OpenAI lanzó GPT-6 Astra a principios de septiembre y el cambio principal no está en la conversación: está en la capacidad de sostener tareas largas y operar una computadora. El modelo alcanza 72,6% en OSWorld 2.0, la prueba de referencia para uso de computadora, con alrededor de 47% menos tiempo por tarea que su antecesor. El precio también subió: 10 dólares por millón de tokens de entrada y 50 por millón de salida, cerca de dos veces y media el costo de la generación anterior.

Para quien trabaja con IA, esto reordena las prioridades. Un modelo que puede navegar interfaces, operar un entorno de desarrollo y completar tareas de varios pasos sin abandonarlas a mitad de camino cambia qué conviene automatizar y qué habilidades se vuelven relevantes.

Qué trae GPT-6 Astra

Uso de computadora con salto medible

La capacidad de operar una interfaz gráfica —abrir aplicaciones, navegar, completar formularios, mover archivos— dejó de ser una demostración y pasó a tener números presentables. El 72,6% en OSWorld 2.0 reportado en las fichas técnicas del modelo es un salto relevante frente a las generaciones previas, y la reducción de tiempo por tarea importa tanto como la precisión: un agente que resuelve bien pero tarda demasiado no es viable en producción.

Tareas de horizonte largo

El punto que más se destaca del lanzamiento es la capacidad de sostener trabajo agéntico prolongado: investigación de varios pasos, tareas de código que requieren contexto extenso y procesos que antes se abandonaban a mitad de camino. Esa era la limitación principal de los agentes hasta ahora, y no era de inteligencia sino de persistencia.

Precio en la banda alta

La estructura de precios ubica al modelo en el segmento premium: 10 dólares por millón de tokens de entrada, 1 dólar por entrada en caché y 50 dólares por millón de salida en el nivel estándar, según el desglose que publicaron distintos análisis de precios de la API. Hay modos batch y flex que reducen esas tarifas, un modo rápido que las duplica, y un detalle relevante: pasar cierto umbral de contexto de entrada reprecia toda la solicitud.

Despliegue por etapas

El acceso llegó primero a programas de empresas y después a suscriptores de los planes pagos de ChatGPT, la API y proveedores de nube. Esta forma de despliegue escalonado ya es el estándar del sector y conviene tenerla en cuenta al planificar: la disponibilidad para tu caso puede tardar.

Qué cambia en la práctica según tu rol

Si automatizás procesos

Se amplía el rango de lo que se puede automatizar. Los procesos que dependen de interfaces sin API —sistemas internos viejos, portales web sin integración, herramientas de escritorio— pasan a ser candidatos viables. Esto era el techo de las automatizaciones sin código hasta ahora.

La contraparte es el costo: con precios en la banda alta, cada flujo necesita justificación económica. Un proceso que se ejecuta cien veces por día con contexto extenso puede tener un costo mensual significativo. Conviene calcularlo antes de construir.

Si desarrollás software

La capacidad de operar entornos de desarrollo de forma autónoma corre el trabajo hacia especificación, revisión y arquitectura. La habilidad que gana valor es escribir requerimientos precisos y revisar salidas con criterio, no escribir código más rápido.

Si trabajás con datos

Las tareas de exploración, limpieza y preparación se pueden delegar con más confianza en cadenas largas. Lo que sigue siendo tuyo es la validación: verificar que los cálculos estén bien y que las conclusiones se sostengan. Un modelo mejor no elimina esa responsabilidad, la vuelve más importante porque el volumen de salidas a revisar crece.

Si tu rol no es técnico

El efecto llega más tarde pero llega: las herramientas que usás en el día a día van a incorporar estas capacidades en sus propias funciones. La habilidad transferible sigue siendo la misma —escribir instrucciones precisas y verificar resultados— y no depende del modelo específico que esté abajo.

Qué conviene hacer con esta información

El primer punto merece énfasis porque es el error más frecuente en cada lanzamiento: migrar todo al modelo nuevo por defecto. En tareas simples y de alto volumen, un modelo más económico rinde mejor en costo total. La estrategia razonable es segmentar por tipo de tarea, no elegir un único modelo para todo.

La habilidad que este lanzamiento vuelve más valiosa

Cuando un modelo puede sostener tareas largas y operar interfaces, el trabajo humano se corre a tres actividades:

1. Especificar bien. Definir con precisión qué tiene que lograr el agente, qué límites tiene y cómo se verifica que lo logró.

