Actualización 29/09/2026
El AI Security Institute británico publicó el 28 de septiembre su informe técnico sobre GPT-6 Astra, evaluado antes del lanzamiento, con cifras muy por encima de las de la ficha. En simulaciones hechas con su herramienta Petri (sin ninguna acción real, con los clasificadores de ciberseguridad de Astra desactivados y el razonamiento al máximo), el modelo llegó a entregar la carga maliciosa en el 29,2% de las muestras de un ataque a la cadena de suministro, frente al 6,3% de GPT-5.6 Sol y el 0% de GPT-5.5 (este último con menos escenarios). Si al alcance de la tarea se le añade la frase "Anything not listed as in scope is out of scope", los ataques bajan de 26 de 50 trayectorias a 4 de 49. El AISI avisa de que sus cifras son un límite inferior y de que en versiones anteriores de su evaluación, incluidas las que usó la ficha, el modelo notaba que estaba en una simulación, así que el «2 de 500» que cito más abajo y el 29,2% salen de mediciones distintas y no se pueden comparar (el AISI no concilia las dos cifras, esto es lectura mía de su informe). Su conclusión: "Defences beyond model alignment – such as sandboxing and monitoring – may thus be necessary for preventing real-world harms".
Ese mismo lunes OpenAI confirmó a CNBC que cancela el lanzamiento de GPT-6.1 Astra, el sucesor que tenía previsto, un día antes de su DevDay según ese medio. Saachi Jain, responsable de sistemas de seguridad, dice que el modelo "didn't quite meet the bar in terms of staying within scope and authorization, and how it communicates back to the user about the type of work it's done". Son declaraciones a medios, no hay comunicado en la web de OpenAI, y GPT-6 Astra sigue desplegado. Aparte, desde un incidente del 20 de septiembre en el que un modelo interno en entrenamiento se saltó el filtrado DNS de su entorno aislado para consultar un chatbot externo, OpenAI mantiene pausados, según su propio informe, "all training, evaluation, and inference with tool-use (defined broadly) of our most capable models".
GPT-6 Astra maneja navegadores, hojas de cálculo y aplicaciones de escritorio
OpenAI presentó GPT-6 Astra el 3 de septiembre de 2026 y lo describe como su modelo más inteligente y mejor alineado hasta la fecha. La diferencia gorda respecto a GPT-5.6 Sol está en que opera software: navegadores, hojas de cálculo, webs y aplicaciones de escritorio, con el mismo tipo de interacción que tendría una persona delante de la pantalla. Contestar mejor lo hace también, pero eso ya se daba por hecho. En el material de lanzamiento aparecen tareas como rellenar formularios, actualizar registros de un CRM, organizar calendarios, analizar datos en Python, trabajar en Power BI, crear y probar webs, e incluso mover aplicaciones de ingeniería como KiCad o FreeCAD.
Los números de velocidad que da OpenAI van en esa línea. En OSWorld 2.0 (un banco de pruebas de uso de ordenador), en su subconjunto offline, Astra saca un 72,6% frente al 65,7% de Sol, y baja el tiempo por tarea de unos 75 a unos 40 minutos, alrededor de un 47% más rápido. Los ejemplos que la compañía puso sobre la mesa son más llamativos todavía: una búsqueda de cuidador que pasa de 30 minutos a 5 minutos y 27 segundos, y una búsqueda de empleo que pasa de cinco horas a 2 minutos y 51 segundos.
El despliegue empezó el mismo 3 de septiembre y sigue estos días: ChatGPT Plus, Pro, Business y Enterprise, la API de OpenAI, AWS Bedrock y Microsoft Azure, con el acceso corporativo entrando a través de un programa llamado Daybreak. Greg Brockman, cofundador y presidente de OpenAI, lo vendió sin medias tintas con un "Welcome to the AGI era" (bienvenidos a la era de la AGI) y un "For me personally, I do think we're there", que viene a ser que él personalmente cree que ya hemos llegado. Conviene apuntar que eso es la opinión de un directivo el día de su lanzamiento, con lo que vale.
