GPT-6 Astra de OpenAI: ¿Llegó la Inteligencia Artificial General o es una estrategia de marketing?

Ocho días después de que OpenAI presentara GPT-6 Astra y una semana después de que El País analizara el anuncio, hay algo que quedó bastante claro: El nuevo modelo representa un salto tecnológico importante. Lo que sigue mucho menos claro es que ese salto permita afirmar que entramos en la era de la inteligencia artificial general (AGI, por su sigla en inglés).

El 3 de setiembre, OpenAI acompañó el lanzamiento con cifras difíciles de ignorar. Astra obtuvo 97,6% en FrontierMath Tier 4, 74,1% en DeepSWE, 96% en GPQA Diamond, 100% en ExploitBench y hasta 99,9% en ARC-AGI-3. En algunas pruebas vinculadas con programación, investigación científica y uso autónomo de computadoras, las diferencias frente a generaciones anteriores son enormes.

El anuncio llevó al presidente de OpenAI, Greg Brockman, a ir todavía más lejos. En declaraciones recogidas por The Washington Post, dijo que personalmente considera que la compañía ya llegó a la AGI. "I think we're there", afirmó. El propio diario recordó que AGI continúa siendo un concepto discutido dentro de la industria, con definiciones que cambian entre laboratorios y especialistas.

Una semana de análisis, pruebas independientes y discusión técnica permite ponerle algunos asteriscos a aquel momento de euforia.

El caso más interesante es ARC-AGI-3, justamente uno de los benchmarks que buscan medir la capacidad de una inteligencia artificial para enfrentarse a situaciones nuevas.

Los agentes ingresan a pequeños mundos interactivos sin instrucciones explícitas.

Deben explorar, descubrir qué está ocurriendo, identificar un objetivo, construir un modelo mental del entorno y ejecutar una estrategia. Es una prueba deliberadamente diseñada para evaluar generalización y aprendizaje ante lo desconocido.

OpenAI destacó un resultado extraordinario de 99,9%. La cifra es correcta, aunque contar solamente ese número deja afuera una parte esencial de la historia.

La propia ARC Prize Foundation probó Astra con dos configuraciones diferentes. Utilizando su harness estándar, común para los distintos proveedores, Astra alcanzó 62,7%. Cuando se utilizó un adaptador diseñado para aprovechar las características específicas de OpenAI, capaz de conservar el estado interno de razonamiento entre interacciones y compactar el contexto, el rendimiento llegó hasta 99,9%.

Incluso dentro de esa segunda configuración hay una curiosidad. Con el máximo nivel de razonamiento Astra consiguió 98,6%, la cifra que apareció en algunos materiales iniciales del lanzamiento. El 99,9% corresponde a otra ejecución con nivel de razonamiento "high".

El resultado sigue siendo extraordinario. También demuestra por qué un benchmark moderno ya mide bastante más que la inteligencia encerrada dentro de un modelo. Mide modelo, memoria, contexto, herramientas, infraestructura y software que lo rodea.

OpenAI conocía perfectamente este fenómeno. En julio había publicado un análisis mostrando que simplemente cambiar dos parámetros del entorno había llevado a GPT-5.6 Sol desde 13,3% hasta 38,3% en el conjunto público de ARC-AGI-3. La propia compañía concluía entonces que los benchmarks rara vez miden al modelo de forma aislada.

La comunidad técnica detectó rápidamente esa diferencia. En discusiones de Hacker News y Reddit, el entusiasmo inicial por el 99% dio paso casi inmediatamente a preguntas sobre el harness utilizado y sobre si las comparaciones con generaciones anteriores estaban realizadas bajo las mismas condiciones. La posterior publicación de ARC Prize terminó confirmando que esa precaución era pertinente.

Hay además una advertencia todavía más importante. La propia organización creadora de ARC-AGI afirma explícitamente que alcanzar un resultado casi perfecto en ARC-AGI-3 no demuestra haber alcanzado la AGI. Sus mundos son cerrados, deterministas y mucho menos complejos que la realidad.

Es una aclaración difícil de pasar por alto cuando el benchmark termina siendo utilizado para anunciar justamente la llegada de la inteligencia general.

Curiosamente, Astra necesita menos del marketing de lo que su lanzamiento podría sugerir.

Las primeras evaluaciones independientes de Artificial Analysis colocan a GPT-6 Astra entre los mejores modelos disponibles. En su Intelligence Index actualizado, Astra obtiene 53 puntos y empata el liderazgo con Claude Fable 5.1, mejorando seis puntos respecto a GPT-5.6 Sol. Además alcanza ese rendimiento con un costo por tarea considerablemente menor que su principal rival.

Ese resultado probablemente sea más interesante que un 99,9%, muestra una IA considerablemente mejor y más eficiente, aunque dentro de una carrera donde otros modelos continúan muy cerca. Astra tampoco domina todas las pruebas. En el propio material de OpenAI obtiene 74,1% en DeepSWE frente a 73,8% de Gemini 3.8 Flash y 73,7% de Claude Opus 5. En Humanity's Last Exam queda por debajo de Claude Fable 5.1.

