OpenAI añade ejecución en sandbox al Agents SDK para controlar y lanzar agentes de IA con más seguridad

OpenAI intenta tapar uno de los agujeros más dolorosos de los agentes de IA corporativos: cómo dar a un modelo acceso a archivos, código y entorno de trabajo sin convertirlo en un riesgo incontrolable para la empresa. La nueva actualización del Agents SDK añade ejecución nativa en sandbox, una capa de ejecución aislada en la que el agente puede leer y escribir archivos, lanzar comandos y trabajar con dependencias sin acceso directo a la infraestructura sensible.

Para los equipos que ya han superado las demos y tratan de poner flujos de agentes en producción, no es una actualización cosmética. Busca resolver tres problemas a la vez: gobernanza, fiabilidad y coste de las ejecuciones largas.

Hasta ahora, los desarrolladores tenían que elegir entre opciones poco satisfactorias. Los frameworks independientes del modelo ofrecían libertad y evitaban depender de un solo proveedor, pero a menudo no aprovechaban por completo las capacidades de los modelos de frontera. Los SDK de los propios proveedores estaban más cerca del modelo, pero no siempre daban la transparencia necesaria sobre el arnés de control. Y las API de agentes gestionadas simplificaban el despliegue, pero limitaban de forma estricta dónde trabaja el agente y cómo accede a los datos corporativos.

OpenAI intenta eliminar ese dilema con un model-native harness, una capa de control mejor alineada con el comportamiento real de los modelos en tareas largas de varios pasos. El SDK actualizado incluye memoria configurable, orquestación consciente del sandbox, herramientas de sistema de archivos al estilo de Codex, y compatibilidad con MCP, AGENTS.md, shell y apply patch.

Ya hay un caso práctico en Oscar Health. La compañía probó la nueva infraestructura en un flujo clínico que exige analizar historiales médicos extensos, extraer metadatos correctos y, lo más importante, identificar bien los límites de cada episodio de tratamiento dentro de documentos complejos. Según el equipo de Oscar, los enfoques anteriores no ofrecían suficiente fiabilidad para producción. El nuevo Agents SDK hizo viable el escenario: el sistema analiza más rápido el historial del paciente y el personal obtiene una imagen más clara de cada visita.

Para la integración con entornos corporativos, OpenAI también ha añadido la abstracción Manifest. Describe el espacio de trabajo del agente: qué archivos locales se pueden montar, dónde escribir los resultados y de qué almacenamientos obtener datos. Es compatible con AWS S3, Azure Blob Storage, Google Cloud Storage y Cloudflare R2.

La seguridad es el eje de la actualización. OpenAI parte de que cualquier agente que lea contenido externo o ejecute código generado se topará tarde o temprano con prompt injection e intentos de exfiltración de datos. Por eso separa el arnés de control de la capa de cómputo. Las credenciales y el circuito de control principal quedan fuera del entorno donde se ejecuta el código generado por el modelo. Así se reduce la probabilidad de que una instrucción maliciosa dentro de un documento o una solicitud llegue a claves, API internas o sistemas vecinos.

La fiabilidad de las ejecuciones largas se aborda aparte: si un contenedor falla en el paso 19 de 20, no hace falta reiniciar desde cero. El SDK guarda el estado en una capa externa, puede hacer snapshot y rehidratación, y luego continuar la tarea desde el último punto de control en un contenedor nuevo. Esta arquitectura reduce el gasto en la nube y simplifica el escalado: las ejecuciones pueden repartirse entre varios sandboxes, aislar subagentes y paralelizar la carga.

Para el mercado es un cambio importante: OpenAI no promueve solo otro SDK para agentes, sino un estándar de infraestructura más completo para desplegar sistemas agénticos en la empresa. Si el enfoque cuaja, la compañía reforzará su posición no solo en los modelos, sino también en la capa operativa, donde se deciden la seguridad, la auditoría y el coste de implantación.

Las nuevas funciones ya están disponibles vía API con la tarifa estándar, primero para Python; el soporte para TypeScript se ha anunciado para más adelante. Los siguientes pasos lógicos parecen ser code mode, subagentes y una integración más estrecha con las herramientas internas de las empresas, es decir, todo lo necesario para que el agente pase de experimento a proceso de trabajo controlado.