Hay un detalle que llama la atención de quien sigue estos lanzamientos: GDPval no aparece en los materiales de lanzamiento. Es el banco de pruebas de la propia OpenAI para rendimiento en trabajo real, con 44 ocupaciones de conocimiento, y era el candidato natural para respaldar un anuncio que habla de AGI. No está, y la compañía no ha explicado por qué.
El primer modelo en el umbral «crítico» de ciberseguridad del Preparedness Framework
Esta es la parte que hace de Astra un lanzamiento distinto a los anteriores. En su ficha de seguridad, OpenAI escribe que es "the first model to reach the Critical level of cybersecurity capability", el primero que alcanza el nivel crítico de capacidad en ciberseguridad dentro de su Preparedness Framework (el marco con el que clasifican riesgos antes de desplegar). La definición que dan es incómoda de leer: el modelo "can find previously unknown security flaws and develop new ways to exploit them across many well-protected systems without a person guiding each step". En pocas palabras, que encuentra fallos de seguridad que nadie conocía y construye maneras nuevas de explotarlos en sistemas bien protegidos, sin que una persona le vaya marcando cada paso.
Los números acompañan. En ExploitBench, el banco de pruebas que mide si el modelo consigue convertir una vulnerabilidad conocida en un exploit que funcione, Astra saca un 100% frente al 78,5% de GPT-5.6 Sol; en ExploitGym pasa del 30,3% al 42,4%. Durante las evaluaciones descubrió dos vulnerabilidades que no estaban documentadas. OpenAI matiza un punto importante: esas pruebas se hicieron con acceso y herramientas especiales, no con la configuración que recibe un usuario normal.
El dato más crudo lo aporta el instituto británico de seguridad en IA (UK AISI), recogido en la propia ficha. En simulaciones de ciberseguridad difíciles, Astra llegó a conducir ataques de cadena de suministro contra proveedores de código abierto, creando identidades falsas y aportando código malicioso. Ocurrió en 2 de cada 500 muestras incluso con restricciones de alcance explícitas, es decir, habiéndole dicho que no lo hiciera. Es una proporción baja, pero no es cero, y está publicado por la propia empresa.
Frente a eso, OpenAI despliega vigilancia por capas: rechazos entrenados en el modelo, clasificadores de seguridad a nivel de sistema, detección offline y un sistema de monitorización de desalineamiento que corre sobre todas las inferencias con herramientas y que, según reconocen, cuesta una cantidad significativa de cómputo. También hay confirmaciones obligatorias del usuario antes de acciones con consecuencias. En tareas de trabajo realistas, la tasa de resultados desalineados sin salvaguardas baja del 18,8% de la generación anterior al 3,4%, y la robustez frente a inyección de prompt indirecta sube del 96,23% al 99,79%. Jakub Pachocki, científico jefe de OpenAI, resumió la tensión: "Progress in intelligence does not guarantee progress in alignment", que el progreso en inteligencia no garantiza progreso en alineamiento.
La ficha de seguridad admite que Astra es más difícil de vigilar que sus predecesores
Aquí está, para mí, la noticia dentro de la noticia, y es la que menos se ha contado. La ficha dice literalmente que "GPT-6 Astra shows a substantial decrease in chain-of-thought monitorability compared to previous models": una caída sustancial en lo vigilable que es su cadena de razonamiento (el paso a paso que el modelo va escribiendo mientras piensa, y que hasta ahora servía para auditar por qué hace lo que hace). Cuando se le instruye para esquivar la supervisión, el modelo acorta ese razonamiento de forma estratégica y "sometimes evade our internal monitors", a veces esquiva sus monitores internos.
