Ayer, Anthropic publicó cómo construyeron su "agente de datos" interno: Cómo Anthropic permite el análisis de datos en autoservicio con Claude
OpenAI publicó su artículo sobre el "agente de datos interno" hace cinco meses: El agente de datos interno de OpenAI
Leí ambos; aquí están los resultados.
En qué coinciden
- La parte difícil no es escribir SQL. Es encontrar la tabla correcta y entender cómo usarla adecuadamente. Ambos lo repiten.
- El modelo es un commodity (no lo dijeron directamente, pero...) — el contexto que lo rodea es el producto. Anthropic pasó del 21% al 95% de precisión solo con agregar una skill que tiene acceso al contexto: una base de conocimiento.
- (Sorpresa, no sorpresa) Más contexto no siempre ayuda. La precisión de Anthropic aumentó menos del 1% después de dar acceso a los miles de consultas anteriores (solo me imagino cuánto aumentó su consumo de tokens 🙂).
En qué se diferencian
- OpenAI construyó un agente independiente. Codex y el ChatGPT interno usan el agente a través de MCP, o el usuario puede chatear directamente con él vía web o Slack. Mientras que Anthropic construyó solo una skill que tiene acceso al contexto de datos a través de una base de conocimiento (basada en archivos md).
- OpenAI tiene el contexto en un "índice" que se actualiza diariamente con trabajos programados, mientras que Anthropic almacena la base de conocimiento como archivos md en el mismo repositorio del modelo de datos, actualizados en el mismo PR.
Mi opinión (después de construir un "agente de datos" para datos no estructurados, no SQL)
El enfoque de Anthropic con skills es más "nativo del harness", por lo que se adapta mejor al conjunto de herramientas existente. Creo que toda la experiencia del desarrollador, el contexto de datos y toda la plataforma de datos se moverán bajo los harnesses (el mejor artículo académico en esta dirección: Code as Agent Harness). El enfoque de OpenAI parece más escalable y maduro (¿cinco meses de ventaja?) — con agentes de datos dedicados, 600 TB de datos y pipelines programados para actualizar el contexto. Veremos cómo evoluciona.
Pregunta para los expertos en datos aquí
¿Qué tan avanzados están en alguno de estos flujos de trabajo agentivos? Mi entendimiento es que la mayoría de los equipos todavía escriben SQL a mano y copian y pegan "contexto" pieza por pieza en Claude Code/Copilot/Codex y comparten conocimiento en Slack.
Tabla completa de comparación lado a lado con más detalles y números en nuestra publicación del blog — enlace en los comentarios 👇
