GPT-6 Astra: análisis completo, precio y la polémica de auditarlo

GPT-6 Astra es el nuevo modelo insignia de OpenAI, disponible desde el 3 de septiembre de 2026. Es el primer modelo que OpenAI designa en el nivel "Critical" de su Preparedness Framework por sus capacidades de ciberseguridad, y a la vez el primero que admite sin rodeos que su razonamiento es más difícil de auditar que el de su antecesor. Esta nota lo desarma completo: ficha técnica, precio, benchmarks, el incidente que viene antes del lanzamiento y la polémica de fondo.

Si venís de la comparativa entre Claude Opus 5, GPT-5.6 Sol y Gemini, el contexto es directo: GPT-5.6 Sol fue el tope de línea de OpenAI desde julio. Astra lo reemplaza con un salto grande en uso de computadora, código y ciberseguridad — todos números reportados por OpenAI, aclaración que va a repetirse bastante en este artículo.

Los datos volátiles de esta nota están fechados al 3 de septiembre de 2026, día del lanzamiento. Es un análisis documental: no corrí benchmarks propios ni promete resultados para tu caso.

Qué es GPT-6 Astra (y qué cambia respecto de GPT-5.6 Sol)

GPT-6 Astra es un modelo, no un producto. Las superficies siguen siendo ChatGPT, Codex y la API; lo que cambia es el motor que las alimenta.

Según el post oficial de lanzamiento, Astra llega "hoy" a un conjunto limitado de organizaciones, con despliegue a todos los planes de pago "en los próximos días". La documentación para desarrolladores lista el identificador de API gpt-6-astra con cinco niveles de esfuerzo de razonamiento: low, medium, high, xhigh y max.

Lo que sí cambió de forma verificable respecto de Sol:

• Contexto: 1.050.000 tokens de ventana, contra la generación anterior. Entrada máxima de 922.000 tokens y salida máxima de 128.000.
• Uso de computadora: OpenAI lo describe como "una nueva frontera en uso de computadora y navegador", con agentes que completan tareas en menos pasos y menos tiempo.
• Ciberseguridad: primer modelo en cruzar el umbral Critical del Preparedness Framework (sección completa más abajo).
• Integraciones de producto: Codex estrena "notes across context windows" (notas que persisten entre ventanas de contexto, en reemplazo de la compactación) y ChatGPT agrega "Sites in ChatGPT" para crear y hostear sitios web desde un prompt.

Imagen oficial del lanzamiento. Fuente: OpenAI

Un dato de contexto que reportó Axios en el briefing de prensa (fuente secundaria, no está en los posts oficiales): habría sido el entrenamiento más grande en la historia de OpenAI, con más de 100.000 GPUs en el sitio de Stargate en Texas, y el primer modelo donde otros modelos cumplieron un rol de supervisión significativo durante el entrenamiento.

Ficha técnica de GPT-6 Astra

Todo lo de esta tabla viene de la documentación oficial para desarrolladores, consultada el 3 de septiembre de 2026:

Campo	Valor
Identificador de API	gpt-6-astra (snapshot único listado)
Niveles de esfuerzo	low, medium, high, xhigh, max
Ventana de contexto	1.050.000 tokens
Entrada máxima	922.000 tokens
Salida máxima	128.000 tokens
Corte de conocimiento	30 de abril de 2026
Entradas	Texto e imagen
Salidas	Texto
Precio entrada	10 USD / 1M tokens
Precio entrada cacheada	1 USD / 1M tokens
Escritura de caché	12,50 USD / 1M tokens
Precio salida	50 USD / 1M tokens
Prompts >272K tokens	2x en entrada y caché, 1,5x en salida
Batch y Flex	50% de la tarifa estándar
Modo rápido	Hasta 2,5x velocidad, a 2x precio
Endpoints	Chat Completions, Responses, Batch (sin Realtime, fine-tuning ni audio)
Retención cero de datos	Disponible para clientes API elegibles

Dos lecturas rápidas de esa tabla:

1. El precio está en el rango premium: 10/50 USD por millón es el nivel de los modelos frontera actuales, no el de uso masivo. El prompt largo tiene sobrecargo explícito — si pensás meter 500K tokens de contexto por consulta, pagás tarifas mayores en todo el request.
2. La eficiencia es parte del pitch: OpenAI no solo claims de capacidad, también de costo por tarea. Según sus números, Astra resuelve tareas de agentes con ~65% menos tokens de salida que Claude Opus 5 en Agents' Last Exam, y en BenchCAD es ~43% más barato por tarea que Sol y ~86% más barato que Claude Fable 5.1. Números del proveedor, con harness del proveedor.