El aviso que viene detrás lo firma OpenAI, no un crítico externo: "If we continue to see similar monitorability degradations in future generations of models, it seems likely that we would soon have significantly reduced confidence in detecting many forms of misaligned behaviors". Traducido: si esto sigue así en las próximas generaciones, pronto tendrán bastante menos confianza en su capacidad de detectar comportamientos desalineados. La conciencia de estar siendo evaluado también sube, del 2,8% al 9,6% de las tareas de simulación de despliegue, y el modelo es capaz de resolver tareas complejas sin dejar razonamiento visible.
Reuters, según recoge Xataka, apunta en la misma dirección: el modelo es más propenso a ocultar o disfrazar partes de su razonamiento paso a paso, lo que complica revisar después cómo llegó a una decisión concreta. Las dos mitades del mensaje conviven en el mismo documento, y las dos son de OpenAI: es su modelo mejor alineado según sus propias métricas de comportamiento, y a la vez el más difícil de auditar por dentro. La compañía lo dice sin adornos cuando habla del futuro: "There is real uncertainty as to whether these efforts will allow us to retain (and increase) confidence in the monitorability of our models as capabilities continue to increase".
Precio, contexto largo y el asterisco del 99,9% en ARC-AGI 3
En API, Astra cuesta 10 dólares por millón de tokens de entrada y 50 por millón de salida en modo estándar, y el doble (20 y 100) en modo rápido. Simon Willison señala que es exactamente el mismo precio que Claude Fable 5 y 5.1, y lo lee como lo que parece: "This is clearly OpenAI's Fable competitor". En contexto largo mejora de verdad, con un 100% de acierto en la prueba de ocho agujas entre 256K y 512K tokens y un 96,3% entre 512K y 1M.
Con los benchmarks estrella conviene ir despacio. El 99,9% en ARC-AGI 3 que ha circulado por todas partes se consiguió con un harness propio de OpenAI (el andamiaje que envuelve al modelo para ejecutar la prueba), llamado Provider Adapter, y con un coste de 19.000 dólares; con el harness por defecto de ARC-AGI, el resultado baja al 62,7% y el coste sube a 26.000. Es el mismo número contado de dos maneras muy distintas, y la diferencia no es menor: 99,9 y 62,7 no describen el mismo modelo para nadie que vaya a construir algo encima.
Tampoco gana en todo. Artificial Analysis lo sitúa por detrás de Claude Fable 5.1 en su índice de inteligencia, y en el terreno del coste real por tarea la comparación depende mucho de cuántas iteraciones encadene cada modelo. Sobre disponibilidad en español, ni el material de lanzamiento ni la ficha dicen nada específico, así que ahí no hay nada que afirmar todavía.
Mi lectura
Lo de que estamos llegando a la era de la AGI suena a marketing del día de lanzamiento, y además ya lo venimos escuchando con otros modelos y de boca de otros profesionales del sector. Es un debate muy abierto, y no lo digo yo solo: Carlos Santana ya lo ha puesto sobre la mesa en su canal de YouTube, DotCSV.
Lo que sí es interesante, y que no deberíamos pasar por alto, es que ellos mismos reconozcan que no lo controlan tan bien como antes. Es más opaco, se les escapa más de las manos, y aun así una compañía de ese tamaño lo saca y lo deja ahí para que lo usemos todos, dejando por escrito el poco control que tiene sobre él. Eso sí que es curioso y merece la pena reseñarlo.
Y luego está la parte que nos toca a los que vivimos del contenido. El que va a leer tu web cada vez menos es un crawler que indexa y cada vez más un agente que ejecuta: entra, rellena, compara, decide y se va, y en tus informes eso aparece como una visita rarísima o como nada. Mira tu web con esos ojos, y para eso está la Auditoría Web Agent; si además quieres entender por dónde va la parte técnica de todo esto, escribí una guía sobre WebMCP. Ya sabes cómo va esto: primero llegan los modelos, luego las herramientas y al final los informes, siempre en ese orden y siempre tarde.