Guía de ChatGPT Work con GPT-5.6: ciencia de datos de principio a fin en tu navegador

GPT-5.6 es la familia de modelos más reciente de OpenAI, disponible en tres niveles: Sol para razonamiento profundo, Terra para un trabajo equilibrado del día a día, y Luna para tareas rápidas y ligeras.

Junto a ello, OpenAI ha lanzado ChatGPT Work, un espacio de trabajo dentro de ChatGPT pensado para flujos de trabajo por archivos y de varios pasos.

Con ChatGPT Work puedes subir archivos, mantener el contexto entre prompts y generar código, visualizaciones y herramientas interactivas, todo en tu navegador y sin configuración local.

En esta guía te muestro cómo crear un proyecto completo de predicción de churn de clientes bancarios íntegramente dentro de ChatGPT Work. 

Subiremos un conjunto de datos real, auditaremos y limpiaremos los datos y los exploraremos con visualizaciones.

Después entrenaremos y compararemos varios modelos de machine learning, evaluaremos el mejor y desplegaremos una interfaz web interactiva para predicciones de churn en tiempo real.

Al final, tendrás un paquete de proyecto completo con datos limpios, gráficos, resultados de modelos y una demo funcional, todo creado sin salir de tu navegador.

¿Qué es ChatGPT Work?

ChatGPT Work es un agente dedicado dentro de ChatGPT pensado para tareas ambiciosas y de múltiples pasos que van mucho más allá del simple preguntas y respuestas. 

Puede recopilar información de tus apps y flujos de trabajo, crear entregables terminados como hojas de cálculo, presentaciones, documentos y aplicaciones web, y mantenerse con proyectos complejos durante horas dividiéndolos en pasos más pequeños y completándolos de forma autónoma.

Con tecnología Codex integrada, ChatGPT Work va más allá de responder preguntas para hacer trabajo real en web, móvil y escritorio. 

Puedes seguir su progreso, responder dudas, cambiar de rumbo y aprobar acciones importantes a medida que avanza.

ChatGPT Work funciona con GPT-5.6, lo que lo hace puntero para razonar tareas de varios pasos y crear materiales que respeten tus plantillas y archivos de referencia. 

También admite tareas programadas, de modo que puede seguir avanzando proyectos incluso cuando no estás, por ejemplo, convirtiendo nuevos mensajes de Teams o Slack en documentos actualizados y compartiendo los cambios con tu equipo.

Paso 1: subir conjuntos de datos a ChatGPT Work

Todo proyecto de ciencia de datos empieza con datos. En este paso crearemos un espacio de trabajo en ChatGPT Work e incorporaremos el dataset de churn de clientes bancarios para empezar a trabajar con él.

Abre ChatGPT en tu navegador y haz clic en la pestaña Work. Luego haz clic en Choose Project en la parte inferior izquierda del chat, selecciona New project y ponle el nombre Bank Customer Churn Prediction.

Asegúrate también de que esté seleccionado GPT 5.6 Sol Light, ya que es una tarea sencilla y no necesitamos alto razonamiento. 

La interfaz debería mostrar la pestaña Work activa, el nombre de tu proyecto en la parte inferior del chat y el selector de modelo en 5.6 Sol Light.

A continuación, descarga Churn_Modelling.csv desde Kaggle. 

Para subirlo, haz clic en el icono de más (+) en el área de entrada del mensaje, selecciona el archivo de tu ordenador y adjúntalo a la conversación. El archivo aparecerá como una tarjeta de hoja de cálculo encima del campo de entrada, listo para enviar. 

Paso 2: auditoría y limpieza de datos con GPT-5.6

Los datos en bruto rara vez son perfectos. Antes de construir modelos, necesitamos entender con qué trabajamos y corregir cualquier problema que pueda sesgar los resultados. 

Pega este prompt en el cuadro de entrada y pulsa Intro:

Audit and prepare the dataset for analysis. 
Check the number of rows and columns, data types, missing values, duplicate records, invalid values, target distribution, and possible data leakage. 
Use Exited as the target variable. Exclude RowNumber, CustomerId, and Surname from the model because they are identifiers. 
Treat Geography and Gender as categorical variables. 
Preserve the original dataset and explain every cleaning decision.

Tras enviar el prompt, ChatGPT Work utilizará sus habilidades y herramientas integradas para leer el dataset, entender su estructura y ofrecer un resumen de auditoría estructurado.

También puedes explorar los distintos pasos que siguió ChatGPT Work para elaborar este resumen de auditoría. 

Estos pasos son visibles en el hilo de la conversación y muestran cómo el modelo analizó los datos, aplicó reglas de validación y llegó a cada conclusión. 

En la parte superior derecha del chat, haz clic en el botón de viñetas para abrir el panel Outputs. 

Este panel mostrará dos archivos generados: un CSV limpio y un informe completo de auditoría en formato markdown.

