OpenAI presentó a inicios de septiembre GPT-6 Astra, descrito por la propia compañía como su modelo más inteligente y alineado hasta la fecha, y el 22 de septiembre de 2026 completó la familia con dos versiones más económicas: GPT-6 Sol y GPT-6 Luna. En un artículo anterior analizamos el recorte de precios de GPT-5.6 y su efecto sobre qué automatizaciones de e-learning dejan de ser un experimento costoso. Este anuncio repite el patrón, pero con un dato adicional que sí cambia el análisis: una mejora medible de factualidad, no solo de precio.
Los números del anuncio
Sol y Luna heredan el método de entrenamiento de Astra, trasladando sus mejoras en trabajo profesional, factualidad, código y uso de computadora a modelos más rápidos y baratos. Luna está optimizado para respuestas rápidas y alto volumen; Sol ofrece más capacidad de razonamiento. En precio, ambos quedan un 50% por debajo de las tarifas promocionales que tenían sus equivalentes de GPT-5.6: Sol cuesta 2 USD por millón de tokens de entrada y 10 USD por millón de salida; Luna, 0,10 USD por millón de entrada y 0,50 USD por millón de salida.
La cifra que más nos interesa: menos errores, no solo menos costo
Según OpenAI, en su evaluación interna de factualidad —basada en conversaciones reales anonimizadas donde los usuarios reportaron errores— GPT-6 Sol comete aproximadamente la mitad de errores que su predecesor, alcanzando un nivel de confiabilidad cercano al de Astra a una fracción de su costo. Para un equipo de formación corporativa, este dato pesa más que el recorte de precio: la mayoría de flujos que automatizamos —generación de reactivos de evaluación, resúmenes de contenido normativo, clasificación de respuestas abiertas— fallan más por errores de factualidad silenciosos que por falta de inteligencia bruta del modelo.
Con GPT-5.6 la pregunta era "¿qué parte del flujo necesita razonamiento caro y qué parte solo necesita ejecución barata?". Con Sol y Luna se añade una segunda pregunta: ¿qué parte del flujo no toleraba antes el modelo económico por su tasa de error, y ahora sí la tolera?
Comunicación más clara, menos jerga
OpenAI trasladó a Sol y Luna el estilo de comunicación mejorado de Astra: respuestas más claras, con menos jerga, menos giros de redacción extraños y menos detalles de bajo valor, manteniendo la sustancia. Para contenido dirigido a colaboradores no técnicos —la mayoría del material de formación corporativa— esto reduce el trabajo de edición posterior que antes absorbía buena parte del ahorro de usar el modelo económico.
Qué significa para un flujo de producción de e-learning
El patrón que recomendamos con GPT-5.6 sigue siendo válido: usar el modelo con más razonamiento (Sol) para resolver la ambigüedad de una tarea —diseñar la rúbrica, definir la estructura de un curso— y delegar la ejecución de pasos bien definidos a Luna. Lo nuevo es que, con la reducción de errores de factualidad, algunas tareas que antes requerían revisión humana obligatoria por el riesgo de alucinación —por ejemplo, generar resúmenes de contenido regulatorio o citar políticas internas— pueden moverse con más confianza al nivel económico, siempre con una capa de validación, pero con menos hallazgos que corregir por corrida.
Disponibilidad
Sol y Luna están disponibles en ChatGPT Work y Codex para usuarios de los planes Plus, Pro, Business, Enterprise y Edu. Los usuarios de los planes Free y Go acceden a Luna desde la aplicación de escritorio.
Conclusión
Este anuncio confirma la misma lógica que veníamos aplicando: los recortes de precio de los modelos económicos son los que determinan qué automatización pasa de piloto a producción, no los modelos de frontera. La novedad de Sol y Luna es que, por primera vez en esta serie de anuncios, el modelo económico no solo es más barato: es medible y sustancialmente más confiable que su predecesor directo. La recomendación práctica: si tenías una automatización de e-learning frenada por una tasa de error inaceptable en el modelo barato, es el momento de volver a probarla con Sol o Luna.