Code Interpreter de OpenAI: análisis de datos conversacional

Actualizado: 2026-05-03

Code Interpreter de OpenAI extiende ChatGPT Plus con la capacidad de ejecutar código Python en un sandbox aislado, leer ficheros subidos por el usuario y devolver resultados — incluidos gráficos — dentro de la misma conversación. Convierte un asistente de texto en un analista de datos que no solo sugiere código, lo ejecuta.

Puntos clave

• Code Interpreter ejecuta Python en un sandbox aislado dentro de ChatGPT.
• Acepta ficheros: CSV, Excel, PDF, imágenes y ZIPs — los procesa, devuelve resultados y gráficos.
• El modelo auto-corrige errores: lee la traza, ajusta el código, reintenta sin pedir permiso.
• Sin acceso a internet, sesión efímera, sin notebook exportable.
• Sustituye Jupyter para análisis ad-hoc; no lo sustituye para análisis serios o reproducibles.

Qué hace exactamente Code Interpreter

Cuando activas la opción en la configuración de ChatGPT Plus, el modelo gana acceso a un intérprete de Python con una selección de librerías preinstaladas:

• pandas para manipulación de DataFrames.
• numpy para operaciones numéricas.
• matplotlib para gráficos.
• scikit-learn para machine learning ligero.
• openpyxl para Excel.

Puedes subir ficheros de varios formatos:

• CSV.
• Excel.
• PDF.
• Imágenes.
• ZIPs.

Y pedirle tareas en lenguaje natural: “resume esta hoja de cálculo”, “genera un gráfico de barras con estas columnas”, “limpia los duplicados y dame los outliers”. El modelo planifica el código, lo ejecuta dentro del sandbox, inspecciona el resultado y, si es necesario, itera sin pedirte permiso paso a paso. Si un script falla, lee el error, lo corrige y reintenta — un bucle de auto-corrección que resulta notablemente efectivo para tareas analíticas comunes.

Casos de uso donde aporta de verdad

Cuatro escenarios donde Code Interpreter destaca por encima de otros asistentes:

• Exploración rápida de datasets desconocidos — sube un CSV de 20 MB, pide resumen estadístico, distribución de columnas, correlaciones. Lo que llevaría 15 minutos abriendo un notebook se obtiene en tres o cuatro prompts.
• Limpieza de datos “sucios” — normalización de fechas inconsistentes, deduplicación inteligente, imputación de valores faltantes con heurísticas razonables.
• Visualización ad-hoc — solicita un gráfico con una intención (“quiero ver la estacionalidad mensual”) y Code Interpreter elige el tipo adecuado en la mayoría de los casos y devuelve la imagen.
• Conversión de formatos — extraer tablas de un PDF, convertir Excel a JSON, generar un CSV desde datos pegados en el chat.

Para análisis ligero y ad-hoc, el valor es evidente. Para análisis serio o reproducible, conviene matizar.

Limitaciones y precauciones

Code Interpreter no es un sustituto de Jupyter^[1] o Google Colab^[2] en escenarios serios. Tres limitaciones importantes:

1. Sesión efímera. Cuando cierras la conversación, el estado del intérprete desaparece. No hay persistencia entre sesiones.
2. Sin acceso a internet. El sandbox está aislado: no puedes hacer pip install de librerías ajenas al set preinstalado, ni consultar APIs externas, ni descargar datasets.
3. Trazabilidad limitada. El código generado se muestra en línea, pero no hay notebook exportable sin copiar-pegar manualmente.

En términos de privacidad, los ficheros subidos se procesan en el sandbox y se borran al cerrar sesión, pero OpenAI declara que puede usar los datos para mejorar modelos salvo que el usuario lo desactive en configuración. Para datos confidenciales — financieros, sanitarios, personales sensibles — conviene revisar la política de datos^[3] o usar la API con cuenta empresarial donde el tratamiento es distinto. El mismo análisis crítico que aplicamos en prompt engineering maduro: no fíes en defaults, lee la letra pequeña.

Code Interpreter frente a alternativas

La pregunta lógica es: ¿por qué no un notebook local con ayuda de GitHub Copilot? La respuesta depende del perfil del usuario:

• Para un analista de negocio sin experiencia técnica, Code Interpreter elimina la fricción de configurar entornos, instalar librerías y recordar sintaxis de pandas. La curva de aprendizaje es cero.
• Para un desarrollador, la ventaja es principalmente la rapidez de iteración conversacional: “cambia el eje Y a logarítmico”, “añade una línea de tendencia” se resuelve en segundos sin tocar código.
• Para tareas serias y reproducibles, un notebook con control de versiones sigue siendo superior.

Si te interesa el panorama de modelos abiertos como alternativa más privada, lee también nuestras notas sobre Llama 2 y código abierto, Bard/PaLM 2 de Google y herramientas generativas como Stable Diffusion XL para entender qué partes del stack puedes auto-hospedar.

Conclusión

Code Interpreter marca un cambio en cómo se interactúa con datos: de “escribir código que analice” a “describir lo que quieres saber”. No sustituye al tooling serio, pero reduce la barrera de entrada al análisis cuantitativo para perfiles no técnicos y acelera iteraciones para los que sí lo son.

1. Jupyter
2. Google Colab
3. política de datos