OpenAI lanza GPT-5.6: la familia Sol, Terra y Luna apuesta por la eficiencia y el rendimiento por dólar

OpenAI ha anunciado la disponibilidad general de la familia GPT-5.6, tras un periodo de preview limitado. La gama se compone de tres modelos: Sol, el nuevo buque insignia; Terra, presentado como un modelo equilibrado para el trabajo diario; y Luna, el más económico en términos de coste. El mensaje central de la presentación no es solo "más inteligencia", sino más inteligencia por token: OpenAI insiste repetidamente en que Sol iguala o supera a los modelos de la competencia (citados en el artículo como "Claude Fable 5" y "Opus 4.8") usando muchos menos tokens, menos tiempo y a un coste estimado considerablemente menor.

Como novedad de uso, se introduce un modo llamado "ultra", pensado para las tareas más exigentes: coordina por defecto cuatro agentes trabajando en paralelo sobre distintos flujos de trabajo para acelerar la resolución de problemas complejos, y en el artículo se muestra que puede escalarse hasta configuraciones de 16 agentes en ciertos benchmarks (BrowseComp y SEC-Bench Pro). Según OpenAI, añadir agentes en paralelo desplaza la frontera de resultado-frente-a-latencia "hacia arriba y hacia la izquierda", es decir, mejores resultados en menos tiempo. Los desarrolladores pueden replicar esta experiencia multiagente mediante una beta específica en la Responses API.

En cuanto a benchmarks de razonamiento y trabajo agéntico de larga duración, en "Agents' Last Exam" (una evaluación de flujos de trabajo profesionales de larga duración en 55 campos), GPT-5.6 Sol alcanza una puntuación de 53.6, 13.1 puntos por encima de "Claude Fable 5". Incluso en modo de razonamiento medio, supera a ese rival por 11.4 puntos con aproximadamente una cuarta parte del coste estimado. Los modelos más pequeños de la familia, Terra y Luna, superarían también a ese comparador con cerca de una dieciseisava parte del coste, lo que OpenAI presenta como clave para "hacer la inteligencia más abundante y asequible". En el Artificial Analysis Intelligence Index, Sol en modo de razonamiento máximo queda a un punto de su rival, pero completando las tareas en un 61% menos de tiempo y aproximadamente la mitad de coste estimado.

Sobre seguridad, el artículo afirma que GPT-5.6 se lanza con "los resguardos más robustos hasta la fecha", diseñados para resistir usos indebidos deliberados y adaptativos sin limitar de forma general el trabajo legítimo. Antes del lanzamiento general, OpenAI dice haber sometido a los modelos y sus salvaguardas al periodo de evaluación más extenso hasta ahora, combinando red teaming humano con pruebas automatizadas a gran escala, y haber trabajado con organizaciones expertas y socios de confianza durante la fase de preview para poner a prueba las defensas.

En el terreno de la programación, OpenAI presenta a Sol como su mejor modelo de código hasta la fecha. En el Artificial Analysis Coding Agent Index, Sol en modo de razonamiento máximo marca un nuevo máximo de 80 puntos (2.8 puntos por encima del rival citado), usando menos de la mitad de tokens de salida, menos de la mitad de tiempo y alrededor de un tercio menos de coste. Terra rendiría ligeramente por encima de ese rival y Luna superaría a "Opus 4.8", ambos con cerca de un tercio del tiempo, la mitad de tokens de salida y aproximadamente una cuarta parte del coste estimado. La familia también establecería nuevos resultados de referencia en Terminal-Bench 2.1 y DeepSWE, pruebas de flujos de línea de comandos complejos y de ingeniería de largo alcance sobre bases de código reales.

Una novedad técnica destacada es el "Programmatic Tool Calling" dentro de la Responses API: permite a GPT-5.6 escribir y ejecutar pequeños programas que coordinan herramientas, procesan resultados intermedios, monitorizan el progreso y deciden la siguiente acción sobre la marcha. Esto reduciría el número de tokens, de idas y vueltas con el modelo y la necesidad de que los desarrolladores programen manualmente cada paso, filtrando grandes cantidades de datos intermedios y conservando solo lo relevante.