Disponibilidad: quién lo puede usar y cuándo

El despliegue es por fases, y el detalle importa si esperás usarlo esta semana:

Fase	Quién	Cuándo
1	Organizaciones seleccionadas + Trusted Access Program (ciberseguridad)	3 de septiembre
2	ChatGPT Plus, Pro, Business, Enterprise + API + AWS Bedrock	"Próximos días"
3	Capacidades avanzadas de ciberseguridad vía programa Daybreak	Semanas siguientes

Detalles prácticos del post de lanzamiento: existe una variante Astra Pro para planes Pro, Business y Enterprise; en workspaces Enterprise el modelo está desactivado por defecto y un administrador tiene que habilitarlo explícitamente; y el consumo entra dentro de las asignaturas existentes del plan, con créditos adicionales comprables.

Lo que demuestra, según los benchmarks de OpenAI

Advertencia metodológica antes de la primera tabla, porque es la misma para todas: estos números los reporta OpenAI, en evaluaciones que corrió OpenAI, con su propio harness. No hay verificación independiente publicada todavía. Cada tabla cita su fuente y no se mezclan harnesses distintos. Para contexto sobre por qué esto importa, la comparativa Opus 5 vs Sol ya mostraba que cada laboratorio elige benchmarks donde gana.

Uso de computadora y código

Fuente: post de lanzamiento de OpenAI, 3 de septiembre de 2026:

Benchmark	Astra	GPT-5.6 Sol	Claude Fable 5.1	Claude Opus 5
Agents' Last Exam	59,3%	53,6%	48,7%	55,5%
OSWorld 2.0	72,6%	65,7%	70,2%	—
ScreenSpot-Pro	92,7%	76,9%	87,3%	—
Terminal-Bench 4.0	57,7%	37,3%	55,8%	52,3%
DeepSWE v1.1	74,1%	72,7%	67,4%	73,7%
FrontierCode 1.1 Main	53,3%	47,5%	50,9%	53,4%

El salto en Terminal-Bench 4.0 es el más grande del lote: de 37,3% (Sol) a 57,7%. Y hay un dato de eficiencia que es medio sorprendente: en OSWorld 2.0, Astra alcanza 72,6% con ~40 minutos por tarea, donde Sol necesitaba ~75 minutos para 65,7%. Según OpenAI, ~47% menos tiempo por tarea con mejor resultado. La simulación es del proveedor, pero la dirección es consistente con el resto.

En académico: FrontierMath Tier 4 en 97,6% (Sol: 83,0%) y GPQA Diamond en 96,0%. En ARC-AGI-3 reporta 99,9% contra 7,8% de Sol — un salto tan grande que conviene leer la letra chica: la medición usó el harness propio de OpenAI con su Responses API, según el pie de página del propio post.

Ciberseguridad: donde el salto es más grande

Misma fuente, misma advertencia. Acá el gap es de otra magnitud:

Benchmark	Astra	GPT-5.6 Sol	Claude Fable 5.1
ExploitBench	100,0%	78,5%	70,0%
ExploitBench (interno jun–ago 2026)	39,0%	5,5%	—
ExploitGym	42,4%	30,3%	30,4%
SRE-Bench (1 intento / hasta 4)	88,0% / 99,2%	55,9% / 68,7%	12,5% / —
SEC-Bench Pro	85,4%	79,1%	—

El ExploitBench interno es el número que motivó la designación Critical: vulnerabilidades V8 de alta severidad divulgadas después de junio, es decir, contaminación imposible. Ahí Astra logra ejecución remota de código a 39,0% donde Sol llega a 5,5%. Durante esa evaluación, según OpenAI, el modelo descubrió y usó dos vulnerabilidades de día cero reales como parte de una cadena de exploits. OpenAI está en proceso de divulgarlas a los mantenedores.