Paso 3: crear visualizaciones de datos en el entorno de ChatGPT Work

Los números por sí solos no cuentan toda la historia. En este paso convertiremos los datos limpios en gráficos que revelen patrones del churn de clientes.

Crearemos una serie de visualizaciones que muestren la distribución general del churn, desglosen las tasas de churn por distintos segmentos y comparen variables numéricas entre clientes que se quedaron y los que se fueron. 

También generaremos un mapa de calor de correlaciones para ver cómo se relacionan entre sí las variables numéricas.

Pega este prompt:

Perform exploratory data analysis and create clear visualizations focused on customer churn.
Begin with a bar chart showing the overall distribution of customers who stayed and customers who exited. 
Then visualize churn rates by geography, gender, number of products, credit-card ownership, and active-member status. 
Create suitable histograms or box plots to compare age, credit score, account balance, tenure, and estimated salary between customers who stayed and customers who exited. 
Also, create a correlation heat map for the numerical variables.
Use descriptive chart titles, clearly labeled axes, readable legends, and appropriate chart types. 
Report churn rates rather than only customer counts. 
After each chart, provide a short explanation of the main pattern and state whether the finding should be investigated further. 
Do not describe any relationship as causal.

Como resultado, ChatGPT Work generará código en Python para realizar el análisis y crear todas las visualizaciones. Después, compilará todo en un informe PDF profesional. El informe incluirá cada gráfico con su explicación y un resumen de los hallazgos clave.

Puedes explorar los archivos generados directamente en ChatGPT Work o descargarlos para revisarlos en local. 

El panel Outputs listará el informe en PDF junto con cualquier archivo de gráficos individual o cuaderno de código creado durante el proceso.

Paso 4: construir y comparar modelos

Ahora que entendemos los datos, es momento de entrenar modelos que predigan qué clientes podrían irse. 

Crearemos una canalización de machine learning en condiciones, compararemos varios algoritmos y elegiremos el mejor según métricas sólidas.

Pega este prompt:

Build a machine learning pipeline for predicting customer churn. 
Use a stratified train-test split and keep the test set untouched during model selection. 
Fit all preprocessing steps only on the training data, one-hot encode categorical variables, scale numerical variables where required, and use a fixed random seed. 
Compare a dummy classifier, logistic regression, random forest, and gradient boosting model. 
Evaluate each model using accuracy, precision, recall, F1 score, ROC-AUC, and PR-AUC. 
Present the results in a comparison table and recommend the strongest model.

Tras enviar el prompt, ChatGPT Work generará un script reproducible de scikit-learn para la canalización y lo ejecutará.

Verás actualizaciones de progreso en la conversación mostrando cada etapa: comprobación de librerías, ejecución de la canalización, validación cruzada solo en el conjunto de entrenamiento y verificación de los resultados finales.

Al terminar, verás una tabla comparativa clara con los cuatro modelos ordenados por sus métricas. 

La tabla incluye accuracy, precision, recall, F1, ROC-AUC y PR-AUC para cada modelo. 

En este proyecto, el modelo de Gradient Boosting es el que mejor rinde, liderando en PR-AUC y ROC-AUC.

Paso 5: evaluar el rendimiento del modelo predictivo

Con el mejor modelo seleccionado, ahora necesitamos ver cómo se comporta con datos que nunca ha visto. 

Realizaremos una evaluación completa en el conjunto de test intacto y crearemos visualizaciones que faciliten entender los resultados.

Pega este prompt:

Evaluate the selected model on the untouched test set. 
Report the confusion matrix, accuracy, precision, recall, F1 score, ROC-AUC, PR-AUC, false positives, and false negatives. 
Create a confusion-matrix heat map, ROC curve, precision-recall curve, and feature-importance chart. 
Explain what each visualization means in simple language and identify the most important predictive factors. 
Do not claim that any feature causes customer churn.

Tras enviar el prompt, ChatGPT Work evaluará el modelo de Gradient Boosting en el conjunto de test reservado y generará un informe PDF completo. 

El informe incluirá cuatro visualizaciones. 

• El mapa de calor de la matriz de confusión muestra de un vistazo el recuento de aciertos y errores de las predicciones. 
• La curva ROC ilustra qué tal separa el modelo a quienes hacen churn de quienes no, a distintos umbrales. 
• La curva precisión-recall destaca el equilibrio entre detectar churners y evitar falsas alarmas. 
• El gráfico de importancia de variables ordena las que más usó el modelo; suelen destacar edad, número de productos, estado de miembro activo, saldo de cuenta y geografía.

Paso 6: desplegar apps web directamente con Sites de ChatGPT Work

Un modelo que solo vive en un informe es difícil de compartir. En este paso convertiremos nuestro predictor entrenado en una aplicación web viva e interactiva que cualquiera pueda abrir y probar.

