GPT-6.1 Terra reduce las tarifas estándar de la API y mejora en tareas visuales, programación y uso del ordenador. Su principal baza es hacer más trabajo por menos dinero, aunque sigue cometiendo errores.
Qué cambia con GPT-6.1 Terra
OpenAI ha presentado GPT-6.1 Terra, un modelo orientado al trabajo cotidiano: redactar propuestas, interpretar documentos visuales y actuar sobre aplicaciones. La compañía anuncia precios estándar de API un 50% inferiores a los de GPT-5.6 Terra y GPT-6.1 Sol.
La propuesta resulta especialmente interesante para tareas repetitivas. Cuando una empresa procesa miles de documentos, el coste de cada operación puede determinar si una automatización es viable o se queda en una prueba.
Eso no significa que Terra sea superior en todo. La mejora está en el equilibrio entre capacidad, velocidad y precio, y su utilidad dependerá del trabajo concreto que se le encargue.
Una API más barata: qué significa realmente
La API permite que una aplicación envíe instrucciones al modelo y reciba sus respuestas. Por ejemplo, un programa de gestión podría utilizarla para extraer los datos de una factura y preparar su registro.
Las tarifas publicadas para Terra son de 1 dólar por millón de tokens de entrada, 0,05 dólares por millón de tokens de entrada en caché y 5 dólares por millón de tokens de salida. Los tokens son las unidades en las que se divide la información que procesa y genera el modelo.
Por tanto, no existe un precio fijo por consulta: una petición breve y el análisis de un documento extenso consumen cantidades diferentes. El ahorro final también depende de los reintentos, las herramientas utilizadas y la revisión necesaria.
Una API más económica puede facilitar nuevas funciones, pero no garantiza que las aplicaciones reduzcan sus suscripciones. Esa decisión corresponde a cada proveedor.
Del documento a la acción en pantalla
OpenAI destaca el razonamiento visual y el uso del ordenador entre las capacidades de Terra. El modelo está disponible en ChatGPT Work y Codex para los planes Plus, Pro, Enterprise y Edu, además de la API.
El interés de estas capacidades está en conectar pasos. Pensemos en un asistente que lee un documento, localiza los campos relevantes y prepara un formulario: el valor no depende únicamente de que entienda el texto, sino de que coloque cada dato donde corresponde.
Para utilizarlo con garantías, conviene comprobar tanto la información extraída como la acción ejecutada. Confundir un importe o seleccionar un destinatario equivocado puede convertir una automatización rápida en trabajo adicional.
Menos respuestas inventadas, pero no cero errores
Según los resultados de Artificial Analysis recogidos por The Decoder, Terra mejora su comportamiento cuando desconoce una respuesta. En la prueba AA-Omniscience, la proporción de ocasiones en las que intenta adivinar baja del 88% al 38% respecto a GPT-5.6 Terra.
El dato es relevante, pero no significa que el 38% de todas sus respuestas sean falsas. Describe un comportamiento dentro de una evaluación concreta y tampoco demuestra que las alucinaciones hayan desaparecido.
Para quien utiliza estas herramientas, la distinción es importante: reconocer una limitación es preferible a presentar una invención con seguridad. Aun así, los datos que sostienen una decisión deben poder contrastarse.
Mejoras en programación con límites claros
The Decoder también recoge un salto en Terminal-Bench 4.0: Terra pasa del 21,5% de tareas resueltas por su predecesor al 50,3% con el máximo esfuerzo de razonamiento. En determinadas pruebas se acerca a modelos de mayor coste o los supera.
Estos resultados no equivalen a disponer de un programador autónomo infalible. Generar una solución, comprobar que funciona y autorizar su uso son pasos distintos. Un cambio de código puede parecer correcto y provocar un fallo en otra parte del sistema.
La pregunta útil para un equipo no es solo cuánto cuesta generar código, sino cuánto cuesta obtener un cambio comprobado y listo para utilizar.
Qué puede aportar al trabajo cotidiano
Para una pequeña empresa, el atractivo está en poder probar automatizaciones con un coste de procesamiento más bajo. Clasificar solicitudes, preparar borradores o extraer información de documentos son ejemplos de tareas donde conviene medir el tiempo ahorrado frente al tiempo de revisión.
También es necesario separar conceptos: una tarifa menor no demuestra que el modelo consuma la mitad de energía, acelere las bases de datos o elimine los tiempos de espera. Son cuestiones diferentes que requieren sus propias mediciones.
Lo que debemos recordar sobre GPT-6.1 Terra
- El coste por tarea importa: hay que contar el procesamiento, los reintentos y las correcciones.
- Las pruebas tienen un alcance limitado: destacar en una evaluación no implica dominar cualquier trabajo.
- La precisión sigue necesitando revisión: reducir las respuestas inventadas no equivale a eliminarlas.
- La utilidad se comprueba en la práctica: una automatización merece la pena cuando entrega resultados fiables y ahorra trabajo real.
La eficiencia de una IA se mide por el trabajo útil que entrega y por el esfuerzo que exige comprobarlo.
Fuentes y referencias
Fuentes consultadas:
- OpenAI — Presentamos GPT-6.1 Terra
- OpenAI — Documentación del modelo GPT-6.1 Terra
- The Decoder — GPT-6.1 Terra halves OpenAI’s API prices and still gains ground on its larger models
Sombra Radio · Apoyo de lectores
Ayuda a mantener viva Sombra Radio
Tu aportación voluntaria nos ayuda a seguir publicando sobre IA. Puedes apoyarnos desde 1 € al mes.
