OpenAI inició el 26 de octubre el despliegue de GPT‑6.1 Terra en ChatGPT Work y Codex y lo publicó en su API. La novedad ofrece otra combinación de capacidad y coste para tareas que mezclan documentos, imágenes y acciones sobre aplicaciones. Para una agencia, la cuestión es qué trabajos repetidos merece la pena evaluar con esta opción y cuánto cuesta obtener una entrega correcta, incluida la revisión.
El acceso depende del producto y del espacio de trabajo
Las notas de lanzamiento incluyen los planes Plus, Pro, Business, Enterprise y Edu. La llegada es gradual y está condicionada por la región, la licencia y los permisos del espacio de trabajo. Terra se incorpora a Work y Codex; no al chat convencional. Las notas excluyen la residencia de inferencia en Emiratos Árabes Unidos: la limitación se refiere al lugar de procesamiento, no a la ubicación de la persona. El consumo y los límites dependen del plan y de la tarea. La ayuda vigente remite al apartado de uso de cada cuenta para comprobar la cuota restante y sus reinicios; la facturación de API va por separado.
En una organización, conviene comprobar primero si el modelo aparece en el selector de las personas que realizarán el trabajo. Una cuenta personal con acceso no acredita que todo el equipo lo tenga habilitado. Esta distinción afecta a un encargo compartido: antes de sustituir un proceso habitual, hay que saber quién podrá ejecutarlo, con qué herramientas y bajo qué permisos.
De interpretar imágenes a actuar sobre aplicaciones
La ficha del modelo admite texto e imágenes de entrada y genera texto; no admite audio ni vídeo como modalidades directas. Entre los usos descritos están relacionar fotografías de producto con un catálogo, interpretar dibujos técnicos y operar sobre pantallas. Para llamadas a herramientas se requiere Responses API. Utilizar una herramienta de imagen tampoco convierte al modelo de texto en un generador nativo de vídeo.
Esto permite formular pruebas concretas sin prometer resultados anticipados: detectar discrepancias entre una ficha y una fotografía, trasladar información entre dos aplicaciones o revisar una propuesta con sus materiales visuales. La salida debe poder comprobarse. En un catálogo importan las referencias y los atributos; en una aplicación, que cada cambio llegue al registro correcto y que no se modifiquen otros campos por accidente.
La posibilidad de actuar amplía también lo que hay que evaluar. Una respuesta escrita errónea puede detectarse al leerla; una acción equivocada puede alterar un archivo o una configuración antes de la revisión. Para un primer ensayo resulta razonable utilizar copias y definir qué cambios están permitidos. Es un criterio de puesta en marcha, no una prueba práctica realizada por Contrafeed sobre Terra.
El precio del token es una parte del coste
OpenAI publica tarifas estándar de 1 dólar por millón de tokens de entrada, 0,05 dólares para lectura de entrada en caché y 5 dólares por millón de salida. Escribir la caché tiene una tarifa diferente: 1,25 dólares por millón con retención de 30 minutos o 2,50 dólares con retención de 12 horas, antes de los recargos por contexto largo. La ficha aplica recargos a contextos superiores a 272.000 tokens: duplica las tarifas de entrada y caché y multiplica por 1,5 la salida para la petición completa. Fast cuesta el doble del modo estándar; el procesamiento regional añade un 10% donde esté disponible. Las herramientas pueden tener cargos adicionales.
Para comparar dos modelos, el presupuesto debería separar entrada, salida, herramientas y repeticiones. Un encargo que necesita volver a ejecutarse varias veces puede consumir más que otro aparentemente más caro por token. También cuenta el tiempo de la persona que comprueba las referencias, corrige el resultado o repara un cambio. La unidad útil para el equipo es la entrega aceptada con sus costes observados.
La guía de OpenAI propone empezar con esfuerzo de razonamiento medio y aumentarlo si la mejora compensa el tiempo y los tokens. Para migrar desde GPT‑5.6 Terra recomienda comparar imágenes y flujos representativos manteniendo el mismo esfuerzo. Ese criterio evita atribuir al cambio de modelo una mejora que en realidad procede de darle más tiempo o un encargo diferente.
Qué demuestran las evaluaciones publicadas
En su presentación, OpenAI atribuye a Terra avances en uso del ordenador, razonamiento visual, escritura y programación. Publica resultados de pruebas propias y de benchmarks, con ajustes de esfuerzo distintos. Son evidencia del rendimiento que comunica el proveedor en esas condiciones; no certifican el ahorro ni la precisión que obtendrá una agencia con sus archivos, idiomas y aplicaciones.
Una evaluación útil puede reunir trabajos habituales y casos difíciles: imágenes parecidas, documentos incompletos, nombres de producto cercanos y formularios con campos opcionales. Conviene conservar el encargo, el resultado y la corrección necesaria. Separar fallos de contenido y fallos de ejecución ayuda a decidir si el modelo sirve para preparar borradores, para completar un paso concreto o para asumir un flujo más amplio.
La llegada de Terra complementa otras decisiones sobre herramientas: Decisions API aborda la clasificación y el encaminamiento de tareas, mientras que las presentaciones colaborativas de ChatGPT cambian el entorno de entrega. Elegir modelo, herramienta y forma de revisión son decisiones relacionadas. El lanzamiento permite probar otra opción; la sustitución de un proceso debe apoyarse en resultados del trabajo que realmente se necesita producir.
Fuente y alcance
OpenAI Developers — GPT‑6.1 Terra model
OpenAI Developers — Using GPT‑6