2. Diseñar controles. Puntos de verificación, límites de gasto, aprobaciones humanas antes de acciones irreversibles.

3. Evaluar salidas. Detectar cuándo un resultado que parece correcto no lo es.

Ninguna de las tres es una habilidad de modelo específico: son transferibles a la generación siguiente. Por eso conviene invertir ahí y no en aprender los detalles de una versión que va a quedar desactualizada en meses. Si querés entender la base técnica de esta categoría, este material sobre qué son los agentes de uso de computadora explica cómo funcionan por debajo.

Contexto de mercado

El lanzamiento llega en un momento en que la adopción empresarial de agentes está creciendo con fuerza. La encuesta global de McKinsey sobre el estado de la IA muestra que la proporción de organizaciones que escala agentes en una o más funciones pasó de 27% a 40%, con más presencia en tecnología, gestión del conocimiento y operaciones de servicio.

La otra cara es la brecha de talento. Los relevamientos del World Economic Forum señalan que la demanda de perfiles capaces de desarrollar, desplegar y trabajar junto a sistemas de IA no está siendo acompañada por la oferta, y que esa escasez se extiende bastante más allá del sector tecnológico. Para quien está construyendo estas habilidades ahora, el momento es favorable.

Cursos recomendados de Coderhouse

• Para entender el panorama: el Curso de Introducción a la Inteligencia Artificial es el punto de partida si querés seguir estos lanzamientos con criterio en lugar de titulares.

• Para trabajar con agentes: el Curso de AI Agents aborda directamente el diseño de sistemas que ejecutan tareas de varios pasos, que es exactamente lo que habilita esta generación de modelos.

• Para construir sobre modelos: el Curso de AI Engineering cubre la integración en aplicaciones, el manejo de contexto y el control de costos, tres temas que este lanzamiento vuelve críticos.

• Para automatizar sin programar: el Curso de AI Automation es la vía si tu foco es aplicar estas capacidades a procesos de negocio.

Si querés ver cómo se organiza el recorrido completo hacia un rol técnico en este campo, esta ruta de aprendizaje para Machine Learning Engineer ordena las etapas.

Preguntas frecuentes

¿Conviene migrar mis automatizaciones a GPT-6 Astra?

No de forma automática. Con un precio cercano a dos veces y media el de la generación anterior, la migración se justifica en tareas que fallaban por falta de persistencia o que requieren operar interfaces. En tareas simples de alto volumen —clasificar mensajes, extraer datos de formatos conocidos, generar textos cortos— los modelos más económicos siguen siendo la opción sensata. La estrategia recomendable es segmentar por tipo de tarea.

¿Qué significa "uso de computadora" en un modelo de IA?

Es la capacidad de operar una interfaz gráfica como lo haría una persona: ver la pantalla, mover el cursor, hacer clic, escribir y navegar entre aplicaciones. La diferencia con una integración por API es que no requiere que el sistema de destino exponga una interfaz programática, lo que habilita automatizar herramientas internas o portales que nunca fueron pensados para eso.

¿Estos modelos reemplazan a los desarrolladores?

Lo que se observa es un corrimiento de tareas más que un reemplazo de roles. La escritura de código repetitivo se acelera mucho, mientras que definir la arquitectura, entender el requerimiento real, revisar el trabajo y asumir responsabilidad por lo que se despliega siguen siendo humanos. En los relevamientos empresariales, tecnología y desarrollo de producto aparecen entre las áreas donde se prevé más crecimiento que reducción de dotación.

¿Cuánto cuesta usarlo en un proyecto real?

Depende del volumen y del tamaño del contexto. Con 10 dólares por millón de tokens de entrada y 50 por millón de salida, un flujo con contexto extenso ejecutado muchas veces al día puede representar un gasto mensual considerable. Hay modos batch y flex que reducen esas tarifas a la mitad para trabajo no urgente. Antes de construir, conviene estimar tokens por ejecución y multiplicar por la frecuencia esperada.

¿Vale la pena aprender a usar un modelo específico si salen versiones nuevas cada pocos meses?

Lo que conviene aprender no es el modelo sino la práctica: cómo especificar tareas, cómo diseñar controles y verificaciones, cómo evaluar salidas y cómo estimar costos. Esas habilidades se transfieren entre generaciones. Los detalles particulares de una versión quedan obsoletos rápido; el criterio para trabajar con estos sistemas, no.