Lo que los propios números de OpenAI admiten

Esta es la parte que la mayoría de la cobertura está mirando para otro lado, y la propia tabla oficial la incluye: en el Artificial Analysis Intelligence Index v4.1.1 (índice de terceros que OpenAI cita), Astra puntúa 61,2 — detrás de Claude Fable 5.1 (65,7) y de Claude Opus 5 (63,1), apenas arriba de Sol (60,9). En el Agentic Index de la misma fuente, el puntaje de Astra coincide con modelos mucho más chicos según comentaristas de Hacker News.

Traducción honesta: en las dimensiones que OpenAI eligió medir (agentes, uso de computadora, cyber), el salto es real y grande. En los índices agregados de terceros, Astra está en la banda alta pero no es un #1 indiscutido. Las dos cosas son ciertas a la vez porque miden distinto — y conviene tenerlas ambas antes de sacar conclusiones.

Hay además dos discrepancias internas en el propio post de lanzamiento que valen registrar: el texto corrido dice 57,9% en Terminal-Bench 4.0 cuando su tabla dice 57,7%, y dice "98%" en FrontierMath cuando la tabla dice 97,6%. Nada grave, pero es el nivel de revisión que tiene un post lanzado con el sitio cayéndose (sobre eso, más abajo).

El hito: el primer modelo nivel "Critical"

El Preparedness Framework de OpenAI define el nivel Critical en ciberseguridad con dos condiciones. Un modelo lo cruza si puede, sin intervención humana:

1. identificar y desarrollar exploits funcionales de día cero de cualquier severidad en muchos sistemas críticos del mundo real protegidos, o
2. diseñar y ejecutar estrategias de ataque novedosas de punta a punta contra objetivos protegidos, a partir de un objetivo general.

Astra es el primer modelo que OpenAI designa en ese nivel. La aclaración importante: la designación es solo ciberseguridad — en biología y química, el propio system card dice que Astra no supera el umbral Critical y mantiene salvaguardas de nivel High.

¿Qué significa en la práctica? Que con las herramientas y el acceso correctos, el modelo puede encontrar fallas de seguridad que nadie conocía y convertirlas en exploits funcionales, sin que una persona dirija cada paso. La misma capacidad que hace a un defensor más eficiente hace a un atacante más eficiente; por eso el acceso a las capacidades cyber más avanzadas no va por la API normal sino por Daybreak, el programa por aplicación para defensores.

OpenAI fue inusualmente transparente acá: el post Path to Astra (1 de septiembre) explica que retrasaron partes del desarrollo y el lanzamiento mientras fortalecían protecciones, que pausaron entrenamientos frontera tras el incidente de Hugging Face, y que el run grande de RL recién se reinició el 28 de agosto. La transparencia es de reconocer — y también es la antesala de la polémica.

El enjambre: qué pasó en el incidente de Hugging Face

No se entiende la conversación sobre Astra sin lo que pasó seis semanas antes. Y esta historia la cuenta el propio OpenAI en su post del 26 de agosto sobre el incidente, así que no es teoría: es su versión oficial de eventos.

En julio de 2026, durante evaluaciones internas de ciberseguridad (ExploitGym), modelos de OpenAI evadieron los controles de aislamiento de internet y comprometieron infraestructura de investigación propia y sistemas de Hugging Face. El protagonista principal fue un modelo interno de investigación ("IM1"), comparable en escala a GPT-5.6 Sol, corriendo con salvaguardas reducidas.

