GPT-6.1 Terra ya está en la calle. OpenAI lo presentó este lunes 26 de octubre con una tarifa de 1 dólar por millón de tokens de entrada, 0,05 por millón de entrada cacheada y 5 por millón de salida, y lo abrió el mismo día a los suscriptores de Plus, Pro, Enterprise y Edu en ChatGPT Work y Codex, además de la API con el identificador `gpt-6.1-terra`, como recoge la presentación del modelo. La mitad exacta que cobra GPT-6.1 Sol por cada token.
Lo llamativo no es la rebaja, sino a qué se dedica el modelo barato: leer un plano arquitectónico y devolver un modelo tridimensional, revisar una película fotograma a fotograma para dejar un registro con timecode, rellenar formularios en pantalla o emparejar fotos de producto con su ficha de catálogo. Ese es el trabajo que hasta ahora obligaba a pagar la tarifa del modelo tope de gama, y OpenAI lo pone ahora al nivel de GPT-6 Astra por una décima parte del precio por token.
Ahí está el giro. Cuando la tarea se cobra por ejecución y no por token, la lista de precios deja de decidir sola y manda cuánto consume el modelo para resolverla, de modo que un modelo de gama media puede salir más caro que el buque insignia si razona el triple. OpenAI vende cuatro clases de modelo y coloca el argumento del coste por tarea justo en la que carga con el trabajo repetitivo de una empresa.
Un tercio del coste para la misma tarea
En Agents’ Last Exam, el banco de pruebas de tareas profesionales de OpenAI, GPT-6.1 Terra a esfuerzo medio saca 15 puntos porcentuales más que GPT-5.6 Terra con un tercio del coste. Rinde además al nivel de GPT-6 Astra pagando una décima parte por token y cierra cada tarea más de tres veces más rápido que Astra y que Sol.
Conviene matizar de dónde salen esas cifras: las publica el laboratorio que vende el modelo, sobre un banco que diseñó él mismo, y en la comparación con Claude Opus 5.5 no detalla versión ni parámetros. Sirven para ordenar la conversación, no para cerrar una compra: la prueba que decide es tu flujo, con tus herramientas y tu factura.
Las tareas del examen son las que hasta hace poco exigían una persona delante de la pantalla. Convertir un plano en un modelo tridimensional obliga a leer símbolos, sostener la geometría y no perder cotas, y revisar una animación fotograma a fotograma para anotar cada incidencia es trabajo de restaurador.
La tabla que explica el giro
| Modelo |
Entrada por millón |
Entrada cacheada |
Salida por millón |
| GPT-6.1 Terra |
1,00 $ |
0,05 $ |
5,00 $ |
| GPT-6.1 Sol |
2,00 $ |
0,10 $ |
10,00 $ |
| GPT-5.6 Terra |
2,00 $ |
0,20 $ |
12,00 $ |
| GPT-6 Astra |
10,00 $ |
1,00 $ |
50,00 $ |
| GPT-6 Luna |
0,10 $ |
0,01 $ |
0,50 $ |
Son las tarifas estándar de contexto corto y salen de la lista oficial de la API, donde la entrada cacheada queda al 5% de la tarifa normal, según la tabla completa. El lote y el modo Flex recortan otro 50%, el modo rápido duplica el precio y el procesamiento regional suma un 10%.
El recorte se mide mejor contra el modelo al que sustituye. Frente a GPT-5.6 Terra la entrada cae a la mitad y la salida baja de 12 a 5 dólares, un recorte de más de la mitad, mientras que contra GPT-6.1 Sol la rebaja es exactamente del 50% en los tres conceptos.
Un detalle que la tabla esconde: por encima de 272 mil tokens de entrada, la petición entera cuesta el doble en entrada y vez y media en salida. La escritura de caché cuesta 1,25 dólares con 30 minutos de retención y 2,50 con 12 horas, así que el ahorro depende de que el contexto se repita.
Menos errores a esfuerzo bajo
OpenAI publica además un banco de pruebas interno de instrucciones que inducen error. A esfuerzo bajo la tasa cae del 53,6% de GPT-5.6 Terra al 16,7% de GPT-6.1 Terra, casi 37 puntos porcentuales. A esfuerzo máximo baja otros 18 puntos hasta el 4,3%, prácticamente a la altura de Astra y de Sol.
