API de OpenAI (ChatGPT API) — Guía de integración 2026

Ejemplo de primera llamada con Python

El siguiente fragmento muestra la estructura mínima de una llamada a Chat Completions. La variable OPENAI_API_KEY debe estar definida en el entorno antes de ejecutar el script. El SDK la lee automáticamente desde os.environ:

from openai import OpenAI

client = OpenAI()  # Lee OPENAI_API_KEY del entorno

respuesta = client.chat.completions.create(
    model="gpt-5.4",
    messages=[
        {"role": "system", "content": "Eres un asistente util."},
        {"role": "user",   "content": "Resume que es la API de OpenAI en dos oraciones."}
    ],
    max_tokens=200
)

print(respuesta.choices[0].message.content)

Ejemplo equivalente con Node.js

import OpenAI from "openai";

const client = new OpenAI(); // Lee OPENAI_API_KEY del entorno

const respuesta = await client.chat.completions.create({
  model: "gpt-5.4",
  messages: [
    { role: "system", content: "Eres un asistente util." },
    { role: "user",   content: "Resume que es la API de OpenAI en dos oraciones." }
  ],
  max_tokens: 200
});

console.log(respuesta.choices[0].message.content);

El objeto de respuesta de Chat Completions contiene siempre un array choices donde cada elemento tiene un campo message con el rol (assistant) y el contenido generado por el modelo. El campo usage informa de los tokens consumidos en la solicitud para facilitar el control de costes.

La recomendación general a mayo de 2026 es usar Chat Completions cuando se necesita máxima compatibilidad con frameworks existentes (LangChain, LlamaIndex, CrewAI) o cuando el agente requiere control preciso sobre cada paso del bucle de herramientas. Usar Responses API cuando el caso de uso principal son herramientas integradas de OpenAI (busqueda web, ejecución de código) y se prefiere delegar el bucle de ejecución a la API para reducir el código de orquestación.

Los Assistants API y los Threads (hilos de conversación persistentes) siguen siendo la opción recomendada cuando el agente necesita mantener contexto entre sesiones de usuario sin que el cliente gestione el historial completo en cada llamada, o cuando el agente necesita acceder a archivos subidos por el usuario con File Search.

Ejemplo de function calling con Python

El siguiente ejemplo muestra cómo declarar una herramienta, detectar cuando el modelo la solicita y devolver el resultado para que el modelo continue la respuesta:

from openai import OpenAI
import json

client = OpenAI()

herramientas = [{
    "type": "function",
    "function": {
        "name": "obtener_temperatura",
        "description": "Devuelve la temperatura actual de una ciudad",
        "parameters": {
            "type": "object",
            "properties": {
                "ciudad": {
                    "type": "string",
                    "description": "Nombre de la ciudad, ej: Madrid"
                }
            },
            "required": ["ciudad"]
        }
    }
}]

mensajes = [{"role": "user", "content": "Que temperatura hace en Barcelona?"}]

# Primera llamada: el modelo solicita usar la herramienta
respuesta = client.chat.completions.create(
    model="gpt-5.4",
    messages=mensajes,
    tools=herramientas,
)

# Detectar llamada a herramienta
if respuesta.choices[0].finish_reason == "tool_calls":
    llamada = respuesta.choices[0].message.tool_calls[0]
    args = json.loads(llamada.function.arguments)

    # Ejecutar la herramienta (aqui seria tu función real)
    resultado = {"temperatura": "22C", "condicion": "soleado"}

    # Anadir respuesta del modelo y resultado de la herramienta
    mensajes.append(respuesta.choices[0].message)
    mensajes.append({
        "role": "tool",
        "tool_call_id": llamada.id,
        "content": json.dumps(resultado)
    })

    # Segunda llamada: el modelo genera la respuesta final
    respuesta_final = client.chat.completions.create(
        model="gpt-5.4",
        messages=mensajes,
        tools=herramientas,
    )
    print(respuesta_final.choices[0].message.content)

Caching automático de prefijos: la API de OpenAI aplica automáticamente un descuento del 50% a los tokens de entrada que coinciden con el comienzo de una solicitud reciente en cache. El caching es opaco y no requiere configuración explicita por parte del desarrollador, aunque no es configurable con la misma granularidad que el prompt caching de Anthropic (que permite hasta un 90% de ahorro en prefijos marcados).

Para una comparativa de precios con Claude y Gemini consulta la guía de modelos LLM. Para estimar el coste de tu caso de uso, usa el tokenizador de OpenAI disponible en platform.openai.com/tokenizer.

Para casos de uso avanzados de agentes con la API de OpenAI, consulta también la guía de ChatGPT Agents para el enfoque gestionado por OpenAI, o la guía de frameworks para agentes IA si prefieres orquestar el bucle de agentes con una biblioteca de terceros. La referencia completa de la API está disponible en platform.openai.com/docs/api-reference.