En OSWorld 2.0, una evaluación especialmente relevante porque mide la capacidad de operar una computadora, Astra alcanza 72,6%. Es una mejora significativa frente a GPT-5.6 Sol y al mismo tiempo queda bastante espacio antes de poder trasladar literalmente a la realidad una frase como "cualquier cosa que puedas hacer en una computadora, Astra puede hacerla por vos".

La imagen que emerge es más interesante que la idea de una frontera mágica llamada AGI. Estamos viendo modelos que empiezan a sostener tareas durante más tiempo, recordar mejor lo ocurrido, utilizar herramientas, navegar interfaces y recuperarse de errores. La transformación más importante puede estar ocurriendo en la autonomía de los sistemas y en la combinación entre modelo y herramientas, mucho más que en haber cruzado una supuesta línea entre inteligencia artificial convencional y general.

Existe además un contexto económico imposible de separar de estos anuncios.
The New York Times informó esta semana que Astra fue entrenado utilizando unos 100.000 procesadores gráficos. Según una fuente citada por el diario, OpenAI proyecta que su gasto en capacidad computacional podría rondar los US$ 750.000 millones hasta 2030.

Cuando una industria necesita inversiones de esa escala, los hitos tecnológicos también adquieren valor comercial. "AGI" es una palabra particularmente poderosa porque transforma una mejora gradual, aunque enorme, en un momento histórico fácilmente comunicable.

La contradicción dentro de OpenAI resulta reveladora. Mientras Brockman decía que ya habíamos llegado, Sam Altman había descrito recientemente a la AGI como un concepto mal definido y convertido en un término de marketing.

Esto tampoco significa que detrás del anuncio exista únicamente publicidad. Los resultados técnicos muestran avances reales. El punto es otro. Las empresas que construyen los modelos también controlan buena parte de la narrativa utilizada para explicar cuán revolucionarios son esos mismos modelos.

Por eso las evaluaciones independientes, las metodologías reproducibles y los detalles aparentemente aburridos sobre cómo se ejecutó cada benchmark empiezan a importar tanto como el número final.

Hay otro aspecto del lanzamiento que probablemente merezca más atención que la discusión semántica sobre la AGI. OpenAI clasificó a Astra como su primer modelo en alcanzar el nivel "Critical" en capacidades de ciberseguridad.

Según la compañía, con las herramientas y permisos adecuados puede descubrir vulnerabilidades desconocidas y desarrollar formas de explotarlas en sistemas protegidos sin necesitar que una persona dirija cada paso.

Al mismo tiempo, OpenAI reconoce que Astra es más difícil de monitorear que GPT-5.6 Sol. En pruebas adversariales, el modelo mostró mayor capacidad para controlar lo que deja escrito en su cadena de razonamiento y, bajo determinadas condiciones diseñadas específicamente para probar evasión, pudo evitar algunos sistemas internos de supervisión. OpenAI también informa que Astra presenta mejores resultados generales de alineación y seguridad que su predecesor. Las dos cosas pueden coexistir.

Es probablemente la tensión tecnológica más importante del momento. Los modelos mejoran su capacidad para actuar al mismo tiempo que se vuelve más complejo entender cómo llegaron a determinadas decisiones.

El propio jefe científico de OpenAI, Jakub Pachocki, advirtió esta semana que ningún laboratorio ha resuelto todavía los problemas de alineación y monitoreo a un nivel que permita continuar escalando indefinidamente al máximo ritmo. The Washington Post destacó la aparente contradicción entre esa advertencia y el discurso triunfalista que acompañó el lanzamiento de Astra.

Un artículo de opinión publicado esta semana por The New York Times y firmado por el exinvestigador de seguridad de OpenAI, Steven Adler, puso el foco sobre el mismo problema. Astra puede ser más capaz y más seguro en varias dimensiones mientras simultáneamente reduce algunas de las herramientas que los investigadores tienen para observar su comportamiento interno.

Ese debate parece bastante más concreto que decidir si una sigla de tres letras acaba de cambiar de significado. Una semana después, la evidencia disponible permite decir que GPT-6 Astra es uno de los saltos más importantes de los últimos años en sistemas de IA capaces de razonar, utilizar herramientas y operar computadoras. También permite afirmar que todavía falta evidencia para convertir "llegamos a la AGI" en un hecho científico aceptado.

Para empresas y usuarios probablemente haya una pregunta mucho más útil. Cuánto trabajo puede completar Astra de principio a fin, cuántas veces necesita intervención humana, cuánto cuesta cada tarea, qué errores comete y qué permisos necesita para ejecutarla.

Esas respuestas van a determinar el impacto económico de esta generación de inteligencia artificial mucho antes de que la industria logre ponerse de acuerdo sobre qué significa exactamente AGI.

Llamarlo AGI vende la idea de que acabamos de cruzar una frontera. La evidencia disponible muestra algo quizá más importante. La frontera continúa moviéndose muy rápido.