GPT-5.6 hace que cada dólar en IA rinda más que nunca

OpenAI ha dado un vuelco a la carrera del hardware de IA, no construyendo un modelo más grande, sino haciendo que cada token rinda más. La familia GPT-5.6, anunciada hoy tras una vista previa limitada, introduce tres niveles, Sol, Terra y Luna, que en conjunto superan a sus predecesores y rivales en una serie de pruebas comparativas, consumiendo muchos menos tokens y dólares. El lanzamiento indica un cambio estratégico: la eficiencia, no la escala bruta, es ahora el campo de batalla. gpt-56-is-here-three-models-a-tiered-safety-doctrine-and-the-question-nobody-is-answering-yet

Una estrategia de tres niveles para un mercado más inteligente

GPT-5.6 se divide en niveles de capacidad distintos. Sol, el buque insignia, apunta a los problemas más difíciles: generación compleja de código, análisis profesional y flujos de trabajo de agentes de varias horas. Terra se dirige a un rendimiento equilibrado para el trabajo de conocimiento cotidiano, y Luna está diseñado para la máxima eficiencia de costos. Los tres están disponibles hoy en ChatGPT, Codex y la API de OpenAI, con un despliegue global en 24 horas.

Los precios reflejan esta estratificación. Sol cuesta $5 por millón de tokens de entrada y $30 por millón de tokens de salida; Terra cuesta $2.50 / $15; y Luna cuesta $1 / $6. Para aplicaciones que requieren inferencia intensiva, la diferencia entre Luna y Sol puede ser de hasta 5x en entrada y 5x en salida, una brecha deliberada que permite a los desarrolladores optimizar el costo sin salir del ecosistema GPT. moonshot-ais-k27-code-is-faster-and-cheaper-but-open-source-coding-models-face-a-new-benchmark-gap

La eficiencia como arma

Las cifras principales provienen del Agents' Last Exam, una prueba comparativa de flujos de trabajo profesionales de larga duración en 55 campos. GPT-5.6 Sol obtiene una puntuación de 53.6, 13.1 puntos por encima de Claude Fable 5 de Anthropic en razonamiento adaptativo. Aún más sorprendente: incluso la configuración de razonamiento medio de Sol supera a Fable 5 por 11.4 puntos con aproximadamente una cuarta parte del costo estimado. Terra y Luna superan a Fable 5 con aproximadamente una decimosexta parte del costo.

En el Artificial Analysis Intelligence Index, que agrupa trabajo de agentes, codificación y razonamiento científico, Sol con razonamiento máximo termina a un punto de Fable 5 mientras completa las tareas un 61% más rápido y con aproximadamente la mitad del costo. "Entrenamos a GPT-5.6 para que obtenga más trabajo útil de cada token", escribió la empresa en su anuncio.

Codificación en la frontera

Las pruebas comparativas de codificación revelan la ventaja de eficiencia de manera más notoria. En el Artificial Analysis Coding Agent Index, Sol con razonamiento máximo establece un nuevo estado del arte con 80, 2.8 puntos por encima de Fable 5, mientras utiliza menos de la mitad de los tokens de salida, toma menos de la mitad del tiempo y cuesta un tercio menos. Terra se sitúa justo por encima de Fable 5, y Luna supera a Opus 4.8 de Anthropic, cada uno con aproximadamente una cuarta parte del costo.

OpenAI también introdujo Programmatic Tool Calling en la API de Responses, que permite a GPT-5.6 escribir programas ligeros que coordinan herramientas, procesan resultados intermedios y adaptan flujos de trabajo sin que los desarrolladores tengan que programar cada paso. La función es compatible con Zero Data Retention, un guiño a las necesidades de cumplimiento empresarial. the-specialization-revolution-how-smaller-models-are-redefining-ais-future

El acelerador multiagente

Para problemas que recompensan más cómputo, GPT-5.6 introduce dos nuevas configuraciones: max le da al modelo ciclos de razonamiento adicionales, y ultra coordina cuatro agentes en paralelo por defecto, intercambiando un mayor consumo de tokens por resultados más sólidos y un tiempo de obtención de resultados más rápido. En BrowseComp, ultra con cuatro agentes alcanzó el 92.2%, un nuevo estado del arte, y en SEC-Bench Pro obtuvo un 74.3%, frente al 71.2% de Sol solo. La empresa publicó gráficos que muestran que añadir agentes en paralelo desplaza la frontera puntuación-latencia hacia arriba y hacia la izquierda.

En la API, los desarrolladores pueden replicar experiencias similares a ultra a través de una versión beta multiagente. "Ultra va más allá al coordinar cuatro agentes en paralelo por defecto, intercambiando un mayor uso de tokens por resultados más sólidos y un tiempo de obtención de resultados más rápido en tareas exigentes", señaló OpenAI. why-parallel-agents-are-the-next-battleground-for-ai-orchestration

Ciberseguridad: una cuerda floja de doble uso

Las mejoras en ciberseguridad se encuentran entre las más significativas y también las más sensibles. En ExploitBench, Sol obtuvo un 73.5% frente al 47.9% de GPT-5.5 con un presupuesto de tokens de salida comparable. En ExploitGym, casi duplicó la tasa de aciertos máxima de GPT-5.5, del 15.1% al 24.9% con un límite de dos horas, extendiéndose al 33.7% con seis horas.

OpenAI reconoció la naturaleza de doble uso de estas capacidades. "En ciberseguridad, las mismas capacidades que podrían ayudar a un atacante a explotar una vulnerabilidad pueden ayudar a un defensor a encontrarla, reproducirla y construir una solución fiable", escribió la empresa. "Por lo tanto, el bloqueo excesivo crea su propio riesgo de seguridad".

