Tengo la sensación de que con Astra, el próximo gran modelo de OpenAI al que mucha gente ya se refiere como GPT-6 Astra, estamos empezando a entrar en una etapa bastante diferente de la inteligencia artificial.
Y no precisamente porque vaya a responder mejor una pregunta, escribir textos más naturales o generar código más rápido.
Lo que me parece realmente interesante —y también bastante más difícil de valorar— es que empezamos a hablar de modelos capaces de trabajar sobre problemas que hasta hace relativamente poco considerábamos reservados a especialistas humanos.
Conviene aclarar algo desde el principio: OpenAI sí ha reconocido públicamente la existencia de Astra, pero no lo ha presentado oficialmente como GPT-6. En sus publicaciones lo describe como su “próximo gran modelo” o como uno de sus próximos modelos. La asociación entre Astra y GPT-6 está muy extendida en Internet, pero por ahora no conviene confundir un término de búsqueda popular con un nombre comercial confirmado.
Esta diferencia importa porque alrededor de Astra ya circula prácticamente de todo: estimaciones de parámetros, supuestas arquitecturas Mixture of Experts, nombres internos, detalles sobre sistemas multiagente e incluso ventanas concretas de lanzamiento. En Reddit, por ejemplo, una publicación que está ganando visibilidad mezcla datos reales sobre Astra con supuestas filtraciones sobre parámetros, expertos, multimodalidad, planificación de largo horizonte y una posible fecha de lanzamiento. Los propios comentarios cuestionan parte de esas afirmaciones.
Por eso, en este artículo voy a intentar separar tres cosas que a menudo aparecen mezcladas: lo confirmado, lo que todavía no sabemos y los rumores.
Porque lo curioso es que ni siquiera necesitamos recurrir a las filtraciones para que Astra resulte interesante.
Lo que OpenAI ya ha publicado sobre sus capacidades en investigación matemática, programación agentiva y ciberseguridad plantea preguntas bastante más importantes que saber si el modelo tendrá 1,8, 5 o 10 billones de parámetros.
Y para mí hay una por encima de todas: ¿estamos pasando de modelos que responden a sistemas capaces de ejecutar una parte cada vez mayor del trabajo por sí mismos?
Qué es GPT-6 Astra y qué ha confirmado realmente OpenAI
Astra existe, pero OpenAI todavía no ha confirmado que se llame GPT-6
Lo primero es limpiar un poco el terreno.
Astra no es simplemente un nombre inventado en Reddit. OpenAI utilizó públicamente ese nombre el 1 de agosto de 2026, cuando presentó diez resultados en matemáticas e informática teórica obtenidos con una versión interna del modelo. La compañía lo definió entonces como su “next major model”, es decir, su próximo gran modelo.
Seis días después volvió a mencionarlo en una publicación sobre ciberseguridad, esta vez definiéndolo como uno de sus próximos modelos y explicando que sus evaluaciones internas estaban mostrando avances significativos en programación agentiva y capacidades cibernéticas.
Lo que OpenAI no hizo en ninguna de esas publicaciones fue decir: “Astra es GPT-6”.
Esa distinción puede parecer semántica, pero no lo es.
OpenAI podría lanzar Astra bajo el nombre GPT-6, podría integrarlo dentro de otra nomenclatura o podría utilizar Astra únicamente como denominación interna durante su desarrollo. Hasta que exista un anuncio de producto, cualquiera de esas posibilidades sigue abierta.
De hecho, una de las páginas que actualmente compite por búsquedas relacionadas con GPT-6, EvoLink, hace exactamente esta distinción: Astra está confirmado como próximo gran modelo, pero no existe todavía un nombre de producto GPT-6 confirmado, ni un model ID público, ni precios ni una API documentada para Astra o GPT-6.
Por eso utilizo GPT-6 Astra en este artículo: porque es la forma en la que muchas personas están buscando información sobre el modelo, no porque OpenAI haya oficializado esa denominación.
Qué sabemos oficialmente del próximo modelo de OpenAI
A día de hoy, lo más relevante que sabemos de Astra no tiene que ver con su número de parámetros ni con su ventana de contexto.
Sabemos que una versión interna se utilizó para trabajar sobre problemas abiertos de investigación matemática e informática teórica. Sabemos también que OpenAI está evaluando capacidades avanzadas de programación agentiva y ciberseguridad, y que esos resultados han sido suficientemente importantes como para endurecer determinadas condiciones internas de desarrollo y evaluación.
Eso ya me parece mucho más interesante que cualquier supuesta ficha técnica filtrada.
En mi caso, cada vez me cuesta más valorar un modelo únicamente por el clásico conjunto de cifras: parámetros, tokens de contexto, puntuaciones en benchmarks y coste por millón de tokens. Son datos útiles cuando el producto existe y podemos probarlo, pero dicen poco sobre lo que realmente cambia entre una generación y otra.
La pregunta que me interesa es más sencilla:
¿qué puede conseguir el modelo con los recursos que tiene?
