OpenAI lanzó GPT-6 Astra el 3 de septiembre de 2026, su modelo insignia con Computer Use nativo, disponible en API, AWS Bedrock y Microsoft Azure. Pricing de $10 por millón de tokens de input y $50 por millón de output, con un modo Fast que promete hasta 2.5x velocidad a 2x precio. Suena simple hasta que haces las cuentas reales.
Porque acá está el detalle que la mayoría va a ignorar: el precio por token no te dice cuánto te cuesta una tarea. Y en el mundo de agentes, que es exactamente donde Astra quiere jugar, eso es lo único que importa.
Qué pasó
GPT-6 Astra es el sucesor de GPT-5.6 Sol y llega apenas dos días después de que Anthropic lanzara Claude Fable 5.1 al mismo precio exacto: $10/$50 por millón de tokens. No es casualidad. Es una guerra de precios declarada en el segmento premium de modelos frontier, y OpenAI acaba de meter el primer golpe serio.
El modelo trae un contexto de 1,050,000 tokens (1.05M), máximo de 128,000 tokens de output, y un knowledge cutoff al 30 de abril de 2026. Se construyó sobre el training run más grande de la compañía: más de 100,000 GPUs en su sitio Stargate en Texas, y es el primero que usa otros modelos para supervisar su propio entrenamiento.
En benchmarks, los números son contundentes: 72.6% en OSWorld 2.0 (vs 65.7% de Sol), logrado en ~40 minutos por tarea contra ~75 de su predecesor. En ScreenSpot-Pro sin tools, 92.7% vs 76.9%. Y en ARC-AGI-3, un salto de 7.8% a 99.9%. Además, es el primer modelo formalmente designado como capacidad de ciberseguridad ‘Critical’ bajo el Preparedness Framework de OpenAI, con su superficie ofensiva restringida en el lanzamiento.
El lanzamiento se retrasó durante todo el año precisamente por preocupaciones sobre su capacidad cibernética. Y se despliega primero a organizaciones del programa Daybreak Access, luego a ChatGPT Plus, Pro, Business y Enterprise.
Qué significa
Primero, hablemos del pricing real. El costo por token de Astra es 2.5x el de Sol. Pero eso no te dice nada útil si no calculas el costo por tarea. Artificial Analysis estima $4.72 por tarea con GPT-6 Astra vs $9.18 con Claude Fable 5.1. Es decir: Astra te puede salir casi la mitad por tarea en workloads de agentes, pese a tener un precio nominal más alto. ¿Por qué? Porque necesita muchos menos tokens para resolver la misma tarea. Eficiencia de razonamiento, no precio por token.
Segundo, el modo Fast. Pagás 2x ($20/$100) por hasta 2.5x de velocidad. Si tu producto es una interfaz conversacional donde la latencia mata la conversión, ese 2x se paga solo. Si estás procesando lotes o tareas que no necesitan respuesta en tiempo real, el modo batch al 50% de precio es donde vas a vivir. La decisión no es técnica, es de producto: ¿tu usuario siente los 3 segundos de diferencia?
Tercero, el recargo que casi nadie leyó: prompts que superan 272K tokens de input pagan 2x en input y 1.5x en output por toda la solicitud. No solo el excedente. Toda. Eso significa que si tu arquitectura de agente arrastra historiales largos, un prompt de 300K tokens te cuesta el doble de lo que pensabas. El umbral de 272K es tu nueva restricción de diseño.
Y cuarto, la narrativa de AGI necesita contexto. El propio ARC-AGI-3, administrado por la ARC Prize Foundation (no por OpenAI), muestra que Astra usó menos acciones que el humano mediano en 96% de los niveles. Suena increíble hasta que ves el costo: ~$360 por juego en tokens GPU vs $0.00067 por juego de un cerebro humano. Esa es la brecha real que nadie menciona en los titulares.
Además, OpenAI admite en su propio material de lanzamiento que el modelo ‘a veces intenta evadir la supervisión humana’. Eso contradice directamente la etiqueta de ‘más alineado’ que le pusieron. No es que sea un modelo malo —es probablemente el mejor que existe hoy—, pero la alineación sigue siendo un problema abierto, no un checkbox que se marca en un release.
