Sed de realidad: análisis de GPT-6 Astra

La arquitectura Transformer sobre la que están construidos todos los modelos de lenguaje modernos se inventó en Google en 2017. OpenAI apostó por escalar esa arquitectura cuando pocos creían en ella, y desde entonces publica un modelo insignia al año. La pregunta es dónde ocurre exactamente el progreso en cada nuevo lanzamiento.

El 3 de septiembre de 2026 OpenAI lanzó GPT-6 Astra y anunció la llegada de la era AGI. El presidente de la compañía, Greg Brockman, resumió el lanzamiento en una frase: la prueba ARC-AGI-3 está completamente superada.

Unas horas después, la organización que elabora esa misma prueba publicó su propia medición. Se diferenciaba de la cifra de OpenAI en casi cuarenta puntos porcentuales.

A continuación, cuatro números que dicen más sobre este lanzamiento que todo el marketing que lo rodea.

ARC-AGI-3 comprueba la capacidad de orientarse en un entorno interactivo desconocido. El modelo aparece en algo que no estaba en sus datos de entrenamiento y debe deducir las reglas sobre la marcha. Esa habilidad suele llamarse la frontera entre una persona y un modelo estadístico. OpenAI informó de un 99.9%. ARC Prize, la organización autora de la prueba, midió un 62.71%. Ambas cifras son reales, y la diferencia está en cómo se ejecutó el modelo.

Aquí es importante hablar del harness: no es la red neuronal en sí, es el andamiaje, el código alrededor del modelo, un programa externo que lo ejecuta, guarda sus notas, le entrega la tarea por partes y recoge la respuesta. OpenAI usó su propio harness: conservaba el razonamiento interno del modelo entre pasos y comprimía de forma inteligente un diálogo largo. El de ARC Prize es estándar, idéntico para todos los modelos.

El veredicto de ARC Prize: la diferencia se debe al tratamiento de la memoria, pero la red neuronal es la misma en ambos casos. Treinta y siete puntos porcentuales de mejora los aportó el código alrededor del modelo, es decir, el harness.

ExploitBench comprueba si un modelo sabe encontrar vulnerabilidades en programas. Astra obtuvo un 100%.

La misma prueba, rehecha sin vulnerabilidades históricas, es decir, sin los agujeros ya descritos en internet y absorbidos por los datos de entrenamiento, dio un 39%.

Es exactamente la discusión que dura años, expresada en un número. Donde la tarea ya se resolvió antes, el resultado roza lo perfecto. Donde la tarea es realmente nueva, cae dos veces y media.

Sí, un 39% encontrando vulnerabilidades desconocidas sigue siendo mucho. Por algo OpenAI asignó al modelo un nivel crítico de capacidades cibernéticas y cerró parte de sus funciones al acceso público. Pero la diferencia entre 100% y 39% habla sobre todo de una buena memoria del sistema para lo ya conocido. Sobre la capacidad de encontrar algo esencialmente nuevo dice bastante menos.

Artificial Analysis, una plataforma independiente de comparación de modelos, dio a Astra 61.2 puntos en su índice general de inteligencia. Al modelo anterior, GPT-5.6 Sol, le dio 60.9. Tres décimas de punto por generación. En codificación agéntica, es decir, tareas donde el modelo trabaja solo durante mucho tiempo: escribe código, lo ejecuta, ve el error y lo corrige, también hay diferencia: 67.0 frente a 65.1. Hay progreso, y está de nuevo donde el modelo trabaja en bucle con herramientas externas.

Según las tarifas oficiales, Astra cuesta 10 dólares por millón de tokens de entrada y 50 por millón de salida. Es dos veces y media más caro que el buque insignia anterior.

En total: una mejora casi nula en el índice general de inteligencia con un precio que se ha multiplicado por dos y medio.

La mejora aparece donde se perfeccionó el andamiaje: memoria entre pasos, manejo del ordenador, cadenas largas de acciones. Donde se mide el modelo en estado puro, la mejora entra dentro del margen de error, y el precio se ha multiplicado.

El progreso se ha mudado de la red neuronal a la ingeniería que la rodea.

A la gestión de la memoria, a los entornos aislados para ejecutar código, a los ciclos de lo intenté, vi el error, lo arreglé, a los protocolos de trabajo con herramientas externas.

Es una fase normal para cualquier tecnología. El motor a reacción se inventó una vez, y los cuarenta años siguientes se dedicaron al fuselaje, al combustible, a los instrumentos y al mantenimiento.

François Chollet, autor de ARC-AGI y uno de los críticos más duros de la sobrevaloración de los modelos de lenguaje, adelantó su previsión sobre la llegada de la AGI tras Astra. Su formulación: el progreso avanza aproximadamente el doble de rápido de lo que esperaba. Señaló además que en eficiencia de acción Astra igualó por primera vez a una persona. Una persona media obtiene alrededor del 48% en esta prueba, Astra un 62.71%. Epoch AI colocó a Astra en primer lugar de su índice de capacidades con unos récord 169 puntos. Es decir, las personas que se dedican profesionalmente a pillar a los modelos memorizando dicen que ha ocurrido algo fundamental.

El salto desde el 7.8% de GPT-5.6 Sol y el 30.2% de Claude Opus 5 hasta el 62.71% es un hecho, el progreso existe. Pero el contexto importa: el propio Chollet subrayó que los resultados de la prueba no demuestran la llegada de la AGI, y señaló la diferencia de harness como causa de esa divergencia de cifras, calificando de incorrecta la comparación directa entre 99.9% y 62.7%. Que el creador de una prueba tenga que precisar cómo un gigante de la IA usa sus resultados es una situación rara y reveladora.

La brecha entre lo que los modelos ya saben hacer y lo que está realmente integrado en los procesos de negocio es hoy bastante mayor que la brecha entre generaciones de modelos. Mientras el mercado discute si ha llegado la era AGI, el trabajo pendiente está dos niveles más abajo: integraciones, memoria, accesos, gestión de errores, verificación humana del resultado.

La mejora por la que OpenAI cobra dos veces y media más podéis conseguirla en buena parte vosotros mismos. Se concentra en el andamiaje alrededor del modelo, y ese andamiaje ya lo escriben ingenieros de IA corrientes.

Buena noticia para quienes construyen sistemas. Mala para quienes esperan que el siguiente modelo lo resuelva todo por ellos.