Mientras Verify permite seguir el origen de imágenes y audio generados con sus modelos, OpenAI reveló cómo construyó Habitat, una capa central desde la que controla accesos, aplica políticas de seguridad y registra la actividad sobre más de 500 petabytes de datos. La compañía está publicando además las decisiones, errores y aprendizajes que le permitieron escalarla para que otros ingenieros puedan estudiar el modelo.
OpenAI está haciendo visible una arquitectura que busca responder una pregunta que será cada vez más importante conforme los sistemas de inteligencia artificial adquieran mayor autonomía: cómo reconstruir qué produjo una IA, qué sistemas tocaron determinados datos y quién, persona, servicio o agente, tuvo acceso a ellos.
Las piezas no forman parte de un único producto. Una opera hacia el exterior y permite establecer la procedencia del contenido generado con inteligencia artificial; otra funciona dentro de la infraestructura de OpenAI y centraliza controles sobre sus sistemas de almacenamiento. Juntas, sin embargo, muestran dos capas complementarias de un mismo problema: hacer que una infraestructura de IA deje rastros que puedan verificarse.
La primera es Verify, una herramienta pública que permite subir imágenes y archivos de audio para comprobar si contienen señales que indiquen que fueron generados mediante ChatGPT, Codex o la API de OpenAI. La herramienta busca dos tipos de evidencia: metadatos Content Credentials basados en el estándar abierto C2PA y marcas de agua invisibles SynthID. OpenAI permite además realizar la misma comprobación mediante una API para integrarla en plataformas y otros flujos de trabajo.
Verify no determina si una fotografía es verdadera, si un audio fue utilizado de manera engañosa o si el contenido aparece en el contexto correcto. Su función es más limitada: establecer procedencia. Cuando encuentra una señal compatible, OpenAI considera que existe evidencia confiable de que el archivo provino de sus herramientas; cuando no la encuentra, tampoco puede concluirse que el archivo haya sido creado por una persona, porque los metadatos pueden desaparecer y las marcas de agua pueden degradarse durante transformaciones posteriores.
La herramienta tampoco es nueva de este viernes. OpenAI presentó en mayo su esquema de procedencia para imágenes, combinando Content Credentials con SynthID y una primera versión pública de Verify. En julio amplió el sistema al audio e introdujo acceso a la verificación mediante API. La empresa describió desde entonces su estrategia como un modelo de varias capas destinado a que periodistas, plataformas, investigadores y usuarios puedan conocer con mayor claridad de dónde proviene un contenido.
La infraestructura detrás de ChatGPT
La segunda pieza se encuentra mucho más abajo, en la infraestructura que sostiene ChatGPT, Codex, la API y otros servicios internos. Este viernes, OpenAI publicó la primera parte de una extensa explicación técnica sobre Habitat, su plataforma de almacenamiento en línea. El sistema procesa actualmente más de 70 millones de solicitudes por segundo, sirve más de 500 petabytes de datos, opera en cerca de 40 regiones geográficas y soporta productos utilizados por más de 1,000 millones de personas cada semana. Hace apenas dos años era una pequeña biblioteca escrita en Python conectada a una sola base de datos.
El desafío, según OpenAI, no fue únicamente alcanzar ese tamaño, sino hacerlo mientras la demanda crecía a una velocidad extraordinaria: la infraestructura aumentó más de diez veces cada año durante los últimos tres años. Ese crecimiento obligó a convertir Habitat gradualmente en una capa común situada entre los productos de OpenAI y diferentes sistemas de almacenamiento.
Ese cambio tuvo una consecuencia que rebasa el rendimiento técnico. Al separar Habitat de las aplicaciones y convertirlo en un servicio central, OpenAI obtuvo lo que describe como un único punto de control para despliegues, observabilidad y mejoras de plataforma. Desde ahí puede aplicar políticas de autorización, cifrado, residencia de datos, aislamiento entre servicios y límites de solicitudes.
Pero la compañía destaca otra función particularmente relevante para los sistemas de IA autónomos: Habitat se convirtió también en un punto central para registrar auditorías y controlar quién puede acceder al almacenamiento.
OpenAI explica que desde esa capa puede imponer políticas de acceso, realizar audit logging y limitar el acceso a los recursos subyacentes. La infraestructura, añade, cumple un papel para proteger los datos frente a accesos no autorizados de tres clases de actores: externos, internos y agentes de inteligencia artificial.
