OpenAI lanzó GPT-6.1 Terra el 26 de octubre y lo curioso no es que sea más inteligente que su antecesor — es que, por primera vez en la familia "barata" de modelos Terra, entiende lo que hay en tu pantalla y puede actuar sobre ella: clickear un botón, llenar un formulario, moverse entre pestañas. Eso es computer use hecho para producción diaria, no para un video de demo.
Qué significa que un modelo "use tu computadora"
Hasta ahora, cuando hablábamos de un agente que ve y actúa, pensábamos en Claude Computer Use o en los primeros pilotos de Operator: capacidades caras, reservadas para los modelos grandes. GPT-6.1 Terra lleva esa misma idea a un modelo rápido y barato. Interpreta capturas de pantalla, entiende formularios y campos, y puede completar una tarea dentro de un navegador o una app de escritorio sin que tú le escribas el selector exacto o el XPath a mano.
Lo que más me llama la atención es el enfoque de venta. OpenAI no lo presentó como "el modelo más inteligente que hicimos" — lo presentó como el más barato para esta tarea puntual. Y los números lo sostienen: con esfuerzo de razonamiento medio, Terra saca 15 puntos porcentuales más que GPT-5.6 Terra en Agents' Last Exam, el benchmark de tareas profesionales de OpenAI, a un tercio del costo. Incluso empata con GPT-6 Astra, el modelo grande de la familia, pagando una décima parte por token.
Precio y disponibilidad, sin vueltas
- ▸API: US$1 por millón de tokens de entrada y US$5 por millón de salida — 50% menos que GPT-5.6 Terra y que GPT-6.1 Sol.
- ▸Ya está disponible para usuarios Plus, Pro, Enterprise y Edu dentro de ChatGPT Work y de Codex.
- ▸Los desarrolladores pueden llamarlo directo desde la API como gpt-6.1-terra, sin esperar acceso especial.
Los casos de uso que muestra OpenAI son prácticos, no espectaculares: hacer match entre la foto de un producto y el catálogo, leer un plano técnico, completar un formulario dentro de un sistema interno, redactar o corregir un texto sobre la marcha. Nada de ciencia ficción — es automatizar lo que hoy hace una persona copiando y pegando entre pantallas durante media hora al día.
Un ejemplo concreto que me parece el más honesto de todos: un agente de soporte técnico que recibe un ticket con una captura de pantalla de un error, entra al panel de administración correspondiente, busca el registro del cliente, verifica si el problema ya está documentado y redacta la respuesta citando el procedimiento exacto. Eso hoy le toma a una persona entre cinco y diez minutos por ticket. Si tu equipo procesa 200 tickets al día, ya sabes dónde está el ahorro real — no en reemplazar al agente humano, en quitarle la parte mecánica de buscar y copiar información entre pantallas.
Lo que casi nadie menciona: computer use todavía falla cuando la interfaz cambia de un día para otro — un botón que se mueve de lugar, un modal nuevo que aparece. Si vas a meter esto en un flujo real, deja a alguien revisando los primeros resultados durante dos o tres semanas antes de soltarlo sin supervisión.
Cómo se compara con lo que ya tenías: Claude y GitHub Copilot
Anthropic lleva más tiempo en esto — Claude tiene su propia versión de Computer Use desde hace varios lanzamientos, y en octubre llegó también a GitHub Copilot como funcionalidad propia. La diferencia que importa no es quién lo tuvo primero, es el precio: antes, meter un agente con esta capacidad en un flujo de trabajo diario salía caro si lo corrías miles de veces al día (pensemos en revisar formularios, conciliar reportes, procesar solicitudes). GPT-6.1 Terra baja esa barrera de entrada de forma real, no cosmética. Eso significa que vas a empezar a ver esta capacidad metida dentro de herramientas que ya usas —un CRM, un ERP, un ticketing— sin que el proveedor lo anuncie como gran novedad.
Dónde SÍ conviene usarlo hoy (y dónde todavía no)
Funciona bien en tareas repetitivas sobre interfaces estables: extraer datos de facturas que siempre tienen el mismo formato, llenar un mismo formulario interno decenas de veces al día, clasificar imágenes de producto contra un catálogo fijo. Donde todavía cojea es en interfaces que cambian seguido o en acciones de un solo intento donde un error sale caro — transferencias, aprobaciones de crédito, cualquier cosa que no se pueda deshacer con un clic. La regla práctica que uso: si el costo de equivocarse es bajo y la tarea se repite cientos de veces, automatiza. Si el costo de equivocarse es alto y la tarea ocurre pocas veces, deja al agente proponer y a una persona aprobar.
Cómo te metes en esto si programas con IA
Si ya usas Codex para delegar partes de tu código, GPT-6.1 Terra llega directo ahí: es el modelo detrás de las tareas que necesitan "mirar" algo en pantalla antes de actuar. En el curso OpenAI Codex Completo armamos proyectos reales donde Codex ejecuta tareas de principio a fin, y esta es justo el tipo de capacidad que entra a jugar ahí — no como demo, como parte del flujo de trabajo normal.
Pero el salto real de carrera no es "aprender un modelo nuevo cada mes" — es entender cómo diseñar agentes que usan estas capacidades sin romperse en producción: manejo de errores cuando la interfaz cambia, memoria entre pasos, cuándo pedir confirmación humana antes de ejecutar algo irreversible. Esa es la base de la ruta AI Agentic Engineer, que hoy es de los perfiles más buscados en el mercado de datos e IA en LATAM.
Qué mirar en las próximas semanas
OpenAI suele soltar el modelo primero y las integraciones específicas después. Es probable que en las próximas semanas veas plugins de terceros anunciando soporte nativo para GPT-6.1 Terra —herramientas de QA automatizado, software de atención al cliente, incluso algunos ERPs— apoyándose justamente en que ahora sale barato correrlo a gran escala. Si administras presupuesto de IA en tu equipo, vale la pena revisar el consumo de tokens del mes que viene: con este tipo de modelo, el costo por tarea individual baja, pero el volumen de tareas automatizadas tiende a subir rápido una vez que el primer caso de uso funciona bien.
Si quieres ver cómo otros developers están probando estas capacidades apenas salen, cada semana hacemos un taller en vivo en la Comunidad AI Builders — ahí revisamos release como esta el mismo mes en que llegan, con código real sobre la mesa.
Aprende a construir con estos modelos en OpenAI Codex Completo, súbete a la ruta AI Agentic Engineer si quieres especializarte en agentes de producción, o revisa el catálogo completo de cursos.