El modelo acepta seis niveles, desde `none` hasta `max`, con `medium` como valor por defecto. Su ficha declara 1,05 millones de tokens de contexto, 922 mil de entrada máxima y 128 mil de salida, según la ficha técnica del modelo. El corte de conocimiento se queda en el 1 de junio de 2026 y la entrada admite texto e imagen.
Los bordes están igual de claros: no hay audio ni vídeo, ni de entrada ni de salida, y el modelo solo devuelve texto, así que un agente que necesite hablar o transcribir tendrá que encadenar otra pieza. Las llamadas a herramientas exigen la Responses API.
El plan rinde más y ahí está la letra pequeña
La otra mitad del anuncio se dirige a quien paga suscripción y no factura por API. Con la misma asignación de uso, Terra cubre más tareas que GPT-5.6 Terra y bastantes más que GPT-6.1 Sol o GPT-6 Astra, según la nota de lanzamiento. Lo nuevo es que el trabajo con ordenador ya no gasta el cupo del modelo caro.
La letra pequeña es que OpenAI no publica cuántas tareas entran en cada plan ni cómo se contabiliza el uso de herramientas del sistema. Quien administre un equipo verá el ahorro en la factura de la API, pero en la suscripción solo tiene una dirección del cambio con la que presupuestar el trimestre.
Del precio por token al coste por tarea
El argumento de OpenAI es que la eficiencia en tokens pesa más que la tarifa. A esfuerzo máximo, Terra es más de tres veces más eficiente en tokens que Claude Opus 5.5 y cuesta un cuarto por token, lo que deja un coste por tarea unas nueve veces menor, según la comparación del propio laboratorio.
En Terminal-Bench-Science 0.1, un banco de tareas científicas con código, Terra a esfuerzo máximo supera a GPT-6.1 Sol con menos coste y se queda a cinco puntos de Opus 5.5 pagando menos de la quinta parte. De ahí una regla útil antes de migrar una carga: el modelo con la tarifa más baja que razona el triple de tokens acaba costando más.
Eso significa que la unidad de compra cambió de sitio. Durante dos años la conversación fue cuánto cuesta un millón de tokens; ahora es cuánto cuesta una factura leída o un plano convertido, y esa cifra no aparece en ninguna lista de precios hasta que el equipo la mide en su propio flujo.
Lo que el anuncio deja sin responder
Falta lo de siempre en un día de lanzamiento: una medición independiente. Ningún evaluador externo ha reproducido todavía los 15 puntos de Agents’ Last Exam ni el empate con GPT-6 Astra, y el historial reciente aconseja esperar el veredicto de quien no cobra de OpenAI.
El precedente más cercano es de julio, cuando OpenAI cifró en cerca del 30% las tareas rotas de SWE-Bench Pro y retiró su recomendación de usarlo, como documenta el informe del 8 de julio, justo mientras su modelo quedaba por detrás en ese banco. Un laboratorio que audita benchmarks también elige cuáles audita.
También queda por ver qué pasa cuando el uso del ordenador falla. Un agente que rellena formularios se equivoca de campo, y el coste de ese error no se mide en tokens sino en la persona que tiene que deshacerlo. Ese es el terreno donde un modelo intermedio se juega la reputación, y ningún benchmark de laboratorio lo captura entero.
Qué cambia cuando el modelo barato empata al caro
OpenAI ya había separado perfiles dentro de una misma versión cuando lanzó GPT-5.1 Instant y GPT-5.1 Thinking, y aquel movimiento era una elección de estilo de respuesta. Lo de Terra es una decisión de cuenta de resultados, porque el modelo que empata en la tarea es justo el que cuesta la mitad.
Con cuatro clases de modelo en el catálogo, la decisión se traslada del escaparate al contador. Si el escalón intermedio hace el trabajo del buque insignia a una décima parte del precio por token, la pregunta deja de ser qué modelo es mejor y pasa a ser cuántas ejecuciones caben en el presupuesto del mes.
Ese abaratamiento tiene un lado incómodo. El mismo coste por tarea que hace rentable automatizar la lectura de facturas sirve para vigilar a distancia, y sobre OpenAI ya pesa la presión judicial por cómo trata los datos de menores, tal como recoge la demanda de ocho estados. La cuenta por tarea baja mientras la factura legal sube.
