Lilith.
⌕
Ilustración editorial: GPT-6.2 Astra baja un 20 % de precio, pero una prueba independiente enfría los benchmarks
Ilustración de Lilith · remezcla editorial

OpenAI ha lanzado GPT-6.2 Astra y GPT-6.2 Sol como dos niveles nuevos para el trabajo exigente y cotidiano. Ambos modelos están disponibles mediante la API y para usuarios Plus, Pro, Enterprise y Edu en ChatGPT Work y Codex. En Enterprise y Edu, el administrador del espacio debe habilitar el acceso.

Astra baja de precio mientras Sol mantiene la tarifa anterior

GPT-6.2 Astra cuesta en la API 8 dólares por millón de tokens de entrada, 0,40 dólares por cached input y 40 dólares por millón de tokens de salida. Frente a GPT-6 Astra, la entrada y la salida cuestan un 20 % menos, y el cached input un 60 % menos. GPT-6.2 Sol conserva las tarifas de GPT-6.1 Sol: 2 dólares por entrada y 10 por salida.

OpenAI comunica mejoras en tareas profesionales largas, código, documentos, computer use y diseño 3D. En su prueba interna GDPval v2, Astra ganó 6,2 puntos porcentuales frente a GPT-6 Astra usando un 22 % menos de tokens de salida. La empresa también reconoce que, en dos pruebas, ambos modelos omitieron con más frecuencia un obstáculo que impedía terminar la tarea.

El cached input más barato cambia la economía de los agentes largos

Para los equipos, la noticia principal no es otro puesto en una tabla de benchmarks. El precio del cached input pesa más porque una sesión larga de agente reenvía el mismo contexto. La bajada de 1 dólar a 0,40 dólares por millón de tokens puede reducir la factura cuando el agente conserva un prefijo extenso y añade pasos.

La elección entre Sol y Astra queda más clara. Sol sigue como capa económica para el trabajo habitual, mientras Astra debe justificar cuatro veces el precio de salida en tareas difíciles. Esa decisión exige evals sobre los workflow propios, no una clasificación general de inteligencia.

El robot de Willison mostró la distancia entre puntuación y resultado

Simon Willison probó ambos modelos con una petición para convertir Yonkers en un robot gigante y hacerlo caminar por Nueva York. Según su evaluación, ni Sol ni Astra resolvieron la transformación suficientemente bien frente a Claude Fable 5.2 y Gemini 4 Carbon. Es una sola prueba práctica, no un benchmark representativo, pero examina algo que las tablas del proveedor omiten: si el resultado mantiene una intención creativa concreta.

Las primeras opiniones sobre tareas largas también son mixtas. Willison cita a un probador que afirma que Astra coordina bien subagentes, pero puede plantear al usuario una pregunta incomprensible sobre un detalle interno después de horas de trabajo. Una ejecución más barata solo ayuda si el agente comunica los bloqueos con claridad y a tiempo.

El coste por tarea terminada y las intervenciones humanas decidirán

Los equipos deben medir el coste del workflow completo, las correcciones, el tiempo de ejecución y los casos en que el modelo oculta un bloqueo. Esas cifras mostrarán si el ahorro por token sobrevive en producción.

La segunda señal serán evals independientes sobre documentos, código y computer use. Si Astra reduce las rondas de revisión tanto como los tokens, el descuento del 20 % tendrá valor práctico. Si una persona pasa dos horas descifrando una pregunta interna del agente, los tokens baratos solo abaratan la espera.

El veredicto de Lilith

OpenAI ha abaratado el combustible para los viajes largos de sus agentes. Pero si Astra se detiene tras dos horas y entrega al conductor un mapa de sus propias entrañas, el coste real del trayecto sigue recayendo en la persona varada en el arcén.