El artículo recoge numerosos testimonios de clientes y socios que habrían evaluado el modelo antes del lanzamiento general: Cursor, Qodo, Notion, Cognition, Rogo, Ramp, Shopify, Cisco, Clio, Balyasny Asset Management y Basis, entre otros. En conjunto, estos testimonios repiten un patrón: mejoras de calidad (precisión, F1, adherencia a formatos de referencia) junto con reducciones sustanciales de tokens y latencia. Por ejemplo, Qodo afirma haber medido una mejora en F1 en revisión de código agéntica usando "aproximadamente 3 veces menos tokens por PR" y "cerca de 2 veces menos latencia mediana"; Rogo señala una mejora de 6.2 puntos en calidad de rúbrica y 3.6 en precisión de respuestas en su Big Finance Benchmark, con una reducción del 24% en tokens de salida y 28% menos tiempo gracias al Programmatic Tool Calling; y Clio menciona un 14% menos de tokens con mejor calidad en flujos de trabajo legales, y una reducción del 38% en tokens de prompt en análisis documental multietapa sin pérdida de calidad.

En diseño, OpenAI destaca lo que llama un "salto en el juicio de diseño": con solo indicaciones de alto nivel, GPT-5.6 crearía interfaces "con buen gusto, ergonómicas y funcionales". Gracias a capacidades de uso de ordenador más fuertes, el modelo podría inspeccionar y refinar el resultado renderizado (no solo generar el código o contenido subyacente), detectando problemas visuales o funcionales antes de entregar el trabajo. Se citan ejemplos como un juego de navegación a vela, un sitio de museo, una presentación de diseño de interiores y explicaciones interactivas (un espirógrafo, interferencia de ondas, un explicador de tokenización) generadas dentro de ChatGPT Work.

En trabajo de conocimiento de extremo a extremo, GPT-5.6 tomaría contexto "desordenado" de documentos y herramientas cotidianas como Slack, Notion, Microsoft 365 y Google Drive, convirtiéndolo en artefactos de nivel profesional listos para compartir. Sol establecería nuevos máximos en BrowseComp (92.2%) y en OSWorld 2.0 (62.6%), superando en este último a "Opus 4.8" con un 85% menos de tokens de salida. Las ganancias de rendimiento por dólar se extenderían a toda la familia: Luna casi igualaría el pico de rendimiento del modelo anterior (GPT-5.5) a menos de la mitad del coste estimado, mientras que Terra lo superaría con un coste más bajo.

El documento pone especial énfasis en la mejora de presentaciones, documentos y hojas de cálculo: creación de presentaciones totalmente editables a partir de un prompt y material de referencia, con capacidad de inferir el "sistema de diseño" de una plantilla (diseño, tipografía, espaciado, colores, patrones recurrentes, incluso reglas del Slide Master) y aplicarlo de forma consistente a contenido nuevo. Se muestra un ejemplo en el que, al pedir actualizar cifras según un archivo de referencia, la salida de GPT-5.5 omitiría componentes clave de la diapositiva maestra, mientras que GPT-5.6 seguiría la estructura de referencia con mayor fidelidad. También se destaca mayor precisión en ecuaciones y modelos financieros (se citan como ejemplos un documento de análisis de renta variable y un modelo de compra apalancada).

Nuevamente se incluyen testimonios de clientes centrados en este ámbito: Lovable señala un 25% menos de pasos y entre un 35% y un 48% menos de llamadas a herramientas, con un 15% menos de ejecuciones "atascadas"; Model ML indica un 39% menos de tokens por presentación frente al rival citado, con decks más pulidos; Triple Whale reporta una puntuación de 4.4 sobre 5 en su rúbrica de QA frontend (frente a 4.0 de GPT-5.5 y 3.5 de "Claude 4.8"); PlayCo menciona un 63.5% menos de tokens totales y 50.1% menos de turnos de modelo al construir escenas de Unity mediante Programmatic Tool Calling; Canva habla de ser "1.6 veces más eficiente en tokens" en creación de diapositivas; Microsoft, Base44, Legora y Figma también aportan valoraciones positivas centradas en cohesión, reducción de esfuerzo de iteración y mejoras en flujos de diseño a código.

