El 99,9% de GPT-6 Astra es en realidad un 62,7%

Lo verdaderamente impactante de GPT-6 Astra no es una captura con un porcentaje enorme ni una respuesta especialmente brillante en un chat. Es otra cosa: una inteligencia artificial que abre Blender, mueve el ratón, se equivoca de menú, deshace con Control + Z y vuelve a intentarlo hasta modelar, riggear y animar un personaje. Después abre Unreal Engine, construye un entorno e introduce al personaje para usarlo dentro de la escena.

Eso cambia bastante las reglas del juego. No ha generado un archivo aislado ni ha escupido un bloque de código para que alguien lo integre manualmente. Ha usado herramientas de trabajo reales, las mismas con las que se crean videojuegos, contenidos 3D y proyectos digitales.

Pero alrededor de GPT-6 Astra están circulando cifras muy espectaculares que, sin contexto, cuentan una historia equivocada. Conviene poner orden, porque una cosa es que el modelo haya dado un salto importante y otra muy distinta es convertirlo en magia, inteligencia artificial general o una solución más barata para cualquier tarea.

GPT-6 Astra: Luna, Terra, Sol y Astra

OpenAI ha vuelto a complicar los nombres. En esta generación, el número identifica la generación del modelo y los nombres hacen referencia a su tamaño. La escala va de menor a mayor: Luna, Terra, Sol y Astra.

Por tanto, GPT-6 Astra es el modelo grande y tope de gama de la generación 6. La comparación relevante no es con cualquier modelo anterior, sino con GPT-5.6 Sol, que era el modelo avanzado disponible antes de este lanzamiento para buena parte de quienes usan planes de pago.

Y, aunque Astra mejora en varios frentes, el cambio principal no está donde muchos titulares lo sitúan.

El salto no está en la cabeza: está en las manos

El titular fácil sería decir que GPT-6 Astra “es mucho más inteligente”. Pero ese no es el avance más importante. La noticia real es que sabe desenvolverse en un ordenador y dentro de aplicaciones que no fueron diseñadas específicamente para una IA.

El benchmark OSWorld 2.0 mide precisamente eso: tareas prácticas de escritorio como abrir programas, editar documentos, rellenar formularios, mover archivos, gestionar correos o trabajar con interfaces gráficas usando teclado y ratón.

• GPT-5.6 Sol obtuvo un 65,7%.
• GPT-6 Astra alcanza un 72,6%.
• Sol necesitaba alrededor de 75 minutos por tarea.
• Astra reduce ese tiempo a unos 40 minutos.

Una mejora de siete puntos puede parecer un incremento moderado. Sin embargo, cuando el modelo tarda casi la mitad y resuelve mejor la tarea, la cosa empieza a ponerse seria. Más todavía en Terminal Bench, una prueba centrada en trabajar con terminales y consolas de comandos: Astra pasa del 37,3% de Sol al 57,7%.

Ese es uno de los saltos más grandes de toda la comparación. Tiene sentido: operar una terminal, usar Blender o navegar por Unreal Engine requiere algo más que predecir la siguiente palabra probable. Requiere planificar pasos, comprobar resultados, corregir errores y utilizar herramientas.

Astra no solo responde. Ejecuta. Y eso es lo que convierte las demos de Blender, Unity o Unreal Engine en algo más relevante que un fuego artificial de treinta segundos.

Para profundizar en el anuncio y las capacidades publicadas, se puede consultar la información oficial de GPT-6 Astra.

El 99,9% de ARC no es la nota completa

La cifra que más se ha repetido es el 99,9%. Es una nota espectacular, sobre todo porque el modelo anterior obtuvo un 7,8% en esta prueba de razonamiento abstracto. El salto de un suspenso enorme a prácticamente un resultado perfecto vende muchos titulares, claro.

El problema no es que el 99,9% sea falso. El problema es presentarlo como si fuera la única medición importante.

ARC Prize publicó esa puntuación utilizando un harness propio de OpenAI. Un harness, para entendernos, es el andamio que rodea al modelo. Incluye elementos como:

• La memoria entre pasos de una tarea.
• La forma en que se conserva el estado del razonamiento.
• Los resúmenes de contexto cuando una interacción se vuelve larga.
• La arquitectura que decide cómo se encadenan las acciones.

