El 17 de noviembre de 2026, OpenAI presentó GPT-6.2 Astra y GPT-6.2 Sol, dos modelos pensados para trabajo profesional real: documentos, hojas de cálculo, código y flujos de varios pasos. Astra es el modelo de frontera para los proyectos más complejos y Sol es la opción eficiente para el uso diario. Ambos llegan con una promesa concreta: mejores resultados usando menos tokens de salida, lo que se traduce en más trabajo terminado dentro del mismo límite de uso.
La presentación, publicada en el canal de OpenAI, muestra algo que a cualquier gerente le debería interesar más que un ranking: escenas de oficina donde una persona pide un libro de trabajo con dos escenarios financieros, otro actualiza las cuentas por pagar a partir de facturas en el correo, y otro arma una presentación que sigue la plantilla de la empresa. No es ciencia ficción de laboratorio. Es la lista de pendientes de cualquier área de finanzas un martes por la mañana.
En este artículo vamos a ver qué cambia realmente con modelos de OpenAI como estos, dónde están sus límites y qué debería hacer una empresa en Perú o Latinoamérica esta semana, sin comprar humo.
¿Qué cambia realmente con GPT-6.2 Astra y Sol?
El cambio central no es que el modelo "sepa más". Es que se volvió más eficiente haciendo trabajo largo. Según OpenAI, GPT-6.2 Astra obtiene 5,2 puntos más que GPT-6 Astra en Agents' Last Exam, una prueba de tareas profesionales de varios pasos, y lo hace con menos de un tercio del costo. Frente a Claude Fable 5.2, la diferencia reportada es de 5,5 puntos, con apenas el 5% del costo por tarea.
Esa relación entre calidad y costo es la parte que importa para una empresa. Un modelo que acierta un poco más pero cuesta tres veces más es un experimento. Un modelo que acierta más y cuesta menos es una decisión de operaciones.
El segundo cambio es la forma del resultado. OpenAI entrenó a Astra para que sus diapositivas, hojas de cálculo y documentos sigan las convenciones de campos como derecho, ventas, finanzas y contabilidad. En la práctica, eso significa menos texto de relleno y más estructura útil: títulos que dicen la conclusión, cifras ubicadas donde el lector las busca, plantillas respetadas hasta el tamaño de letra.
El tercer cambio es la eficiencia de tokens. En la API, los precios de entrada y salida de Astra bajaron 20% respecto a GPT-6 Astra, con un descuento de 60% en entrada cacheada: 8 dólares por millón de tokens de entrada, 0,40 dólares por millón de entrada cacheada y 40 dólares por millón de salida. Sol mantiene los precios de GPT-6.1 Sol: 2 dólares de entrada, 0,10 de entrada cacheada y 10 de salida, por millón de tokens.
Para quien administra un presupuesto de tecnología, esto cambia el cálculo. Antes, automatizar un proceso interno con IA era un piloto que había que justificar. Ahora empieza a competir de igual a igual con la alternativa de siempre: que alguien lo haga a mano.
¿Dónde brillan estos modelos en el trabajo diario?
La demostración de OpenAI se apoya en tres escenarios que se repiten en cualquier empresa mediana: armar un libro de trabajo financiero, actualizar cuentas por pagar y producir una presentación ejecutiva con prisa.
El primero es el más revelador. En la escena, una persona pide un libro de trabajo para modelar un retraso de un año en los ahorros de una integración, seguir la deuda neta hasta 2031 y mostrar las ganancias por acción del año siguiente contra el plan. El resultado que aparece en pantalla: 32 millones más de deuda en 2031 y 30 centavos menos por acción el año siguiente. Ese es el tipo de tarea que hoy ocupa a un analista financiero media tarde, entre búsqueda de cifras, fórmulas y formato.
El segundo escenario es el de las facturas. Llegan veinte, hay que actualizar las cuentas por pagar. Es exactamente el flujo que vive el área contable de una PYME peruana cada vez que se cierra una quincena.
El tercero es la presentación semanal. En la escena, el modelo arma las diapositivas mientras la gerente se acerca a la sala. El detalle no es la velocidad: es que el resultado respeta la plantilla y el tono de la empresa, algo que en la práctica es lo que hace que un borrador generado sea usable o termine en la papelera.
OpenAI también reporta avances en trabajo legal. En Harvey LAB-AA v1.1, un conjunto de tareas legales que exige encontrar hechos relevantes en documentos fuente y producir un entregable que cumpla todos los requisitos, GPT-6.2 Astra duplica la tasa de aprobación de Claude Fable 5.2 a cerca de un sexto del costo. En FrontierCode 2.0, que evalúa si los cambios sobre bases de código reales cumplen el estándar de los mantenedores, GPT-6.2 Sol queda a 0,5 puntos de Astra con cerca de un quinto del costo.
Aquí conviene una pausa honesta, porque la presentación no demuestra todo. Las escenas de oficina son una demostración de capacidad, no una medición de resultados en empresas reales. No hay datos de cuánto tiempo toma integrar estos modelos a un sistema contable, ni de cuánto se equivocan cuando los datos de entrada están sucios, que es el estado normal de los datos en la mayoría de las empresas. Tampoco hay evidencia de que el modelo mantenga el criterio cuando el caso se sale del guion. Mi lectura: el salto es real, pero el trabajo difícil sigue estando del lado de la empresa, en conectar el modelo a datos ordenados.
¿Qué significa esto para una empresa en Perú o Latinoamérica?
