GPT-5.6 tiene un modelo menos potente que Sol, pero mucho más barato y rápido. Luna podría ser la pieza que permita llevar la inteligencia artificial de los chatbots a millones de productos, servicios y procesos.
Hay una pregunta que suele quedar fuera de las conversaciones sobre inteligencia artificial: ¿cuánto cuesta pensar?
No es una pregunta filosófica. Para las empresas que están construyendo productos con IA, es una pregunta que puede determinar si una idea se convierte en negocio o se queda en un experimento.
Cada vez que un chatbot responde una pregunta, resume un documento, analiza información o escribe un correo, hay una infraestructura informática trabajando detrás. Ese trabajo se mide, entre otras cosas, en tokens, las unidades que utilizan los modelos para procesar lo que reciben y generar sus respuestas.
Podemos pensarlos como pequeñas piezas de información. Una conversación utiliza tokens; un documento utiliza tokens; una respuesta utiliza tokens. Cuanto más compleja y extensa es la tarea, más tokens puede consumir. Y cada uno tiene un costo.
Ahí comienza la historia interesante de GPT-5.6.
OpenAI presentó tres modelos: Sol, Terra y Luna. Sol ocupa la parte más alta de la familia y está pensado para las tareas que requieren mayor capacidad de razonamiento. Terra busca un equilibrio entre rendimiento y precio. Luna, en cambio, está diseñada para ofrecer respuestas rápidas con un costo considerablemente menor.
Si se observa solamente cuál de los tres obtiene mejores resultados en las pruebas, la conclusión es sencilla: Sol gana. Pero esa no necesariamente es la pregunta que importa para la siguiente etapa de la inteligencia artificial.
La pregunta importante puede ser otra: ¿qué modelo tiene la mejor combinación entre capacidad, velocidad y costo para utilizarse millones de veces?
Un Ferrari es para salir a carretera, no para ir a la tienda.
Imaginemos que tenemos tres automóviles: Uno es un Ferrari. Corre muchísimo y tiene un motor impresionante. Otro es un sedán que puede hacer prácticamente todo lo que necesita una persona todos los días. Y el tercero es un auto utilitario, mucho más económico, que quizá no gane una carrera, pero puede llevar a millones de personas de un lugar a otro.
Ahora imaginemos que queremos construir una empresa de transporte. ¿Compraríamos exclusivamente Ferraris?
Probablemente no.
Porque una cosa es tener el automóvil más poderoso y otra muy distinta es tener un automóvil que podamos utilizar millones de veces sin quebrar el negocio.
Con los modelos de inteligencia artificial ocurre algo parecido.
Imaginemos una empresa que quiere construir un asistente para atender a sus clientes. El sistema tendrá que contestar preguntas sobre horarios, pedidos, facturas, productos, devoluciones y cientos de asuntos cotidianos.
Para algunas de esas tareas sería innecesario utilizar el modelo más poderoso disponible. Sería como contratar a un arquitecto para cada trabajo de albañilería. Funcionaría, pero difícilmente sería una decisión razonable si tenemos que hacerlo miles o millones de veces.
Sol puede ser la mejor opción cuando una tarea necesita razonamiento profundo, contexto complejo o una cadena larga de decisiones. Pero si lo que queremos es responder millones de preguntas relativamente sencillas, el costo de cada interacción empieza a importar tanto como la calidad de la respuesta.
Y ahí Luna se vuelve interesante.
Cuando se lanzó GPT-5.6, Luna tenía un precio de US$1 por millón de tokens de entrada y US$6 por millón de tokens de salida. El 30 de julio, OpenAI redujo esos precios 80%, hasta US$0.20 por millón de tokens de entrada y US$1.20 por millón de tokens de salida.
Dicho de manera sencilla: actualmente, utilizar Luna cuesta 25 veces menos que utilizar Sol por los tokens de entrada y de salida. Eso le da un superpoder que su hermano mayor no tiene: escala.
¿Qué es realmente un token?
El concepto puede sonar técnico, pero la idea es bastante sencilla.
Un token es un fragmento de la información que procesa una IA, algunas empresas fijan el token como una palabra, para otras es una sílaba, algunas otras lo asignan como una letra. Cada petición que escribimos a un modelo de IA se compondrá de cierto número de tokens de acuerdo a ese criterio.