En ciberseguridad, GPT-5.6 se presenta como el modelo más fuerte de OpenAI hasta la fecha en esta área, logrando rendimiento de frontera con muchos menos tokens. En ExploitBench 2 (progreso desde código vulnerable hasta ejecución arbitraria de código) alcanza 73.5% frente al 47.9% de GPT-5.5 con un presupuesto de tokens de salida comparable. En ExploitGym 3 (convertir vulnerabilidades reales en exploits funcionales) casi duplica la tasa de éxito máxima de GPT-5.5, pasando de 15.1% a 24.9% bajo un límite de dos horas, y llegando a 33.7% con seis horas. En SEC-Bench Pro (generación de pruebas de concepto sobre software complejo) obtiene 71.2% frente al 45.8% de GPT-5.5, con mejor latencia.

El artículo detalla también un programa llamado "OpenAI Daybreak's Trusted Access for Cyber", mediante el cual individuos y organizaciones cualificadas pueden acceder a mayores capacidades defensivas del modelo (triaje y validación de vulnerabilidades, análisis de malware, ingeniería de detección, validación de parches) en entornos autorizados. Se exige verificación de identidad, y se anuncia que, a partir del 1 de septiembre, los miembros individuales deberán activar "Advanced Account Security" con passkeys de hardware para conservar el acceso a los modelos de frontera más capaces en ciberseguridad; quienes no lo hagan volverán al acceso por defecto. Se menciona que quienes no tengan passkeys de hardware pueden obtener precios preferentes a través de un socio, Yubico. OpenAI dice además que está tomando medidas adicionales para restringir el acceso a entidades de alto riesgo y en jurisdicciones de alto riesgo.

En ciencia, se afirma que GPT-5.6 muestra "mejoras de Pareto" respecto a GPT-5.5 en biología del mundo real, flujos de investigación en ciencias de la vida y química, con menciones a benchmarks como GeneBench Pro, LifeSciBench y MedChemBench. El artículo apunta que el comparador "Claude Fable 5" no se incluye en GeneBench Pro porque, según se afirma, no responde a preguntas avanzadas de biología y se niega a contestar la mayoría de las preguntas de esa evaluación.

Finalmente, el texto describe cómo GPT-5.6 estaría acelerando el trabajo interno de investigación en OpenAI: los investigadores lo usarían para diagnosticar fallos, optimizar sistemas de entrenamiento, ejecutar experimentos e interpretar resultados. Durante el periodo de pruebas internas, los tokens de salida diarios promedio por investigador activo habrían más que duplicado el nivel máximo observado con GPT-5.5. En los últimos seis meses, la proporción de cómputo de investigación dedicado a inferencia de código interno habría crecido 100 veces, y el uso interno de tokens agénticos aproximadamente 22 veces, aunque el propio artículo aclara que estas métricas de adopción no miden por sí solas el progreso real de la investigación.

Una advertencia importante: el contenido del artículo recibido se corta de forma abrupta a mitad de una frase ("...like sales,"), justo en la sección "GPT-5.6 accelerates OpenAI". Los apartados que el propio índice del artículo anuncia a continuación —"Scaling safety and security with capability" (más allá de lo ya resumido sobre salvaguardas) y, sobre todo, "Availability and pricing"— no llegaron en el material descargado. Por tanto, este resumen no incluye ningún dato concreto sobre disponibilidad, precios por token, fechas de acceso vía API o límites de uso de GPT-5.6 Sol, Terra o Luna, porque esa información no está presente en el texto proporcionado; cualquier cifra de precio que se busque debe confirmarse directamente en la página oficial de OpenAI.