes de responder. Está explicada con ejemplos en qué es un prompt y por qué importa cómo lo escribes.

Un GPT personalizado es exactamente eso, pero guardado. Ese es el mejor atajo para entender qué estás montando:

• El contexto, el objetivo, las restricciones, el entregable y los criterios de aceptación dejan de escribirse cada vez y pasan a vivir en las instrucciones fijas.
• Las fuentes que puede usar dejan de pegarse en el chat y pasan a ser el material que adjuntas.
• Las comprobaciones —qué debe revisar antes de darte una respuesta— también se escriben una vez y se aplican siempre.

De ahí sale la consecuencia incómoda: si esa estructura no la sabes escribir a mano, el GPT tampoco va a salir bien. Un GPT no es más listo que el prompt que hay dentro, es más cómodo. La comodidad vale dinero —evita reescribir doscientas palabras cada mañana y evita que cada persona improvise las suyas—, pero no crea criterio donde no lo había.

Qué resuelve de verdad

Dos cosas. Conviene no pedirle más, porque lo demás no lo hace.

Que no haya que re-explicar el contexto en cada conversación. El contraejemplo que uso en formación es «hazme una estrategia de IA para mi empresa»: parece una petición razonable y obliga al modelo a inventarse el contexto entero —qué empresa, qué tamaño, qué herramientas tenéis ya, qué problema hay que resolver—. Devuelve algo que suena bien y que serviría igual para cualquier otra empresa. Un GPT bien montado quita de en medio esa tentación, porque el contexto ya está dentro y no depende de que a alguien le apetezca escribirlo un martes a las ocho.

Que todo el equipo trabaje con el mismo criterio. Cinco personas respondiendo reclamaciones producen cinco tonos, cinco niveles de compromiso y cinco maneras distintas de decir que no. Un GPT compartido convierte «cómo se responde aquí a una reclamación» en algo escrito, revisable y discutible. Deja de estar en la cabeza de la persona veterana y pasa a estar en un sitio donde se puede corregir.

Hay un tercer efecto, menor pero real: obliga a escribir el criterio. Buena parte del valor aparece antes de usarlo, en el momento en que alguien tiene que poner por escrito qué es una respuesta buena y qué no vale. Esa conversación suele descubrir que el equipo no estaba tan de acuerdo como creía.

Qué necesita para funcionar

Dos ingredientes, y ninguno es la herramienta.

Instrucciones claras sobre una tarea, no sobre un área. «Asistente de marketing» no es una tarea: es una etiqueta, y produce un GPT que hace un poco de todo y nada bien. «Redactar la primera versión de una respuesta a una reseña negativa, con nuestro tono, sin prometer compensaciones ni fechas que no le haya dado yo» sí es una tarea. Añade siempre las dos instrucciones que más relleno evitan: qué debe hacer cuando le falte un dato —decirlo, no deducirlo— y qué no debe hacer nunca.

Material de partida bueno y vigente. Si le adjuntas la tarifa del año pasado, te responderá con la tarifa del año pasado y con exactamente la misma seguridad que si fuera la buena. El material no se valida solo: alguien tiene que decidir cuál es la versión correcta de cada documento antes de que entre.

Y una prueba antes de repartirlo: cinco casos reales que ya sepas resolver. Si el GPT no acierta en esos cinco, no está listo; si acierta, ya tienes la referencia con la que comprobarlo dentro de tres meses. Un buen candidato a GPT suele ser, sin más, un prompt que ya usas cada semana y que funciona —de esos hay una lista en prompts para el trabajo de oficina—.

Por qué la mayoría acaba sin que los use nadie

Tres motivos, y los tres son de diseño, no de herramienta.

Se monta sin decidir la tarea concreta. Es el fallo número uno. Alguien crea «el GPT de ventas» pensando en cubrir toda el área, y el resultado no encaja en ningún momento real del trabajo: cuando llega la tarea de verdad, es más rápido escribirlo a mano. Un GPT que no responde a una pregunta específica —«qué produce y en qué momento del día lo abro»— no llega al mes.

El material envejece y nadie se entera. Se adjuntan documentos en enero y en septiembre siguen ahí, con precios viejos, un procedimiento derogado y el nombre de dos personas que ya no están. Lo peligroso es que el GPT no avisa: sigue respondiendo con el mismo aplomo. El día que alguien detecta un error, la confianza se cae de golpe y se lleva por delante también a los GPT que sí estaban bien.

No tiene dueño. Si no hay una persona con nombre responsable de revisarlo cada cierto tiempo, no se revisa. Sin dueño no hay mantenimiento, y sin mantenimiento la vida útil de un GPT se mide en semanas.

Hay un cuarto motivo que no es del GPT, sino de cómo se enseña. El error clásico en una formación es querer enseñar veinte aplicaciones en vez de conseguir que cada persona domine dos o tres usos que repetirá al día siguiente. Con los GPT pasa igual: quince GPT nuevos no son quince mejoras, son quince cosas por mantener. Dos que se usan a diario valen más que quince en el escaparate, y el razonamiento completo está en qué falla en una formación de IA.

