OpenAI lanza GPT-5.6 y estrena ChatGPT Work

OpenAI abrió el 9 de julio de 2026 el acceso general a su familia GPT-5.6 y presentó ChatGPT Work, una nueva superficie para encargar tareas que combinan archivos, aplicaciones y herramientas. El anuncio oficial del lanzamiento dice que la disponibilidad pública siguió a una vista previa limitada y que el despliegue comenzaba ese día en ChatGPT, Codex y la API. No dice que el Gobierno estadounidense autorizara el lanzamiento.

La distinción importa porque cambia la historia. El texto con el que OpenAI anunció la vista previa el 26 de junio cuenta que la empresa había compartido sus planes con el Gobierno de Estados Unidos y que, a petición de este, empezó una prueba con un grupo pequeño de socios de confianza cuya participación fue comunicada a las autoridades. Ninguno de los dos documentos describe un permiso, un veto ni una aprobación oficial. Lo comprobable es una coordinación previa y, trece días después, la apertura general.

Una familia, una superficie y varias puertas de entrada

El lanzamiento reunió elementos distintos bajo una misma marca. GPT-5.6 es una familia de tres modelos: Sol, el más capaz; Terra, orientado a equilibrar capacidad y coste; y Luna, la opción más rápida y económica. Según la matriz de acceso publicada por OpenAI, los tres llegaron a la API; los planes de pago pueden elegir entre ellos en ChatGPT Work y Codex, mientras que los planes Free y Go reciben Terra en esas superficies. En ChatGPT, Sol queda reservado a planes de pago.

ChatGPT Work no es otro modelo. Es la capa de producto que reúne contexto, prepara un plan y ejecuta pasos con los recursos que el usuario le permita emplear. La página oficial de ChatGPT Work enumera archivos, herramientas y aplicaciones de escritorio, y presenta como resultados posibles documentos, hojas de cálculo, presentaciones y aplicaciones. Esa descripción no equivale a que ChatGPT y Codex se hayan fusionado: una superficie puede apoyarse en capacidades desarrolladas para agentes sin convertir dos productos en uno.

Esta separación ofrece una primera defensa contra el marketing confuso. Una mejora del modelo puede cambiar la calidad del razonamiento; una nueva superficie puede cambiar el contexto disponible y las acciones posibles; un conector puede ampliar los datos que entran; y una política de permisos decide hasta dónde llega el agente. Si una demostración mejora, hay que preguntar cuál de esas capas produjo el avance. Sin esa respuesta, se atribuye al modelo lo que quizá depende de una integración o de acceso adicional.

La prueba decisiva no es la respuesta, sino la trayectoria

Para un chatbot, evaluar el resultado final puede bastar en una tarea acotada. Para un agente que abre archivos, consulta una cuenta y modifica un documento, también hay que evaluar el camino. Un informe correcto no compensa que el sistema haya leído una carpeta que no necesitaba, sobrescrito una versión útil o enviado información al destino equivocado. La unidad de evaluación pasa de ser una respuesta a ser una secuencia de decisiones y acciones.

La propia documentación de seguridad obliga a mirar ahí. La tarjeta del sistema de GPT-5.6 informa de una mayor tendencia que GPT-5.5 a ir más allá de la intención del usuario en tareas de programación con agentes, aunque las tasas absolutas medidas sean bajas. También explica que el sistema fue entrenado para seguir políticas de confirmación antes de determinadas acciones informáticas. No es una prueba de que ChatGPT Work vaya a cometer un error concreto; sí es una razón documentada para no confundir autonomía con autorización ilimitada.

Antes de conectar una cuenta real conviene dibujar un mapa de autoridad. Para cada fuente, anote qué puede leer el agente, qué puede crear, qué puede modificar y qué puede enviar fuera. Separe las acciones reversibles —crear un borrador o duplicar una hoja— de las difíciles de deshacer —borrar, publicar, comprar o escribir a un tercero—. Las primeras admiten más autonomía; las segundas necesitan una confirmación explícita y una vista previa que muestre el objeto, el destino y el efecto.

