Code Interpreter convierte a ChatGPT en un analista de datos que escribe y ejecuta Python de verdad, en un sandbox real, no en una simulación de texto. Entender sus límites técnicos es la diferencia entre usarlo bien y confiar ciegamente en un número mal calculado.
Advanced Data Analysis (el nombre actual de lo que se conocía como Code Interpreter) le da al modelo acceso a un entorno Linux aislado con Python 3, sin acceso a internet, con librerías preinstaladas como pandas, numpy, matplotlib, scikit-learn, openpyxl y varias más. El modelo no "simula" ejecutar código: genera el script, lo corre de verdad en ese sandbox, lee el resultado real (stdout, errores, gráficas generadas) y ajusta su respuesta en función de lo que efectivamente ocurrió.
Esto es fundamentalmente distinto de pedirle a un LLM que "calcule mentalmente" — un error frecuente de quienes no conocen la herramienta es asumir que los números que da ChatGPT siempre vienen de razonamiento del modelo. Con Code Interpreter activo, los cálculos numéricos y las agregaciones vienen de ejecución real de código, lo que reduce drásticamente los errores aritméticos.
El flujo estándar para un análisis real: subes un archivo (CSV, Excel, JSON, incluso PDFs o imágenes), y el modelo primero explora la estructura antes de asumir nada.
Un buen prompt no pide "analiza este archivo" en abstracto — funciona mejor pedir pasos concretos: "calcula el crecimiento mes a mes de la columna revenue, agrupado por región, y genera un gráfico de líneas". Entre más específica la instrucción sobre qué columnas y qué transformación, menos margen de interpretación errónea tiene el modelo al escribir el código.
El sandbox tiene límites de tiempo de ejecución (típicamente unos minutos por operación) y de memoria, lo que hace inviable procesar datasets de varios gigabytes o entrenar modelos de machine learning pesados ahí. Tampoco hay acceso a internet desde el sandbox: no puede hacer scraping, llamar APIs externas ni conectarse a una base de datos en vivo dentro de esa ejecución.
El entorno es efímero: los archivos y variables desaparecen al cerrar la sesión (o tras un tiempo de inactividad), así que no sirve como almacenamiento persistente. Y el sandbox se resetea entre sesiones distintas, así que no hay estado compartido entre conversaciones.
Una fortaleza concreta es la generación de gráficos con matplotlib/seaborn directamente desde los datos cargados, exportables como imagen o incluidos en un PDF/Excel que el modelo puede generar y ofrecer para descarga.
Para reportes recurrentes (el mismo análisis cada semana con datos nuevos), Code Interpreter no es la herramienta ideal porque no hay forma de programarlo o automatizarlo desde la interfaz de ChatGPT — para eso conviene replicar la lógica generada aquí en un script productivo o usar la API con function calling hacia tu propio pipeline.
Los archivos subidos a Code Interpreter en cuentas Plus/Free entran bajo las mismas políticas generales de retención de datos de OpenAI, mientras que en Team/Enterprise aplican las garantías de no entrenamiento ya mencionadas en el contrato. Para datos financieros o de clientes reales, la recomendación práctica es usar exclusivamente workspaces Team/Enterprise, y aun así anonimizar identificadores directos (nombres, DPI, cuentas bancarias) antes de subir el archivo, como buena práctica independiente del proveedor.
No es sustituto de un pipeline de datos productivo. Si el análisis debe repetirse automáticamente, integrarse con un dashboard en vivo, procesar datos por encima de unos cientos de miles de filas, o requiere trazabilidad y control de versiones del código de análisis, la ruta correcta es un script en un entorno controlado (Jupyter, un job de Airflow, un notebook en tu propia infraestructura) — usando ChatGPT como copiloto para escribir y depurar ese código, no como el motor de ejecución final.
Carlos Montiel es arquitecto de soluciones IA empresarial. Implementa LLMs, Agentes, RAG y orquestadores en empresas de Guatemala y Latinoamérica. Contáctalo para una consultoría.
Contactar a Carlos Montiel