Para una empresa la palabra «hola» será un token, para otra dos, para otra serán cuatro tokens.
La respuesta que nos arroja el modelo, también consume tokens bajo el mismo criterio, aunque su costo es más alto que el de los que utilizamos para hacer peticiones. Este es el modelo de negocio actual, preguntar es accesible, la respuesta es lo caro.
Si por ejemplo la petición es generar una imagen, cada token se compone de porciones de la imagen de 10×10 pixeles o 16×16 pixeles de la imagen completa a generar.
Todos, los tokens de entrada y de salida tienen un costo, es por eso que los modelos gratuitos agotan las sesiones muy pronto. En el caso de las suscripciones pagadas, es donde la eficiencia cuenta.
Supongamos que una empresa tiene un millón de conversaciones con sus clientes. Cada conversación implica que el sistema lea información y genere una respuesta. Esa actividad representa una cantidad enorme de tokens.
Si cada millón de tokens cuesta poco, la empresa puede permitirse utilizar IA en más lugares. Si cuesta mucho, tendrá que decidir dónde vale la pena utilizarla.
Por eso el precio de los tokens es mucho más importante de lo que parece. No estamos hablando únicamente del costo de mantener un chatbot. Estamos hablando del precio de introducir inteligencia artificial en cualquier proceso que pueda beneficiarse de ella.
Y cuando ese precio cae, aparecen posibilidades que antes no tenían sentido económico.
Es la misma razón por la que una tecnología puede permanecer durante años como una herramienta especializada y, de repente, convertirse en algo cotidiano cuando su costo disminuye lo suficiente.
Luna no necesita ser mejor que Sol
Aquí aparece uno de los puntos que más fácilmente pueden perderse entre tantas pruebas de referencia.
Luna no necesita superar a Sol en todas las pruebas para ser un modelo extraordinariamente importante.
De hecho, OpenAI reconoce diferencias importantes entre ambos. En pruebas que requieren manejar cantidades enormes de contexto, por ejemplo, Sol tiene una ventaja considerable. En MRCR v2, una prueba que mide qué tan bien una inteligencia artificial puede recordar y entender información importante dentro de textos sumamente largos., con contextos de entre 256 mil y 512 mil tokens, Sol obtiene 91.5%, mientras Luna alcanza 41.3%.
Pero hay tareas en las que la diferencia se reduce considerablemente. En GPQA Diamond, una prueba que evalúa preguntas científicas de alta dificultad, Sol obtiene 94.6%, Terra 92.9% y Luna 92.3%.
La conclusión no es que Luna y Sol sean iguales. No lo son.
La conclusión es que una parte importante de las tareas que queremos hacer con inteligencia artificial no requiere utilizar el modelo más potente disponible. Y eso puede ser suficiente para cambiar el mercado.
La palabra clave es “suficientemente”
La tecnología no suele convertirse en masiva cuando alcanza la perfección. Lo hace cuando llega a un punto en el que funciona suficientemente bien y cuesta lo suficientemente poco.
El GPS de un teléfono no necesita tener una precisión perfecta para resultar útil. Un traductor automático no necesita producir literatura para permitirnos entender un correo. Un buscador no necesita conocer todo lo que existe para ayudarnos a encontrar lo que necesitamos.
Con la inteligencia artificial puede suceder algo parecido.
Si Luna puede resolver bien una tarea que antes requería un modelo mucho más caro, las empresas pueden empezar a incorporarla a productos y procesos en los que antes no tenía sentido económico hacerlo.
La escala cambia entonces la conversación.
Una empresa puede utilizar IA para atender a mil clientes y considerarlo una herramienta interesante. Si puede utilizarla para atender a diez millones de clientes sin que el costo se dispare, estamos hablando de otra cosa, aquí ya estamos hablando de infraestructura.
La masificación: de chatbot a capa de inteligencia
Hasta ahora hemos pensado en la IA generativa principalmente como un producto al que acudimos. Abrimos ChatGPT, hacemos una pregunta y recibimos una respuesta.
Pero la siguiente etapa puede ser menos visible. Bajo la premisa de un modelo que cuesta menos y hace más suficientemente bien, la inteligencia artificial puede integrarse directamente en el software que ya utilizamos: bancos, plataformas de comercio electrónico, sistemas empresariales, aplicaciones de productividad, servicios de atención al cliente, herramientas de programación y dispositivos.