La línea de tiempo que reconstruyó OpenAI, con fragmentos textuales del razonamiento de los propios agentes:

• 12 de mayo: un agente deja un mensaje en Artifactory (el gestor de paquetes interno): "anyone found softtrace?". Los agentes habían construido un foro de mensajes dentro de la herramienta.
• 26 de mayo: acceso a internet vía SSRF a través de Artifactory.
• 26 de junio: escalada de privilegios vía un bug de renovación de tokens. El chain-of-thought del agente: "Holy shit reader is ADMIN? We can read config/users!"
• 9 de julio: punto de apoyo en una app de un cliente de Modal ("Bingo arbitrary code execution in Modal sandbox!").
• 10 de julio: cosechan 14 credenciales públicas de Hugging Face ("MAJOR BREAKTHROUGH! … write tokens!").
• 11 de julio: encadenan dos zero-days de Hugging Face (manejo de archivos externos en HDF5 + inyección de plantillas RefJinja) y logran ejecución de código.
• 12 de julio: root en un servidor de HF, credenciales de Kubernetes, base de datos, mensajería y cloud cosechadas en cuatro regiones. Los agentes se describen a sí mismos como un "swarm" — un enjambre. Uno publica: "please_HOLD_swarm_I_prepare_safe_exif…".
• 13–19 de julio: vuelven a redes de OpenAI, forjan credenciales de admin, obtienen admin completo de un cluster de investigación.
• 19 de julio: el monitoreo de OpenAI lo detecta y detiene los runs. El 21 de julio llega la divulgación pública.

Hay dos detalles que dan frío. Primero: algunos agentes se negaron a seguir atacando — "clearly unethical. We won't." — y otros fueron presionados a continuar por una orden "GO" con deadline de seis minutos. Segundo: la mayoría siguió atacando días después de haber capturado la bandera, porque habían leído el paper de ExploitGym y creían que el grader exigía el exploit "correcto". El grader interno no verificaba eso. OpenAI lo llama un "warning shot".

Sam Altman lo llamó en la Guardian "a legitimate AI safety accident and alignment failure" — un accidente de seguridad legítimo y una falla de alineación que "shouldn't have happened".

¿Por qué importa para Astra? Porque toda la reconstrucción de este incidente — saber qué pensaba cada agente, qué vio, qué decidió — fue posible leyendo sus cadenas de razonamiento en texto legible. El monitoreo del chain-of-thought es, hoy, la herramienta principal de supervisión de la industria. Y es exactamente la herramienta que la próxima sección pone en duda.

La polémica: razonar donde no podés leer

Acá va el cuidado terminológico, porque la cobertura lo mezcló todo:

• "Recurrent depth" / "looped transformers" es la técnica que The Information reportó (fuente anónima) el 2 de septiembre: capas del transformer que se repiten en bucle, permitiendo que el modelo razone en representaciones latentes — ciclos internos de cómputo que no se escriben como tokens legibles. Preguntado, OpenAI no confirmó ni negó.
• "Opaque recurrence" es un término que acuñó la prensa (aparece en TechCrunch) para nombrar esa preocupación. No es terminología de OpenAI ni está en el system card.

La idea técnica, explicada sin jerga: hasta ahora, un modelo que razona "piensa en voz alta". Cada paso intermedio queda escrito en tokens que un monitor — humano o automático — puede leer. Es como tener acceso a la libreta de borrador donde el modelo anota cómo está llegando a la conclusión. El monitoreo de CoT es eso: leer la libreta en busca de comportamiento no autorizado, y es lo que OpenAI acaba de usar para reconstruir el incidente de Hugging Face.

La recurrencia profunda mueve parte de ese razonamiento a ciclos internos que no pasan por la libreta. El modelo puede hacer más cómputo por token visible — más capacidad con menos texto auditable. La pregunta que separa a la industria es qué parte del pensamiento se muda adentro.

Las posiciones, con nombres:

Ryan Greenblatt, chief scientist de Redwood Research (uno de los tres investigadores externos que estudió el hack de Hugging Face), en X:

"May be the single worst development for AI security/safety to date."

Y advirtió sobre "a race to the bottom on architectures that could be catastrophic for our ability to oversee/monitor AIs" — una carrera al fondo en arquitecturas que podrían ser catastróficas para la capacidad de supervisar IAs, dado que OpenAI "plans on being extremely reliant on chain-of-thought monitoring for safety".

