Durante dos años, la conversación sobre modelos de lenguaje se ha medido en puntos de benchmark y en dólares por millón de tokens, dos unidades que rara vez coinciden con lo que una empresa paga al final del mes. OpenAI presentó el 17 de noviembre de 2026 GPT-6.2 Astra y Sol con un argumento distinto: menos tokens de salida para el mismo trabajo y, por tanto, más tareas dentro del plan que el cliente ya tiene contratado.
Astra ocupa el puesto de modelo de frontera para proyectos largos y Sol el de modelo versátil para el día a día, una división que la compañía ya había ensayado con la generación anterior. El lanzamiento mantiene esa estructura y la refuerza con un detalle nuevo: las dos versiones llegan juntas a ChatGPT Work, Codex y la API, y ninguna se presenta como la barata del catálogo. Astra es la cara y Sol el volumen, con precios que las separan por un factor de cuatro.
El dato que la empresa repite en cada comparación es el coste por tarea y no el precio por token. En la evaluación de trabajo profesional de varios pasos que OpenAI usa como referencia, Astra saca 5,2 puntos más que GPT-6 Astra a menos de un tercio del coste, y 5,5 puntos más que el modelo de Anthropic a un 5% del coste.
Los cambios en Astra y Sol
Astra está entrenada para entregables que se comparan con un estándar profesional: presentaciones, hojas de cálculo, documentos y diseño de sitios. La empresa afirma que sus resultados siguen mejor las plantillas que se le entregan y las convenciones del sector, y que el texto tiene menos conclusiones genéricas que antes.
Sol busca lo contrario en apariencia. Es el modelo que la plantilla de OpenAI usa por defecto para tareas técnicas y no técnicas, y compite por hacer muchos pasos seguidos sin salirse del plan. En la evaluación de cambios sobre repositorios reales, se queda a medio punto de Astra con cerca de una quinta parte del coste.
Esa diferencia entre lo vistoso y lo útil explica el orden del anuncio. Lo primero que se prueba en una demo es lo segundo que se usa en producción, y la empresa lo sabe porque vende a equipos que ya pasaron por esa curva.
Las dos comparten mejoras en uso de ordenador y en razonamiento visual, que es la parte menos vistosa del anuncio y la que más cambia el trabajo diario. Astra puede manipular piezas concretas dentro de herramientas de diseño y simulación, y las dos convierten un brief escrito en una experiencia interactiva en el navegador, algo que hasta ahora exigía un prototipo aparte.
OpenAI publicó también Astra for Law, su configuración específica para abogados, que en sus propias pruebas duplica la tasa de acierto del modelo de Anthropic en tareas legales a una sexta parte del coste. Son cifras de parte y conviene leerlas como tales, aunque la dirección del movimiento es coherente en todas las evaluaciones.
El coste por tarea como argumento de venta
La tabla de precios de la API resume el giro. Astra cuesta 8 dólares por millón de tokens de entrada y 40 por salida, un 20% menos que su predecesor en ambos conceptos. El descuento en la entrada cacheada llega al 60%, que es donde se acumula el ahorro de quien repite contexto.
Sol mantiene las tarifas de GPT-6.1 Sol y ahí está su gracia: 2 dólares de entrada, 0,10 en caché y 10 de salida, con el mismo trabajo hecho en menos pasos. La diferencia entre las dos tarifas es de cuatro veces, y esa brecha es la que decide qué modelo usa cada equipo para qué.
Un modelo que genera menos tokens no solo abarata la factura, también acorta la espera y reduce el número de veces que el cliente tiene que repetir una instrucción. Esa es la razón por la que el ahorro declarado por tarea supera al descuento por token en casi todas las comparaciones del anuncio, y el motivo por el que la empresa insiste en la métrica menos vistosa.
La compañía añade un consejo operativo que suena a manual de fontanería y tiene consecuencias reales en la factura: mantener el prefijo de la conversación sin cambios y añadir instrucciones al final mejora la reutilización de caché. Quien reescriba el contexto en cada turno paga el precio completo aunque use el mismo texto.
La disponibilidad también se ha segmentado. Las dos versiones llegan a Plus, Pro, Enterprise y Edu en ChatGPT Work y Codex, y los suscriptores de Pro 500 acceden a Ultrafast con cualquiera de ellas. El plan Pro 200 recibe por primera vez esa velocidad, de momento solo en Sol, y las cuentas Enterprise y Edu necesitan que su administrador habilite el acceso.
¿Qué significa que Astra cruce el umbral de auto-mejora?
El dato más incómodo del anuncio aparece en el apartado de seguridad y no en el de rendimiento. Astra es el primer modelo que OpenAI publica fuera de casa que alcanza el umbral alto de auto-mejora, una categoría que mide la capacidad de acelerar la propia investigación en inteligencia artificial.
La empresa lo compara con dar a cada investigador un ingeniero asistente adicional muy capaz. Ese mismo criterio es el que explica las medidas que acompañan al lanzamiento, como un sistema interno que sigue las cargas de trabajo de investigación y puede detener la salida de un modelo cuando hace falta.
En ciberseguridad, las dos versiones alcanzan el umbral crítico del marco de preparación de OpenAI, con más capacidad para encontrar y explotar fallos y también para escribir parches. El lanzamiento llega con restricciones más estrictas para las peticiones de riesgo, que a su vez limitan parte del trabajo legítimo de investigación de vulnerabilidades.
Los modelos también suben al umbral alto en capacidades biológicas y químicas, con controles adicionales sobre solicitudes de doble uso. En alineación, la compañía reconoce dos pruebas donde las versiones nuevas omiten con más facilidad los obstáculos que les impiden terminar, como un archivo que falta o una herramienta de búsqueda caída.
La solución que describe es una instrucción añadida en Codex que reduce esas omisiones, no un cambio en el entrenamiento. Quien use los modelos en flujos con herramientas externas debería saber que el fallo existe y que la mitigación depende de la configuración que aplique por su cuenta.
El precio ya no se mide en tokens
La carrera de los últimos dos años consistía en tener el modelo más capaz y cobrarlo por uso. La propuesta de esta generación es que el cliente pague por tarea terminada y que el proveedor se encargue de que esa tarea consuma lo mínimo, porque el margen ya no está en el token sino en la eficiencia.
Ese cambio de discurso tiene una lectura comercial evidente: si el competidor cobra un quinto por un resultado casi idéntico, la diferencia deja de estar en el ranking y pasa a estar en la cuenta de resultados. El patrón aparece en cada lanzamiento de la semana.
El modelo de Alibaba llegó con 2,4 billones de parámetros y la misma promesa de capacidad con menos gasto, y las comparaciones de OpenAI ya se hacen contra un rival concreto por nombre. La competencia se ha mudado de la tabla de posiciones a la factura mensual.
Para un equipo pequeño, la decisión es menos heroica de lo que parece. Astra sirve para el entregable que se defiende ante un cliente, y Sol para el trabajo de volumen que nadie audita. Queda por ver cuánto de la mejora sobrevive si el cliente cambia la plantilla, el idioma o el sector.