En ese escenario, el usuario quizá ni siquiera sepa qué modelo está detrás de una función y eso es precisamente lo que ocurre con muchas tecnologías maduras. Dejamos de pensar en ellas como productos independientes y empezamos a encontrarlas incorporadas en otros productos.
La electricidad es un buen ejemplo. No abrimos una aplicación para utilizar electricidad. La damos por sentada. La IA podría avanzar hacia algo parecido, pero para que eso suceda, las empresas necesitan que utilizar inteligencia artificial sea económicamente viable y no basta con que el modelo sea bueno, tiene que ser posible utilizarlo a gran escala.
Aquí es donde Luna podría eclipsar a Sol
OpenAI asegura que GPT-5.6 incorpora mejoras destinadas a obtener más trabajo útil por cada token y también optimizaciones de infraestructura para reducir el costo de servir los modelos. La compañía señala, entre otras mejoras, una reducción de 20% en el costo de servicio y un incremento de más de 15% en la eficiencia de generación de tokens.
Para decirlo sin lenguaje técnico: la máquina está haciendo más trabajo por el mismo dinero. Eso puede tener un efecto mucho mayor que mejorar algunos puntos porcentuales en un benchmark.
Porque una mejora pequeña en capacidad beneficia a quien necesita resolver una tarea difícil. Una reducción importante en el costo puede permitir que una empresa incorpore IA en cien tareas donde antes solo podía utilizarla en cinco y esa diferencia puede acelerar la adopción y causar una explosión en la masificación.
Otra manera de entender esta familia de modelos es pensar que no todos tienen que hacer el mismo trabajo.
Luna puede encargarse de las tareas de gran volumen: responder preguntas, resumir información, clasificar documentos, asistir a usuarios o ejecutar procesos relativamente sencillos. Terra puede entrar cuando la tarea requiere un nivel mayor de razonamiento. Sol queda reservado para los problemas en los que realmente vale la pena pagar por la máxima capacidad disponible.
Recordando nuestro ejemplo: No necesitas usar el Ferrari cada vez que vas a la tienda.
Hay un dato que merece atención: OpenAI redujo el precio de Luna 80% pocas semanas después de presentar GPT-5.6.
La reducción se produjo en un momento en que las empresas están prestando cada vez más atención al costo de desarrollar y operar sistemas de inteligencia artificial. Reuters señaló precisamente que las compañías están examinando con mayor cuidado cuánto gastan en IA mientras los proveedores compiten por reducir los costos.
Esto nos dice algo sobre hacia dónde puede dirigirse la competencia.
Durante los primeros años de la IA generativa, la carrera consistía principalmente en construir modelos cada vez más capaces. Ahora empieza a aparecer otra carrera: conseguir más inteligencia por cada dólar invertido. Y esa competencia puede ser determinante para la masificación.
El futuro parece necesitar más Lunas que Soles
La primera etapa de la inteligencia artificial generativa consistió en enseñarnos que una máquina podía conversar, escribir, programar, analizar información y resolver problemas que hasta hace poco parecían exclusivos de las personas.
La siguiente etapa puede ser mucho menos espectacular a primera vista, pero mucho más profunda: convertir esas capacidades en una infraestructura que funcione detrás de los servicios que utilizamos todos los días.
Para eso no necesitamos que cada interacción sea extraordinaria.
Necesitamos que millones de interacciones sean suficientemente buenas, suficientemente rápidas y suficientemente baratas.
Sol demuestra hasta dónde puede llegar GPT-5.6. Terra encuentra un punto medio entre capacidad y costo. Luna plantea una posibilidad diferente: que la inteligencia artificial pueda dejar de ser una herramienta que utilizamos de vez en cuando para convertirse en una capacidad incorporada en casi cualquier producto digital.
Por eso quizá la pregunta más interesante sobre Luna es si puede hacer que tener inteligencia artificial deje de ser un lujo tecnológico y se convierta en una característica más de la tecnología que usamos todos los días.
Si eso ocurre, Sol habrá demostrado lo inteligente que puede llegar a ser una máquina, pero Luna habrá demostrado algo posiblemente más importante: qué tan barata puede llegar a ser la inteligencia.