La referencia a los agentes introduce una dimensión nueva al problema clásico de la seguridad informática. Ya no basta con registrar lo que hace un empleado o un servicio convencional. Una plataforma que permita que agentes ejecuten tareas sobre infraestructura necesita también poder determinar a qué información accedieron, qué operaciones realizaron y bajo qué permisos.
Habitat funciona así como una especie de cuello de botella deliberado. En lugar de que cada producto implemente por separado sus propias decisiones sobre almacenamiento, las solicitudes atraviesan una capa común donde pueden observarse y controlarse.
La arquitectura no nació de un diseño perfecto. OpenAI dedica buena parte de su publicación a documentar problemas que aparecieron mientras escalaba el sistema. Relata, por ejemplo, cómo una versión antigua de un cliente terminó provocando precisamente una interrupción que una migración debía evitar; cómo determinadas configuraciones de feature flags detenían periódicamente procesos; y cómo la reutilización de conexiones mediante un esquema LIFO generó una falla metaestable que enviaba cada vez más tráfico hacia servidores que ya estaban degradados.
La empresa presenta esas fallas junto con las decisiones que tomó para resolverlas, algo que convierte el texto en algo más que una descripción de su infraestructura. Es también un estudio técnico sobre cómo construir una capa de almacenamiento global bajo condiciones de crecimiento extremo.
OpenAI reconoce incluso decisiones que sabía que tendría que revertir. Habitat continuó escrito en Python cuando ya era evidente que el lenguaje impondría un costo considerable de CPU, memoria y latencia a gran escala. La compañía consideró esa decisión una forma deliberada de deuda técnica: mantener Python permitía estabilizar primero la arquitectura y aplazar una reescritura mientras sus propios modelos de programación mejoraban.
La apuesta fue explícita. OpenAI esperaba que, para cuando resultara indispensable abandonar Python, Codex y sus modelos GPT fueran suficientemente capaces para ayudar en la migración. En el segundo trimestre de 2026, dos ingenieros, Codex y GPT-5.5 reescribieron el servicio completo en Rust. La nueva versión procesa ya alrededor de 95% de las solicitudes de producción y, según las mediciones de la empresa, utiliza seis veces menos CPU y quince veces menos memoria que la implementación anterior.
OpenAI está presentando esos resultados como una serie de aprendizaje técnico. La publicación de este viernes es apenas la primera de dos partes: una segunda entrega explicará cómo la compañía resolvió la multitenencia a gran escala, optimizó las lecturas y amplió su infraestructura junto con Azure Cosmos DB. La empresa anticipó además futuras publicaciones sobre las lecciones obtenidas durante la migración a Rust.
No se trata, por tanto, de que OpenAI haya liberado Habitat para que otras compañías simplemente lo instalen. Lo que está haciendo es documentar el patrón arquitectónico, sus límites y sus decisiones de diseño para que otros ingenieros puedan estudiar cómo una infraestructura de almacenamiento pasó de una biblioteca relativamente pequeña a una capa central capaz de procesar decenas de millones de operaciones cada segundo.
Hacia afuera, OpenAI intenta que una imagen o un audio deje evidencia de su origen incluso después de circular fuera de ChatGPT. Hacia adentro, construye una infraestructura en la que accesos, permisos y operaciones pueden atravesar un punto común de observación y auditoría. Son problemas diferentes, pero responden al mismo principio: una inteligencia artificial que actúa a gran escala necesita dejar rastros.
La procedencia permite preguntar de dónde salió un contenido. Los registros de infraestructura permiten preguntar quién accedió a qué, mediante qué sistema y bajo qué autorización. Conforme los modelos dejan de limitarse a producir texto y comienzan a operar herramientas, escribir software, consultar bases de datos o actuar como agentes dentro de sistemas reales, esa capacidad de reconstrucción empieza a convertirse en una condición de gobernanza, no solamente en una característica técnica.
OpenAI todavía está construyendo esas capas y ninguna de ellas garantiza por sí sola transparencia completa. Verify puede perder señales; Habitat sigue siendo una infraestructura interna cuyo funcionamiento conocemos a través de la propia compañía. Pero juntas revelan algo importante sobre la siguiente etapa de la IA: además de aumentar las capacidades de los modelos, los laboratorios empiezan a construir sistemas destinados a demostrar qué hicieron, qué tocaron y qué dejaron detrás.