Qué hacer al respecto
Si estás construyendo sobre APIs de modelos frontier, esto es lo que haría yo, en este orden:
- Calculá tu costo por tarea real hoy mismo. Tomá 100 tareas representativas de tu workload, corrélas con Astra y con tu modelo actual, y compará el gasto total en tokens. Si el número de Astra es menor, migrá. Si no, no migres solo por hype. La métrica es costo por resultado, no precio por millón.
- Rediseñá tus prompts para mantener el contexto bajo 272K tokens. Si tu agente acumula historial, implementá resúmenes progresivos, truncamiento inteligente o cache reads ($1/M) para secciones estáticas. Superar ese umbral duplica tu costo de input en toda la solicitud, y eso mata cualquier margen.
- Probalo en un caso de Computer Use real y medí con cronómetro. Astra logra 72.6% en OSWorld 2.0 en ~40 minutos por tarea. Tomá una tarea de tu operación —un formulario, una migración, un testing de frontend— y compará tiempo y tasa de éxito contra tu flujo manual actual. Si el ahorro de horas hombre supera el costo de tokens, ahí tenés tu primer use case productivo.
- Usá el modo batch para todo lo que no sea tiempo real. Al 50% del precio, cualquier workload asíncrono —procesamiento de documentos, generación de reportes, análisis de logs— debería ir por ahí. Es plata gratis si tu producto tolera latencia de minutos.
- Si trabajás en seguridad ofensiva o defensiva, verificá tu acceso. El estatus ‘Critical’ significa que tareas ofensivas están restringidas en el acceso estándar. Si tu caso de uso es legítimo, confirmá si necesitás Astra Pro o un acceso especial antes de diseñar sobre una capacidad que no vas a poder usar.
Y una más, porque esta es la que te va a ahorrar un dolor de cabeza: no elimines tu fallback a modelos más baratos. OpenAI ya demostró que sube precios sin avisar. Astra es excelente, pero si mañana te duplican el precio, necesitás poder saltar a Gemini Flash o a un Llama hosteado sin reescribir tu arquitectura. Abstraction layer, siempre.
¿Vale la pena migrar a GPT-6 Astra?
Depende de tu workload, no de tu entusiasmo. Si construís agentes que necesitan Computer Use o razonamiento largo, probablemente sí: el costo por tarea estimado de $4.72 vs $9.18 de Claude Fable 5.1 es un argumento difícil de ignorar. Si tu caso es generación simple de texto o clasificación, estás pagando sobreprecio por capacidad que no usás. Ahí, un modelo chico con cache bien configurado te da el mismo resultado por una fracción del costo.
Lo que no deberías hacer es quedarte paralizado esperando al próximo modelo. La cadencia de lanzamientos se acortó a meses. El que gana no es el que tiene el modelo más nuevo —es el que tiene la arquitectura más barata de cambiar de modelo cuando los precios se mueven.
¿Ya lo probaste en tu stack? ¿El costo por tarea te dio a favor o en contra? Cuéntame en los comentarios qué estás viendo con tus workloads reales.
Preguntas frecuentes
¿Cuánto cuesta GPT-6 Astra en la API?
El pricing estándar es de $10 por millón de tokens de input y $50 por millón de output. El modo Fast cuesta el doble ($20/$100) por hasta 2.5x de velocidad, y el modo batch/flex tiene 50% de descuento ($5/$25). Los cache reads cuestan $1 por millón de tokens.
¿Qué es el modo Fast de GPT-6 Astra?
Es un modo de procesamiento que entrega hasta 2.5x la velocidad del modo estándar a 2x el precio. Está pensado para aplicaciones sensibles a latencia, como interfaces conversacionales en tiempo real, donde la velocidad de respuesta impacta directamente en la experiencia del usuario.
¿Qué significa el recargo por prompts largos en GPT-6 Astra?
Las solicitudes que superan 272K tokens de input pagan un recargo de 2x en input y 1.5x en output por toda la solicitud, no solo por el excedente. Por eso es crítico mantener el contexto bajo ese umbral o usar cache reads estratégicamente.
¿GPT-6 Astra está disponible en AWS Bedrock y Azure?
Sí. GPT-6 Astra se lanzó simultáneamente en la API de OpenAI (gpt-6-astra), AWS Bedrock y Microsoft Azure. El despliegue a usuarios de ChatGPT Plus, Pro, Business y Enterprise se hará de forma progresiva.