El patrón se repite en casi toda empresa mediana de la región. Los datos están repartidos entre el ERP, una carpeta de Excel en el escritorio de alguien y el correo. El reporte que pide la gerencia existe, pero hay que armarlo cada vez, y ese armado consume horas de gente calificada que podría estar haciendo análisis en lugar de transcripción.
Los agentes de IA cambian ese reparto de tareas cuando están conectados a la fuente correcta. Un modelo que lee las facturas del correo y actualiza las cuentas por pagar en el ERP no reemplaza a la contadora: elimina la parte de su trabajo que consiste en copiar números de un lado a otro. Lo mismo pasa con el jefe de TI que hoy arma reportes de incidencias a mano, o con el gerente comercial que reconstruye el avance de ventas cada lunes.
Hay una condición que no se puede saltar. Para que esto funcione, el dato tiene que estar accesible y consistente. Si las facturas llegan en cinco formatos distintos y el ERP tiene tres catálogos de proveedores, ningún modelo va a resolver el desorden: va a producir un resultado equivocado más rápido. El trabajo profesional con IA empieza por ordenar la casa.
La segunda condición es el criterio humano en el punto de control. En las escenas de la presentación, alguien revisa antes de que el número llegue a la gerencia. Ese diseño debería copiarse: el modelo prepara, la persona aprueba. Es la diferencia entre automatizar y delegar a ciegas.
La tercera es el costo real. Con precios de 8 dólares por millón de tokens de entrada en Astra y 2 dólares en Sol, el gasto de inferencia deja de ser un obstáculo para procesos internos de volumen medio. Lo que cuesta, y sigue costando, es la integración: entender el proceso, limpiar los datos y construir el flujo que conecta el modelo con el sistema donde vive la información.
¿Cómo aplica esto en tu empresa?
Un camino razonable, en orden:
- Elige un proceso, no una tecnología. Busca una tarea que hoy sea repetitiva, con reglas claras y un resultado verificable. El ciclo de cuentas por pagar es un buen candidato porque tiene entrada definida y salida medible.
- Mide el antes. Cuántas horas por semana consume ese proceso y cuántos errores genera. Sin esa línea base, no vas a poder decir si la automatización sirvió.
- Ordena la entrada. Antes de conectar cualquier modelo, define de dónde sale el dato y en qué formato. Este paso es aburrido y es el que decide el resultado.
- Deja un punto de aprobación humana. El sistema propone, una persona valida. Así el error es corregible y el equipo gana confianza en la herramienta.
- Mide el después con la misma vara. Horas ahorradas, errores, tiempo de cierre. Si no mejora, el problema estaba en el proceso, no en el modelo.
Si quieres revisar qué proceso de tu empresa tiene sentido automatizar primero, puedes conversar con nosotros sobre tu caso y lo vemos juntos. También puedes revisar más notas técnicas en el blog de Consultoría TI, o conocer ContentFlow si tu interés está en automatizar la producción de contenido.
Preguntas Frecuentes
¿Cuál es la diferencia entre GPT-6.2 Astra y GPT-6.2 Sol?
Astra es el modelo de frontera, pensado para los proyectos más complejos y con mayor exigencia de calidad; Sol es la opción eficiente para el trabajo diario. Según OpenAI, Sol queda a 0,5 puntos de Astra en FrontierCode 2.0 con cerca de un quinto del costo, y en la API Sol cuesta 2 dólares por millón de tokens de entrada frente a 8 dólares de Astra.
¿Cuánto cuesta usar GPT-6.2 Astra en la API?
Según OpenAI, las tarifas estándar de GPT-6.2 Astra son 8 dólares por millón de tokens de entrada, 0,40 dólares por millón de entrada cacheada y 40 dólares por millón de salida. Eso representa una reducción de 20% en entrada y salida frente a GPT-6 Astra, más un descuento de 60% en entrada cacheada.
¿Puede una PYME peruana usar estos modelos en su operación?
Sí, siempre que el proceso elegido tenga reglas claras y datos accesibles. El costo de inferencia ya es bajo para volúmenes medios, pero el esfuerzo real está en integrar el modelo con el ERP o el sistema donde vive la información. Conviene empezar por un solo proceso medible, con aprobación humana antes de que el resultado llegue a la gerencia.
Conclusión: ¿vale la pena mirar estos modelos hoy?
GPT-6.2 Astra y GPT-6.2 Sol no son un anuncio sobre el futuro de la IA: son una mejora concreta en la relación entre calidad y costo para trabajo profesional. Documentos que respetan plantillas, hojas de cálculo con cifras ubicadas donde corresponde y flujos de varios pasos que se completan con menos tokens. Para una empresa mediana en Perú o Latinoamérica, eso significa que automatizar un proceso interno dejó de ser un experimento caro y empezó a ser una decisión de operaciones.
La advertencia sigue siendo la misma de siempre: el modelo no arregla datos desordenados ni procesos mal definidos. Si quieres evaluar por dónde empezar en tu empresa, puedes escribirnos desde la página de contacto y revisamos tu caso.
Por Edgar Vásquez, Consultoría TI · actualizado el 17 de noviembre de 2026
Fuentes y Referencias
- OpenAI — GPT-6.2 Astra and GPT-6.2 Sol: Models built for the real world (YouTube)
- OpenAI — Introducing GPT-6.2 Astra and Sol
- RuntimeWire — OpenAI launches GPT-6.2 Astra and Sol
✨ Contenido generado con ContentFlow — Consultoría-Ti