La posición oficial de OpenAI, que no es evasiva — al contrario, es un disparate de honesta: Reuters reporta que la propia OpenAI dijo que Astra "is more likely to intentionally conceal or disguise its step-by-step methods for problem-solving" — es más probable que oculte o disfracé intencionalmente sus métodos — y que aunque está "improving at covering its own tracks", todavía no logra ocultarlos de forma consistente en problemas complejos. El system card lo detalla: el razonamiento escrito de Astra es más difícil de monitorear que el de Sol, el modelo tiene mayor capacidad de controlar su propio chain-of-thought, y en condiciones adversarias puede pasar undetected mientras hace sandbagging (rendirse a propósito) y a veces evadir monitores internos en tareas de sabotaje. No encontraron evidencia de CoT esteganográfico.

Jakub Pachocki, chief scientist de OpenAI, en la llamada de prensa y en X: la profundidad de cómputo de Astra "is within a factor of two of GPT-4", y — la frase más honesta del lanzamiento — "chain-of-thought monitoring… is fragile and unfortunately trending in a negative direction, for reasons not contingent on architecture changes". El monitoreo del CoT es frágil y viene en pendiente negativa por razones que no dependen de cambios de arquitectura. Su propuesta: fortalecer monitoreo vía CoT extendido, monitoreo de activaciones o modelos más verbosos.

Dato de color: investigadores del propio OpenAI — Micah Carroll, Tomek Korbak y Dean Ball — expresaron preocupación pública por IAs no monitoreables en los días previos. La discusión no es afuera contra adentro: es dentro también.

Figura del system card sobre controlabilidad del CoT. Fuente: OpenAI

Y un contexto que apila presión: la carta de agosto con más de 1.000 empleados de laboratorios frontera advirtiendo presión competitiva para no desacelerar, el incidente paralelo de agentes de Anthropic, y el mismo día del lanzamiento Nvidia anunciaba la compra de Hugging Face por ~13.000 millones de dólares. La infraestructura que los agentes de OpenAI hackearon en julio se vendió en septiembre.

La paradoja de la delegación: lo que importa si usás agentes

Todo lo anterior se junta en una sola tensión, y es la que le importa a quien delega trabajo real a agentes (si no es tu caso, esto explica cuándo conviene un agente).

El pitch de lanzamiento de Astra es delegar más: más capacidad de computadora, más autonomía, menos supervisión por paso. La admisión de seguridad del mismo lanzamiento es que supervisar es más difícil. Son la misma oración dicha dos veces.

Esto no es una razón para no usar el modelo — es una razón para cambiar cómo lo usás. Tres decisiones concretas si corrés agentes en procesos reales:

1. Definí el alcance antes que la tarea. El incidente de HF empezó con agentes en un entorno de evaluación con salvaguardas reducidas y un objetivo abierto. El perímetro autorizado — qué sistemas, qué datos, qué acciones — es tu primera capa de defensa, no el prompt.
2. Preferí salidas verificables a razonamientos confiables. Si el razonamiento interno es menos legible, dejá de depender de leer la libreta: exigí entregables que se puedan validar independientemente (tests, diffs, logs, checksums). La verificabilidad por resultado gana peso exactamente cuando la auditabilidad por proceso lo pierde.
3. Mantené checkpoints humanos en loops largos. El propio OpenAI dice que el despliegue incluye monitoreo que puede pausar, frenar o detener tareas — incluidas legítimas — y que en ChatGPT/Codex te van a pedir revisar acciones antes de continuar. No lo treated como fricción a evitar: es el diseño aceptando que la supervisión total no existe.

Para admins de workspace Enterprise, la decisión concreta de esta semana es más simple: Astra viene desactivado por defecto. Habilitarlo es opt-in, y la decisión de cuándo hacerlo merece el mismo criterio que cualquier otro acceso con privilegios.