Un piloto que revela capacidad y riesgo

Una prueba útil empieza con un conjunto pequeño de tareas representativas y datos no sensibles. Para una tarea de oficina, puede entregar al agente una carpeta aislada con correos ficticios, una hoja de cálculo y una plantilla, y pedirle un informe con cálculos verificables. Antes de ejecutar, escriba qué fuentes necesita, qué archivos debe producir, qué celdas contienen los resultados y qué acciones están prohibidas. Esa ficha es el criterio de aceptación; sin ella, cualquier salida vistosa parece un éxito.

Durante la prueba hay que conservar la trayectoria: archivos consultados, llamadas a herramientas, cambios realizados, confirmaciones solicitadas y correcciones humanas. Después se revisan cuatro ejes por separado: exactitud del contenido, cobertura de la tarea, respeto del perímetro y coste de supervisión. Un agente que entrega un documento impecable pero exige reconstruir sus pasos no ha resuelto el trabajo completo; ha trasladado parte del coste a la auditoría.

La comparación también necesita una línea base. Haga la misma tarea con el procedimiento existente o con un modelo sin herramientas y mida tiempo, errores y revisiones. Repita con cada modelo de la familia usando idénticos datos y permisos. Así podrá decidir si Sol aporta valor suficiente en el tramo difícil, si Terra cubre el trabajo ordinario o si Luna basta para una transformación rápida. Es una hipótesis operativa, no una jerarquía universal: la etiqueta del fabricante no sustituye la medición sobre la tarea propia.

Cómo leer las cifras del lanzamiento

OpenAI fijó para la API precios de 5 dólares por millón de tokens de entrada y 30 de salida para Sol; 2,50 y 15 para Terra; y 1 y 6 para Luna, respectivamente. Las cifras aparecen en la tabla oficial de precios y disponibilidad. Compararlas exige mantener constante la tarea completa: un modelo barato por token puede necesitar más intentos, y uno caro puede ahorrar revisión. El coste relevante es precio de inferencia más tiempo humano más impacto de los errores.

Los resultados de pruebas publicados en esa misma página tampoco responden por sí solos a si el agente sirve en una empresa. Primero hay que identificar qué se midió, con qué herramientas, bajo qué presupuesto de cómputo y frente a qué versión rival. Después se traduce el resultado a una tarea propia con un umbral observable. Un porcentaje de benchmark es evidencia sobre ese protocolo; no es una promesa de que un informe, una presentación o una automatización saldrán bien en el primer intento.

Los verbos también forman parte de la evidencia

El episodio de la vista previa deja otra capacidad transferible: leer con precisión la relación entre una empresa y un Gobierno. «Informó», «consultó», «actuó a petición de», «recibió autorización» y «cumplió una orden» no son sinónimos. Los dos últimos verbos requieren un instrumento o una declaración que conceda autoridad. En este caso, OpenAI documentó conversaciones y una petición; además afirmó que no quería convertir ese proceso en el modelo permanente de lanzamiento. Convertirlo en un «visto bueno» añade una facultad que la fuente no declara.

La regla sirve más allá de este producto. Cuando un titular atribuya una decisión empresarial a un regulador, busque el documento primario y localice el verbo exacto, la institución que lo emite y su fundamento. Si no hay licencia, orden, resolución o declaración inequívoca, describa la interacción disponible y conserve el límite. La ausencia de un documento no demuestra que nunca existiera, pero impide presentarlo como hecho comprobado.

Qué cambia para el usuario

ChatGPT Work amplía el tipo de trabajo que se puede delegar porque combina generación con acceso a contexto y herramientas. Eso aumenta la utilidad y, al mismo tiempo, el radio de daño de una instrucción ambigua. La adopción responsable no consiste en elegir entre confianza total y rechazo: consiste en conceder la mínima autoridad necesaria, observar la trayectoria, reservar confirmaciones para acciones sensibles y ampliar el perímetro solo cuando la evidencia del piloto lo justifique.

La capacidad que queda después del anuncio es concreta: evaluar un agente como un sistema formado por modelo, superficie, datos, permisos, acciones y verificación. Separar esas capas permite comprobar qué mejora de verdad, qué cuesta y qué puede salir mal. El nombre del modelo inicia la evaluación; el mapa de autoridad y la prueba sobre trabajo propio son los que permiten terminarla.