El modelo no funciona aislado en el mundo real. Funciona con una infraestructura que puede ayudarle mucho o poco. En este caso, el harness de OpenAI permite a Astra conservar el estado de sus razonamientos previos, evitando tener que recalcularlos constantemente.

Ahora bien, cuando ARC Prize evalúa el modelo con un harness neutral, igual para todos los sistemas y por tanto más útil para compararlos, la puntuación baja al 62,7%.

Un 62,7% sigue siendo muy superior al 7,8% de la generación previa. Es un avance real y notable. Pero no es lo mismo decir “casi ha resuelto el benchmark por completo” que decir “ha obtenido un 62,7% bajo condiciones comparables”. Son dos historias muy diferentes.

La conclusión de ARC Prize tampoco afirma que Astra sea inteligencia artificial general. Habla de un avance hacia la generalización. Es una distinción importante: estamos ante una puerta que se abre, no ante la llegada definitiva de una IA capaz de hacer absolutamente cualquier cosa.

Los detalles de ambas mediciones están disponibles en el informe de ARC Prize sobre Astra.

Más eficiente en tokens, pero un 75% más caro por tarea

La segunda lectura equivocada es que Astra resulta baratísimo porque utiliza menos tokens. Aquí hay una parte cierta y otra falsa.

La eficiencia es real. GPT-6 Astra puede ser aproximadamente un 71% más eficiente en tokens que Sol. En determinados entornos llega a gastar cerca de un tercio de los tokens de Sol e incluso una quinta parte de los que puede consumir Claude Opus 5 con esfuerzo alto.

Pero gastar menos tokens no significa necesariamente que la tarea salga más barata. El precio por token de Astra es 2,5 veces superior al de Sol. Las cuentas son sencillas:

• Astra usa muchos menos tokens.
• Cada token cuesta bastante más.
• En esfuerzo máximo, completar la misma tarea puede costar un 75% más que con Sol.

Por eso no hay contradicción entre decir que Astra es más eficiente y que también es más caro. Son métricas diferentes. La eficiencia mide recursos consumidos. El coste por tarea mide lo que termina saliendo de tu bolsillo.

En el índice de inteligencia general, Astra y Sol empatan con un 61%. En agentes de programación Astra sí mejora, pasando de 65 a 67, aunque Claude Fable 5.1 queda por delante con 70 puntos. Astra no es el mejor modelo en todo, ni el más económico en cualquier caso de uso.

Donde destaca es en usar programas y realizar operaciones dentro de ellos. Los análisis de eficiencia, precios y rendimiento comparativo se pueden revisar en Artificial Analysis.

Qué cambia para Blender, Unity y Unreal Engine

Las demostraciones que circulan no son solo personajes bonitos. Hay ejemplos de una recreación de tren en Blender compuesta por más de 3.000 objetos, un Manhattan generado en Unreal Engine a partir de cartografía real y NPCs con agentes de Astra que hablan, se organizan y se comportan como una pequeña sociedad.

El mecanismo bajo todas estas demos es el mismo:

1. El modelo usa Blender para modelar o modificar activos.
2. Exporta los elementos necesarios.
3. Abre Unreal Engine o Unity e importa esos recursos.
4. Los coloca en la escena, ajusta materiales, iluminación o comportamientos.
5. Programa y prueba iterativamente el resultado.

Hasta ahora, entre una idea y una pantalla jugable había una barrera técnica enorme. Saber topología, retopología, rigging, materiales, nodos, iluminación, animación, programación o herramientas del motor determinaba la velocidad a la que podías construir.

Esa barrera no va a desaparecer de golpe, pero se está aplanando. Y se aplanará especialmente en las tareas repetitivas, mecánicas y poco creativas.

Para quien desarrolla juegos con Unity, el camino no es ignorar esto, sino aprender a trabajar con criterio y con fundamentos. En nuestra formación de Unity están las bases para entender qué hay detrás de cada sistema, en lugar de limitarse a pedir resultados a una herramienta.

Sabe usar Blender, pero no sabe qué construir

Aquí está el matiz que importa. Astra puede llegar a usar Blender mejor y más rápido que muchas personas. Pero no sabe por qué un nivel no se entiende, por qué un salto no se siente satisfactorio o por qué alguien se aburre a los tres minutos de jugar.

