El 17 de noviembre OpenAI publicó GPT-6.2 en dos sabores: Astra y Sol. Lo interesante no es el salto de benchmark, que es modesto, sino el precio: Astra cuesta 20% menos que el modelo que reemplaza y aun así rinde mejor en tareas de varios pasos. Si tienes un agente dando vueltas en producción, esa resta se nota en la factura de fin de mes mucho más que cualquier décima en una tabla comparativa.
Qué anunció OpenAI exactamente
Dos modelos con roles distintos. Astra es el de frontera, pensado para trabajo difícil: depurar código en repositorios grandes, análisis científico, documentos legales y financieros, y agentes largos que no paran de llamar herramientas. Sol es el del día a día: escribir, programar y mover agentes a escala sin que el costo se dispare.
- ▸Precios de API: Astra a 8 dólares por millón de tokens de entrada, 0,40 con caché y 40 de salida. Sol a 2, 0,10 y 10.
- ▸Las peticiones por lotes (sin respuesta en tiempo real) tienen 50% de descuento en entrada y salida.
- ▸Están en ChatGPT y en Codex para los planes Plus, Pro, Enterprise y Edu, y en la API como gpt-6.2-astra y gpt-6.2-sol.
- ▸En Agents' Last Exam, el benchmark de flujos profesionales de varios pasos, Astra saca 5,2 puntos más que GPT-6 Astra a menos de un tercio del costo, según OpenAI.
El precio se mide por tarea, no por prompt
Esta es la parte que a mucha gente se le escapa cuando compara modelos en una hoja de cálculo. Un chat consume una llamada. Un agente consume treinta, cuarenta, a veces doscientas: lee un archivo, decide, llama una herramienta, lee el resultado, se corrige. Cada vuelta arrastra el contexto anterior. Por eso un modelo 20% más barato que además necesita menos vueltas para terminar la tarea no te ahorra 20%, te ahorra bastante más.
Y el caché de entrada a 0,40 por millón en Astra premia justo lo que hacen los agentes bien armados: repetir el mismo prompt de sistema y las mismas definiciones de herramientas en cada paso. Si tu agente reconstruye el prompt desde cero en cada iteración, estás pagando 8 dólares donde podrías pagar 0,40. Lo he visto en más de un proyecto y casi siempre se arregla en una tarde.
Los 5,2 puntos salen del anuncio de OpenAI. Antes de migrar nada, corre tus propias trazas con tus propias tareas: los benchmarks públicos nunca se parecen a tu caso.
Dos modelos obligan a una decisión de arquitectura
Que OpenAI separe un modelo caro y bueno de otro barato y rápido no es cosmética: te está empujando a enrutar. El patrón que funciona hoy es poner a Sol de titular, que resuelva el 80% de los pasos (clasificar, extraer, redactar, llamar una herramienta obvia) y escalar a Astra solo en el paso donde el agente se traba: el plan inicial, la revisión final, el bug que no cede.
Ese ruteo vive en el grafo, no en el modelo. Es exactamente lo que practicas en el curso de creación de agentes con LangGraph, donde cada nodo puede usar un modelo distinto, y lo que ordena la ruta de AI Agentic Engineer cuando el agente pasa de demo a algo que atiende usuarios reales.
Revisión de código: lo que vas a notar esta semana
OpenAI dice que en pruebas tempranas ambos modelos encontraron bastantes más problemas reales revisando código que los GPT-6 anteriores, y gastando menos tokens. Si usas Codex a diario, es el cambio que vas a sentir primero, porque no tienes que mover nada: el modelo entra por abajo. Si estás empezando con esa herramienta, el curso de OpenAI Codex cubre el flujo completo de delegar tareas y revisarlas, y conviene compararlo con cómo lo resuelve Claude Code antes de casarte con uno.
Mi lectura honesta: la carrera entre asistentes de código dejó de ser por capacidad bruta. Los tres grandes resuelven el mismo tipo de tarea. La diferencia está en qué tan bien se integran a tu repo, tus permisos y tu proceso de revisión. Un modelo nuevo no arregla un proceso de revisión que no existe.
Cómo probarlo sin romper lo que ya funciona
Un plan de media tarde, en orden:
- Saca 20 o 30 casos reales de tu log, con la respuesta que esperabas. No inventes casos bonitos: toma los que hoy fallan.
- Córrelos contra tu modelo actual y contra gpt-6.2-sol. Anota tres cosas: aciertos, tokens por tarea y segundos por tarea.
- Solo los casos que Sol falle los repites con gpt-6.2-astra. Ahí decides si vale la pena enrutar o si Sol te alcanza para todo.
- Si tu proceso no necesita respuesta inmediata (clasificar tickets de ayer, resumir documentos de la noche), mándalo por lotes y paga la mitad.
Sin ese paso 1 no hay migración, hay apuesta. Y cuando el modelo cambia cada seis semanas, el equipo que tiene una batería de casos propia migra en una tarde mientras el resto discute capturas de pantalla en LinkedIn.
Qué aprender para que esto te sirva
Nada de lo de arriba depende de OpenAI. Cambiar de modelo es un renglón de configuración; lo difícil es tener el agente armado para que ese renglón importe: herramientas bien definidas, memoria que no se infle, trazas para saber dónde se gastó el presupuesto y un criterio para cortar el bucle. Eso es lo que se practica en la ruta de AI Agentic Engineer, y si recién estás entrando a este mundo, el programa de IA para developers es el escalón previo.
Un apunte de costo que casi nadie hace: antes de migrar por precio, revisa cuánto de tu gasto se va en reintentos por errores de formato. En la mayoría de agentes que he visto, eso pesa más que la diferencia entre dos modelos.
Por dónde seguir
Si quieres construir el agente completo, empieza por la ruta de AI Agentic Engineer. Si lo tuyo es escribir código con el modelo al lado, mira el curso de OpenAI Codex. Y si todavía no sabes por dónde entrar, el catálogo completo tiene cursos cortos para probar sin comprometerte con un bootcamp.
Cada semana hacemos un taller en vivo para probar estas cosas con gente que está en lo mismo: eso pasa en la Comunidad AI Builders, desde 19 USD al mes. Es el lugar natural para traer tu batería de casos y comparar resultados con otros antes de meter un modelo nuevo en producción.