Pega este prompt:

Create a simple interactive web interface inside ChatGPT Work to test the selected customer churn model. 
Include input fields for all customer features and display whether the customer is predicted to stay or exit, along with the churn probability. 
Add input validation and a reset button, and ensure the interface uses the same preprocessing pipeline and model evaluated on the test set.

ChatGPT Work incluye una función llamada Sites, que te permite crear y desplegar aplicaciones web directamente desde tu proyecto. 

Cuando envíes este prompt, primero ChatGPT Work alineará la salida del modelo con los requisitos de la interfaz y luego usará HTML, JavaScript y CSS para crear la aplicación.

También te proporcionará un enlace para probarla. Este paso es el más largo, porque implica conectar las predicciones del modelo con una interfaz pulida que responde al instante a la entrada del usuario.

Al hacer clic en el enlace, la aplicación web se abrirá dentro de la interfaz de ChatGPT. Verás campos de entrada para todas las variables del cliente, como edad, antigüedad, saldo de cuenta y salario. 

Puedes probarla introduciendo distintos valores y, en milisegundos, obtendrás el resultado de la predicción indicando si el cliente probablemente se quedará o se irá, junto con la probabilidad de churn.

La respuesta es precisa y rápida, dándote una sensación real de cómo rinde el modelo con datos de usuarios.

Así podrás validar tu modelo con usuarios reales sin escribir ni una línea de backend ni montar servidores.

Paso 7: exportar tu proyecto final y los informes desde ChatGPT Work

Todo buen proyecto merece un resumen claro. En este paso reuniremos todo lo que hemos construido en un documento profesional que cuente la historia completa: desde los datos en bruto hasta las predicciones en vivo.

Pega este prompt:

Create a final project report covering the initial data analysis, data visualizations, model training, model comparison, final evaluation, and key findings. 
Include screenshots of the customer churn web interface, explain how to use it, and demonstrate that the prediction demo works with example customer profiles. 
Present the report in a clear, professional structure with concise explanations.

Tras enviar el prompt, ChatGPT Work combinará el proyecto completo en un único PDF. 

Verás actualizaciones que muestran cómo recopila el análisis verificado, los resultados de modelos, las gráficas de evaluación y las capturas de la interfaz web en vivo. 

También generará dos perfiles de cliente de ejemplo, uno con predicción de que se queda y otro con predicción de salida, para demostrar que la demo funciona.

Al finalizar, el panel Outputs listará el PDF del informe final. 

El informe cubre la auditoría de datos, el análisis exploratorio, las visualizaciones, el entrenamiento de modelos, la comparación, la evaluación final, hallazgos clave, limitaciones, instrucciones de uso de la interfaz y los dos ejemplos de predicción funcionales. 

Puedes abrirlo directamente en ChatGPT Work o descargarlo para compartirlo.

ChatGPT Work guarda todos los archivos del proyecto en el panel Outputs, pero descargarlos uno a uno puede ser tedioso. 

La forma más sencilla de llevártelo todo de una vez es pedir a ChatGPT Work que lo empaquete en un único archivo ZIP con carpetas ordenadas.

Pega el prompt: 

Create a ZIP file containing all project outputs, including the cleaned dataset, visualizations, model comparison table, evaluation results, final report, web interface files, and screenshots. 
Organize the files into clearly named folders and provide the completed ZIP file for download. 

Tras enviar el prompt, ChatGPT Work reunirá todos los archivos generados y los organizará en carpetas como data, visualizations, reports, modeling, evaluation y web_interface. 

Una vez descargado, podrás descomprimirlo y explorar cada artefacto del proyecto: desde el dataset limpio original hasta la app de predicción en vivo final. 

Reflexiones finales

Creo que ChatGPT Work cambia la forma de hacer ciencia de datos.

Todo ocurre en tu navegador, sin instalaciones, sin configurar entornos ni pelear con dependencias. 

Subes un archivo, envías un prompt y ves cómo limpia datos, crea gráficos, entrena modelos y despliega una app en vivo en un mismo flujo.

La sensación es similar a herramientas como Claude Code, pero la diferencia es la velocidad y la simplicidad. No tienes que configurar nada. No hay paquetes que gestionar. No esperas a que arranquen kernels. 

Simplemente hablas con él y construye. 

El modelo analiza tus datos, se entrena, se evalúa y luego se sirve a sí mismo a través de una interfaz web que puedes compartir o probar al instante.

Comparado con montajes locales con VS Code, extensiones y cuadernos dispersos, esto parece otro mundo. No hay espacio en disco devorado por entornos. No hay conflictos de versiones. No hay que saltar entre diez herramientas distintas. Te quedas en un sitio y el proyecto crece a tu alrededor.

Para quien quiera pasar de datos en bruto a una demo de predicción funcional sin tocar el terminal, ChatGPT Work con GPT-5.6 es el camino más rápido.