Un proyecto puede tener iluminación impecable, materiales correctos, un rendimiento excelente y no contener ni un solo error técnico. Aun así, puede ser un nivel aburrido, confuso e imposible de vender.

Arreglarlo no consiste en tocar un shader. Puede consistir en mover una puerta, apagar dos luces para dirigir la atención, cambiar la posición de un enemigo o rediseñar la curva de dificultad. Eso requiere sensibilidad de diseño, experiencia y haber construido juegos que no funcionaban antes de entender por qué no funcionaban.

La IA automatiza cada vez más la destreza con la herramienta. El criterio sobre qué merece la pena construir sigue siendo humano.

El riesgo de los clones automáticos

También empiezan a aparecer recreaciones automáticas de Minecraft, Fall Guys, SimCity y muchos otros juegos. Recrear una mecánica para aprender es un ejercicio fantástico. De hecho, abrir una mecánica, entender su física, su ritmo, sus colisiones y su animación es una de las mejores formas de formarse.

Pero hay una diferencia gigantesca entre analizar una mecánica y publicar un clon fidedigno. Que una IA pueda crear un clon en veinte minutos no elimina las cuestiones de plagio, propiedad intelectual ni diseño.

La facilidad técnica nunca ha sido permiso. Lo valioso no es pedir “hazme un Hollow Knight”, sino comprender por qué funciona un dash, un doble salto, un parry o un sistema de combate. Esa comprensión permite llevar una idea a un juego nuevo, con identidad propia.

Para trabajar precisamente esa parte, el curso de mecánicas de videojuegos en Unity analiza 25 mecánicas por dentro, no para copiar un resultado, sino para entender por qué enganchan.

El detalle incómodo: nivel crítico en ciberseguridad

GPT-6 Astra es además el primer modelo de OpenAI clasificado como “Crítico” en ciberseguridad. No es una etiqueta de marketing. Significa que puede identificar vulnerabilidades desconocidas y construir ataques con mucha más autonomía que modelos anteriores.

Durante sus evaluaciones se identificaron dos vulnerabilidades no reportadas previamente en Google Chrome. En pruebas de explotación, Astra obtuvo un 100%, frente al 78,5% de la generación anterior.

Por eso sus capacidades ofensivas están restringidas a un programa cerrado para organizaciones verificadas. No se trata de alarmar, sino de entender el cambio: cuando un modelo sabe operar un ordenador, deja de ser solo un chat. Se convierte en un usuario capaz de hacer muchas de las mismas cosas que haría una persona, para bien y para mal.

Cuatro cosas que hacer desde ya

1. Pregunta siempre por el harness. Una cifra sin saber con qué arquitectura se ha medido puede ser profundamente engañosa.
2. Mide el coste por tarea terminada. El precio por token, por sí solo, ya no sirve para decidir qué modelo utilizar.
3. Identifica la parte más tediosa de tu pipeline 3D. Renombrar, exportar, preparar lotes de materiales u optimizar recursos son candidatas claras para delegar.
4. Invierte en lo que no se automatiza. Diseño de niveles, game feel, ritmo, curva de aprendizaje, intención visual y comprensión de lo que hace divertido un juego.

Si el objetivo es pasar de probar demos a dirigir modelos, construir agentes, medir su coste y auditar sus resultados, el curso de Programador de IA: de vibe coder a ingeniero agéntico trabaja precisamente con Claude Code, Codex, Copilot, Cursor, MCP, subagentes y creación de plugins.

La conclusión: construir diez veces más rápido exige construir mejor

El gran salto de GPT-6 Astra no está en su cabeza. Está en sus manos, en su capacidad para entrar en tus programas y realizar tareas dentro de un flujo de trabajo real.

Esto se parece mucho a cualquier revolución tecnológica anterior. Una máquina multiplica la capacidad de producción. Si construyes bien, podrás construir diez, veinte o cincuenta veces más. Si construyes mal, también podrás construir mal a una velocidad mucho mayor.

La herramienta se está volviendo increíblemente poderosa. La responsabilidad de decidir qué hacer con ella, cómo medirla y qué calidad exigirle sigue siendo nuestra.