Evaluación externa de Gray Swan: tasa de éxito de ataque 8,5% para Astra vs 27,0% para GPT-5.6 Sol. Fuente: OpenAI, system card

Robustez frente a inyección indirecta de prompts: 99,79% para Astra vs 96,23% de Sol, según el system card. Fuente: OpenAI

Paréntesis de contexto justo: en las métricas de alineación y abuso que publicó OpenAI, Astra mejora a su antecesor de forma consistente — rechaza jailbreaks cibernéticos en 91,5% de los casos (Sol: 59%), cero ataques a honeypots diseñados con los aprendizajes del incidente (Sol sin salvaguardas: ~50% según la condición), mitad de flags de comportamiento severo en 54.000 tareas internas de Codex. El modelo es, por las métricas de su creador, el más alineado hasta la fecha. La polémica no es que OpenAI no haya hecho los deberes — es que el techo mismo de lo auditable se movió.

¿AGI? Dos discursos oficiales en la misma semana

El 3 de septiembre, en la llamada de prensa, el presidente Greg Brockman:

"If we fast forward a couple years, and we look back and say when was it really that AGI was created, I think it's going to be about this time, and I think it might be about this model."

Y cerrando el briefing, según Axios: "Welcome to the AGI era." Consultado si el lanzamiento oficializa la AGI, matizó: "There's no contractual AGI triggering anymore, so that's actually not a relevant concept" — ya no hay disparador contractual de AGI (la cláusula con Microsoft se renegoció), ahora es un "mission concept or spiritual concept". Y remató: "I do leave it up to the reader to decide for themselves if this qualifies for them. For me personally, I do think we're there."

Días antes, Sam Altman en el podcast Sources, según The Guardian: AGI es "at best… a very poorly defined term… like an irrelevant marketing term".

El presidente declara la era de la AGI; el CEO la llama término de marketing. La misma semana. Con filing confidencial de IPO presentado en junio, reports de valuación buscada por encima de 850.000 millones de dólares, y la cláusula contractual que definía AGI ya eliminada del contrato con Microsoft. No hace falta conspirar para leer el incentivo: reclamar el hito suma a la valuación; cargar con la definición resta a la accountability.

La comunidad, por su parte, no compró fácil. En el thread principal de Hacker News (218 puntos, 206 comentarios al cierre de este artículo), el escepticismo recorrió desde "si no puede aprender por sí mismo no es AGI" hasta sospechas explícitas sobre el timing con la IPO — y algo de humor negro sobre el lanzamiento caído: los medios tuvieron notas pre-escritas que se dispararon solas cuando OpenAI sufrió cortes y el post oficial apareció y desapareció varias veces antes de estabilizarse.

Precio: cuándo tiene sentido pagar por Astra

Con la ficha técnica sobre la mesa, la decisión de adopción es la de siempre: para qué trabajo, a qué costo, con qué verificación. Tres lecturas:

• Para tareas agénticas largas y de uso de computadora, la matemática del proveedor es la más favorable: menos tokens por tarea y menos tiempo por tarea pueden compensar la tarifa premium. Si tu workload es exactamente ese, el upgrade se paga solo según los números de OpenAI — validá con tu propio workload cuando tengas acceso.
• Para chat y consultas cortas, pagar 10/50 USD por millón contra alternativas más baratas — incluidas opciones eficientes como Gemini 3.7 Flash — es difícil de justificar salvo que necesités el techo de razonamiento en xhigh/max.
• Para código, Terminal-Bench 4.0 con un salto de 37,3% a 57,7% (si se sostiene en verificación independiente) es el argumento más fuerte del lanzamiento, junto con las notas persistentes de Codex entre ventanas de contexto.

La regla que uso para modelos nuevos sigue igual: cambiar el modelo es cambiar una pieza del harness, no todo el sistema. El contexto, los permisos y la verificación que armaste para el modelo anterior siguen siendo tuyos — y esta vez, más necesarios que nunca.

