He estado usando GPT-5 para tareas más prolongadas y complejas. Por ejemplo, con Background Agents para tareas independientes y con agentes en paralelo en primer plano al alternar entre distintas tareas y revisar sus resultados.

GPT-5 es uno de los modelos más fáciles de orientar que he usado. En algunas tareas he tenido que ser más explícito sobre lo que intentaba conseguir. Cuando dejaba las cosas vagas, el modelo acababa tomando una dirección distinta de la que esperaba. Cuando fui más específico, me sorprendió lo inteligente que era el modelo.

La última semana ha habido varios casos en los que me he quedado atascado programando y GPT-5 resolvió un bug complejo que otros modelos no pudieron descifrar. Lo he usado para tareas como revisar nuestras consultas de Stripe y encontrar las mejores optimizaciones para eliminar la latencia.

El estilo de redacción predeterminado de GPT-5 era más verboso de lo que quería, así que pude crear una regla para que las respuestas fueran más concisas. También prefiero un comportamiento más propio de un agente, así que pude orientar el modelo para que hiciera menos preguntas de seguimiento tras el prompt. Lo he estado usando para problemas de programación más difíciles.

Mi forma favorita de probarlo es usar el mismo prompt con muchos modelos distintos y ver si alguno puede resolver de una sola vez lo que esperaba. Nuestro frontend y backend usan protobufs, que a veces despistan a los modelos. Le pedí a GPT-5 que creara un endpoint de API del backend, así como el componente de React correspondiente en el frontend, que están en dos submódulos separados de nuestro monorepo. Pudo generar ese código correctamente y regenerar los protobufs para corregir errores de tipo de una sola vez.