Para gestionar el riesgo, GPT-5.6 incorpora salvaguardas en capas, incluido un monitor de razonamiento que revisa las conversaciones en busca de potencial de daño. Antes de la disponibilidad general, OpenAI ejecutó aproximadamente 700.000 horas de GPU A100e de red teaming automatizado de caja negra y amplias pruebas externas. Un nuevo programa Trusted Access for Cyber permite a individuos y organizaciones verificados acceder a más de las capacidades defensivas del modelo.

La empresa también advirtió que las salvaguardas cibernéticas de GPT-5.6 bloquean aproximadamente diez veces más actividad potencialmente dañina que los modelos anteriores, y que algunos usos benignos pueden experimentar fricción. Una opción de "reintentar con un modelo de capacidad inferior" en ChatGPT y Codex tiene como objetivo reducir esa carga. anthropic-launches-claude-mythos-5-a-dual-use-model-for-cybersecurity-and-biology

Trabajo de conocimiento y juicio de diseño

Más allá de las pruebas comparativas brutas, GPT-5.6 muestra ganancias en tareas profesionales prácticas. En OSWorld 2.0, Sol alcanzó el 62.6%, superando a Opus 4.8 mientras usaba un 85% menos de tokens de salida. En BrowseComp, Sol obtuvo un 92.2%. La familia también mejora la generación de presentaciones y hojas de cálculo: GPT-5.6 puede inferir sistemas de diseño a partir de diapositivas de referencia y aplicarlos de manera consistente, y manejar modelos financieros con mayor precisión.

Los primeros clientes informaron ganancias de productividad. Lovable, una plataforma de creación de aplicaciones, señaló que GPT-5.6 "ofrece resultados a los usuarios con aproximadamente un 25% menos de pasos y un 35-48% menos de llamadas a herramientas que el modelo anterior, al tiempo que mejora el éxito del proyecto y reduce las ejecuciones bloqueadas en un 15%". Qodo, una herramienta de revisión de código, descubrió que GPT-5.6 "superó a GPT-5.5 en F1 mientras usaba aproximadamente 3 veces menos tokens por PR y ofrecía aproximadamente 2 veces menos latencia mediana".

Auto-mejora: el volante interno

Dentro de OpenAI, el modelo ya está acelerando la investigación. El promedio diario de tokens de salida por investigador activo durante las pruebas internas fue más del doble del nivel más alto observado para GPT-5.5. La proporción de cómputo de investigación dedicado a la inferencia interna de codificación se multiplicó por 100 en los últimos seis meses, mientras que el uso de tokens de agente aumentó 22 veces.

OpenAI desarrolló un RSI Index interno, de auto-mejora recursiva, que agrupa evaluaciones sobre depuración, optimización del kernel e interpretación de experimentos. Sol obtuvo un 57.9%, un salto de 16.2 puntos con respecto al 41.7% de GPT-5.5, lo que sugiere que el modelo es notablemente mejor para ayudar a construir la próxima generación de modelos. deepseek-v4-to-launch-mid-july-with-peak-pricing-model

El cálculo de la seguridad

OpenAI insiste en que GPT-5.6 no cruza el umbral "Crítico" en biología o ciberseguridad, la línea donde un modelo podría crear de forma independiente nuevas amenazas peligrosas. Las pruebas de la empresa sugieren que Sol es mejor para encontrar y corregir vulnerabilidades que para atacar de forma autónoma objetivos reforzados. En biología, apoya la investigación legítima pero carece de capacidad integral para amenazas novedosas altamente peligrosas.

La pila de seguridad en capas incluye protecciones entrenadas, comprobaciones en tiempo real, un monitor de razonamiento y aplicación a nivel de cuenta. "Debido a que algunas protecciones utilizan razonamiento en tiempo de prueba, podemos actualizarlas rápidamente para cerrar brechas sin tener que reentrenar clasificadores desde cero", dijo la empresa.

Un nuevo proceso de remediación rápida y programas ampliados de recompensas por errores en seguridad y biología tienen como objetivo cerrar las brechas a medida que surgen. Pero OpenAI fue franca sobre los límites: "No existe la seguridad perfecta, y nuestro trabajo para asegurar modelos cada vez más capaces continúa. Se descubrirán nuevas debilidades, así como nuevos jailbreaks que eludan las salvaguardas existentes".

Lo que significa la competencia

El lanzamiento profundiza la ya intensa rivalidad con Anthropic. Claude Fable 5 sigue siendo competitivo en varias pruebas comparativas, particularmente en razonamiento científico donde lidera en HealthBench Professional (60.9% frente al 60.5% de GPT-5.6 Sol) y en FrontierMath Tier 4 (87.8% frente al 65.9%). Pero las ganancias de eficiencia de GPT-5.6, especialmente en el nivel Luna, socavan el argumento de que la inteligencia de frontera requiere presupuestos de frontera.

Google DeepMind con Gemini 3.1 Pro Preview y Gemini 3.5 Flash van a la zaga en la mayoría de las pruebas comparativas, y la brecha parece ampliarse en tareas de codificación y de agentes. El lanzamiento también presiona a la familia Llama 4 de pesos abiertos de Meta AI para demostrar que los modelos abiertos pueden igualar este nivel de rendimiento por cómputo.

La familia GPT-5.6 ya está disponible. La pregunta no es si es el modelo más potente del mercado, en varias pruebas sí lo es, sino si su diseño centrado en la eficiencia obligará a los competidores a replantear sus propias estructuras de costos. Si las pruebas comparativas se mantienen en el despliegue real, la era de la inteligencia de frontera barata y abundante puede haber llegado. microsofts-bet-on-small-models-for-agentic-ai-is-about-orchestration-not-knowledge