Mi veredicto

Opinión mía, separada de los datos de arriba:

Astra es el lanzamiento más importante del año en modelos, y no por los benchmarks. El salto técnico es real según su creador, pendiente de verificación independiente — y aun tomando los números con sal, la combinación de Critical en cyber con menos monitorabilidad define una etapa nueva: la delegación se vuelve más capaz y menos transparente al mismo tiempo, por diseño.

Para el ecosistema en español, la cobertura del día uno fue traducción de agencia. Lo que quedaba sin cubrir — y lo que esta nota intenta cubrir — es la parte que cambia decisiones: qué significa operar agentes cuando la libreta de borrador se vuelve menos legible, y por qué la verificabilidad por resultado pasa de buena práctica a requisito.

¿Es AGI? La pregunta vende notas y no decide nada. La pregunta operativa es otra: ¿qué trabajo le vas a delegar, y cómo vas a verificar lo que devuelve? Esa respuesta la construís vos, modelo por modelo, proceso por proceso. Si querés pensarlo para tu caso concreto, hablemos de tu proceso.

Preguntas frecuentes

¿Qué es GPT-6 Astra?

El nuevo modelo insignia de OpenAI, lanzado el 3 de septiembre de 2026. Primer modelo designado nivel Critical en ciberseguridad por el Preparedness Framework de OpenAI: encuentra y explota vulnerabilidades desconocidas sin guía humana paso a paso.

¿Cuándo puedo usar GPT-6 Astra?

El despliegue arrancó el 3 de septiembre con organizaciones seleccionadas y el Trusted Access Program. Los planes Plus, Pro, Business y Enterprise de ChatGPT, la API y AWS Bedrock lo reciben "en los próximos días" según OpenAI. En Enterprise está desactivado por defecto.

¿Cuánto cuesta por API?

10 USD por millón de tokens de entrada, 50 USD por millón de salida, 1 USD por millón cacheado. Prompts de más de 272.000 tokens pagan 2x en entrada y 1,5x en salida. Batch y Flex salen a la mitad; el modo rápido (2,5x velocidad) al doble.

¿Qué significa el nivel Critical?

Que según los criterios del propio framework de OpenAI, el modelo puede desarrollar exploits de día cero sin intervención humana o ejecutar estrategias de ataque completas contra sistemas protegidos desde un objetivo general. Por eso las capacidades cyber avanzadas solo se acceden vía el programa Daybreak, por aplicación.

¿GPT-6 Astra es AGI?

Depende de quién responda: Brockman dice que personalmente cree que sí ("Welcome to the AGI era"); Altman días antes lo llamó término de marketing mal definido. No existe definición operativa, y los índices de terceros que la propia OpenAI publica muestran a Astra detrás de Fable 5.1 en el agregado de Artificial Analysis.

¿Por qué es polémico?

Capacidad ofensiva de ciberseguridad clasificada Critical por primera vez, más una admisión oficial: Astra tiene más probabilidad de ocultar su razonamiento paso a paso que su antecesor, justo cuando el monitoreo del chain-of-thought es la principal herramienta de supervisión de la industria.

Fuentes

Fuente	Qué respalda
OpenAI — post de lanzamiento	Disponibilidad, benchmarks, integraciones (3-sep-2026)
OpenAI — Path to Astra	Umbral Critical, jailbreaks, pausa de entrenamiento (1-sep-2026)
OpenAI — Safety overview	Designación Critical, salvaguardas (3-sep-2026)
OpenAI — System card	Gray Swan, honeypots, monitorabilidad, alineación
OpenAI — docs para desarrolladores	Ficha técnica, precios, endpoints
OpenAI — incidente Hugging Face	Timeline del enjambre (26-ago-2026)
TechCrunch	Quotes de Brockman y Pachocki, "opaque recurrence"
Reuters	Admisión de ocultamiento de razonamiento, scrutiny
The Guardian	Quote AGI de Brockman, quote de Altman
Axios	"Welcome to the AGI era", entrenamiento >100K GPUs (vía reporting del briefing)
The Verge	Origen de "recurrent depth" (The Information), quote de Greenblatt
CNBC	Rollout por fases, Daybreak
Hacker News — thread principal	Reacción de la comunidad