Cuándo la respuesta correcta es no montarlo

No siempre compensa, y decir que no a tiempo ahorra bastante trabajo. Cuatro señales claras:

• La tarea es esporádica. Si la haces una vez al mes, el ahorro no cubre ni el tiempo de configurarlo ni el de mantenerlo. Escribe un buen prompt y guárdalo en un documento.
• El contexto cambia por completo en cada caso. Si cada expediente, cada cliente o cada proyecto exige explicar una situación distinta, no hay nada fijo que congelar. Lo fijo tiene que ser real, no forzado.
• Nadie sabe todavía escribir un prompt decente. Montar GPT antes de eso es construir sobre arena: se acaba con instrucciones vagas guardadas para siempre. Primero el criterio para pedir las cosas —eso es el curso de prompt engineering—, y después, si sigue teniendo sentido, el GPT.
• Lo que quieres en realidad es consultar documentos. Si el objetivo es preguntarle a un cuerpo de documentación, hay una herramienta pensada para eso; lo vemos más abajo.

La regla corta: si no puedes decir en una frase qué entrega el GPT y quién lo va a abrir cada semana, todavía no lo montes.

Compartirlo con el equipo depende de la cuenta

Un GPT montado en la cuenta personal de alguien es de esa persona. Funciona para uso propio y se convierte en un problema en cuanto el resto del equipo depende de él: no hay administración, no hay copia y no hay forma limpia de recuperarlo cuando esa persona se va.

Qué se puede compartir, con quién, quién administra el acceso y qué pasa en una baja son preguntas que responde el tipo de cuenta con la que trabajéis, no el GPT en sí. Las condiciones concretas cambian con el tiempo, así que no des por hecho lo que leíste hace un año: compruébalas antes de montar nada compartido. El marco para decidirlo está en ChatGPT para equipos: qué cambia con cuentas de empresa.

Un GPT con material interno expone ese material

Esta parte no es opcional. Adjuntar documentación propia a un GPT tiene dos consecuencias distintas y las dos hay que mirarlas.

La primera: ese material sale de vuestros sistemas y va a un servicio externo. Se aplica el mismo criterio de siempre, detallado en qué no compartir nunca con ChatGPT: datos personales, información de clientes, material de terceros que no es tuyo para compartir y lo que diga vuestra política interna.

La segunda se olvida más a menudo: el material que adjuntas queda al alcance de quien use el GPT. Si lo compartes con toda la empresa, estás compartiendo también su contenido, aunque nadie abra el documento. Un GPT montado sobre márgenes comerciales, condiciones de proveedores o expedientes de personal reparte esa información a todo el que tenga el enlace. Antes de adjuntar cada archivo, la pregunta correcta no es «¿me sirve?», es «¿se lo enseñaría a todos los que van a usar esto?».

GPT personalizado o NotebookLM: cuál para qué

Se confunden porque ambos trabajan con material propio, pero resuelven cosas distintas.

Un GPT personalizado sirve para repetir una tarea con un criterio fijo: produce algo —un correo, un borrador, una ficha, una respuesta— siguiendo unas reglas que has decidido. El material es un apoyo; lo importante es el encargo.

NotebookLM sirve para preguntarle a un conjunto de documentos: ahí el material es el protagonista y las respuestas te remiten al fragmento del que salen, así que puedes comprobarlas sin fiarte de lo bien redactadas que suenen.

Si dudas, la pregunta que decide es sencilla: ¿quieres que te produzca algo con un criterio, o que te encuentre y sintetice algo que ya está escrito? Lo primero es un GPT; lo segundo, un cuaderno de fuentes.

Dónde acaba la formación y dónde empieza la implantación

Aquí la línea se cruza con facilidad, y conviene dejarla dicha. Enseñar a un equipo a crear y mantener sus propios GPT es formación: se aprende el criterio, se monta uno sobre una tarea real y la empresa se queda con la capacidad de hacer el siguiente sin llamar a nadie. Eso es lo que hago desde aquí. Construir un asistente sobre la documentación interna de la empresa —que se actualice solo cuando cambia un procedimiento, respete los permisos de cada perfil, se integre con vuestros sistemas y tenga alguien que lo mantenga— es implantación: un proyecto con análisis previo, decisiones de seguridad, coste recurrente y riesgo técnico propio. Eso no lo abordo desde aquí; lo trabajo desde Meridian Data, la consultora de datos e IA desde la que hago los proyectos técnicos.

El orden importa. Empezar por lo segundo cuando nadie ha usado todavía lo primero es la forma más cara de descubrir qué necesitabais en realidad. Dos o tres personas trabajando unas semanas con GPT propios te dicen, con datos reales, si merece la pena montar algo más grande y sobre qué documentación exactamente.

Por dónde empezar

Coge una tarea, no un área. Que cumpla tres condiciones: se repite varias veces por semana, ya sabes distinguir un resultado bueno de uno malo y el material de partida es estable. Escribe el encargo completo a mano —contexto, objetivo, restricciones, fuentes, entregable, criterios y comprobaciones—, úsalo tal cual durante una semana y corrígelo con lo que falle. Solo entonces guárdalo como GPT, ponle un dueño y una fecha de revisión, y pruébalo contra cinco casos que ya sepas resolver.

Si al cabo de un mes se sigue usando, monta el segundo. Si no, ya sabes algo útil: esa tarea no era la buena. Eso, hecho con las tareas reales de tu equipo en lugar de con ejemplos de manual, es lo que se practica en el curso de ChatGPT para empresas.

Y si prefieres decidirlo hablando antes de invertir tiempo, reserva media hora y miramos qué tareas tenéis, cuáles merecen un GPT y cuáles piden otra cosa.