OpenAI anunció el 30 de julio de 2026 una actualización de precios y velocidad para su familia GPT-5.6: el modelo más económico, Luna, baja de precio un 80%; el modelo intermedio, Terra, baja un 20%; y el modelo más potente, Sol, incorpora un nuevo "Fast mode" hasta 2,5 veces más rápido que el procesamiento estándar. En DET Consultores seguimos estos anuncios no por la novedad tecnológica en sí, sino por su efecto directo sobre qué automatizaciones de formación corporativa dejan de ser un experimento costoso y pasan a ser viables en producción.
Los números concretos del anuncio
Según el comunicado oficial de OpenAI, a partir del 30 de julio el precio en la API queda así: Terra en 2 USD por millón de tokens de entrada y 12 USD por millón de tokens de salida; Luna en 0,20 USD por millón de tokens de entrada y 1,20 USD por millón de tokens de salida. El precio de Sol no cambia, pero ahora puede procesarse en Fast mode al doble de precio a cambio de hasta 2,5 veces más velocidad, sin cambios en la calidad de las respuestas. Fast mode reemplaza al antiguo "Priority Processing" y es compatible con las solicitudes que ya usaban esa opción.
OpenAI reporta que Luna entrega un nivel de inteligencia comparable al de los modelos de frontera de hace un año a aproximadamente 6 centavos de dólar por tarea, casi nueve veces más rápido. En una prueba específica de trabajo agencial (Agents' Last Exam), Luna supera a Fable 5 —el modelo de Anthropic que analizamos en un artículo anterior— con un costo por tarea estimado casi 99% menor.
Por qué esto importa más que "otro modelo nuevo"
La mayor parte de la cobertura de lanzamientos de IA se centra en si un modelo es más inteligente que el anterior. El anuncio de GPT-5.6 es distinto: no introduce un modelo nuevo, sino que reduce drásticamente el costo de los modelos existentes y acelera el más capaz. Para un equipo de formación corporativa, ese es exactamente el tipo de cambio que determina si una automatización pasa de piloto a producción.
Muchas de las tareas que discutimos con clientes —clasificar miles de respuestas abiertas de una evaluación, generar variantes de preguntas para un banco de ítems, resumir transcripciones de sesiones de mentoría, etiquetar contenido de archivo histórico para reutilización— no requieren el modelo más inteligente disponible. Requieren un modelo suficientemente bueno, ejecutado miles de veces, a un costo que no dispare el presupuesto del proyecto. Una baja de precio del 80% en el modelo más económico cambia directamente esa ecuación.
Cómo pensar la combinación de modelos en un flujo real
OpenAI sugiere en su comunicado un patrón de trabajo que coincide con lo que ya recomendamos en proyectos de automatización de contenido: usar el modelo más capaz (Sol) para resolver la ambigüedad y definir el plan de una tarea compleja, y luego delegar la ejecución de pasos bien definidos —redactar, aplicar formato, correr validaciones— al modelo más económico (Luna). En un flujo de producción de evaluaciones, por ejemplo, Sol puede diseñar la estructura y los criterios de una rúbrica compleja, mientras Luna genera las variantes de reactivos y corre las validaciones de formato sobre cientos de preguntas.
La pregunta operativa para un equipo de L&D ya no es "¿qué modelo de IA usamos?", sino "¿qué parte de este flujo necesita razonamiento caro y qué parte solo necesita ejecución consistente y barata?". Diseñar esa división de trabajo, no elegir un único modelo, es lo que determina el costo real de una automatización a escala.
Disponibilidad
Terra y Luna siguen disponibles en ChatGPT Work, Codex y la API de OpenAI. En ChatGPT Work y Codex, los usuarios de los planes Free y Go acceden a Terra, mientras que Plus, Pro, Business y Enterprise pueden elegir entre Terra y Luna. Los precios de las suscripciones no cambian, pero el uso de Terra y Luna ahora consume menos créditos dentro de esos planes.
Conclusión
Este anuncio no cambia qué es técnicamente posible con IA en un proyecto de formación corporativa; cambia qué es económicamente razonable ejecutar a gran volumen. La recomendación práctica sigue siendo la misma que aplicamos con cada nuevo lanzamiento: antes de adoptar un modelo por ser el más nuevo o el más barato, definir qué tarea específica del flujo de trabajo se beneficia de cada nivel de capacidad, y diseñar el proceso alrededor de esa combinación, no alrededor de un único modelo.