Y ahí Astra empieza a resultar mucho más llamativo.
Por qué conviene separar información confirmada, incógnitas y rumores
Con un modelo todavía no lanzado, esta separación es fundamental.
Podemos resumir el estado actual así:
| Afirmación | Estado |
|---|---|
| Astra es un próximo gran modelo de OpenAI | Confirmado |
| Una versión interna de Astra obtuvo resultados sobre diez problemas abiertos de matemáticas e informática teórica | Confirmado |
| Los argumentos fueron formalizados posteriormente mediante certificados Lean | Confirmado |
| OpenAI observa avances importantes en programación agentiva y ciberseguridad | Confirmado |
| OpenAI no puede descartar que Astra alcance el umbral Critical de ciberseguridad | Confirmado |
| Astra será comercializado como GPT-6 | No confirmado |
| Fecha exacta de lanzamiento | No confirmada |
| Precio, API y model ID | No confirmados |
| Número exacto de parámetros | Rumor / no confirmado |
| Arquitectura MoE concreta y número de expertos | Rumor / no confirmado |
| Nombres internos que circulan en comunidades | Rumor / no confirmado |
El problema de no hacer esta distinción es evidente: un rumor repetido suficientes veces termina apareciendo en artículos, vídeos y publicaciones como si fuese un dato real.
Y con Astra ya está ocurriendo.
¿Por qué GPT-6 Astra podría ser un salto diferente a generaciones anteriores?
De modelos que responden a sistemas que ejecutan objetivos
Durante años hemos utilizado los modelos de lenguaje con una dinámica bastante fácil de entender.
Yo pregunto algo.
La IA responde.
Si quiero continuar, vuelvo a intervenir.
Aunque el modelo sea capaz de escribir código, analizar información o generar un informe, la relación fundamental continúa siendo bastante interactiva: el usuario marca el siguiente paso continuamente.
Los agentes cambian esa dinámica.
Un sistema agentivo puede recibir un objetivo, dividirlo en subtareas, utilizar herramientas, observar resultados, detectar que algo ha fallado, cambiar de estrategia y seguir trabajando.
Eso no convierte automáticamente a la IA en autónoma en sentido absoluto, pero sí permite aumentar enormemente la cantidad de trabajo que puede suceder entre dos intervenciones humanas.
Para mí, ahí está uno de los cambios más importantes que podríamos ver con Astra.
No necesitamos imaginar una inteligencia artificial completamente independiente. Basta con pasar de un sistema al que indicamos continuamente cómo hacer una tarea a otro al que explicamos qué queremos conseguir.
La diferencia parece pequeña hasta que pensamos en un trabajo real.
Un desarrollador no necesita únicamente que una IA escriba veinte líneas de Python. Puede necesitar que examine un repositorio, identifique dónde está un bug, reproduzca el problema, diseñe una solución, modifique varios archivos, ejecute las pruebas, descubra que una de ellas falla, investigue por qué y vuelva a intentarlo.
Ahí ya no estamos hablando de generación de texto.
Estamos hablando de ejecución de procesos.
La autonomía puede importar más que una mejora en benchmarks
Esto también cambia la manera en la que deberíamos evaluar los modelos.
Un modelo podría mejorar un 10 % en determinado benchmark y, sin embargo, no cambiar demasiado nuestra forma de trabajar.
Otro podría mejorar relativamente poco en esa prueba, pero multiplicar por diez el tiempo durante el que puede mantener un objetivo, utilizar herramientas y corregir sus propios errores.
Desde un punto de vista práctico, el segundo cambio podría ser muchísimo más importante.
La propia evolución de los modelos actuales ya apunta en esa dirección. GPT-5.5 y GPT-5.6, por ejemplo, incluye capacidades de trabajo multiagente y OpenAI está evaluando tareas profesionales de larga duración, lo que ayuda a entender por qué el término agentic está apareciendo con tanta frecuencia alrededor de Astra.
No significa que Astra vaya a convertirse automáticamente en un empleado digital que trabaja solo durante días. Significa que una parte importante de la frontera actual está precisamente en aumentar la duración, fiabilidad y complejidad del trabajo que un modelo puede completar.
Qué significa que una IA pueda trabajar durante más tiempo sin supervisión constante
Imaginemos un agente que acierta el 95 % de cada paso que realiza.
Parece impresionante.
Pero si necesita completar cincuenta pasos consecutivos, los errores se acumulan. Una equivocación temprana puede contaminar todo lo que viene después.
Por eso, el verdadero desafío de los agentes no es únicamente hacer cada acción mejor. También necesitan comprobar resultados, recuperar contexto, detectar errores y volver atrás cuando sea necesario.
En mi opinión, esa capacidad de mantener coherencia durante procesos largos será mucho más reveladora que una respuesta espectacular en una demostración de treinta segundos.
Y es precisamente lo que deberíamos observar cuando Astra termine convirtiéndose, si ocurre, en un producto público.
¿Cuánto tiempo puede trabajar antes de desviarse?
¿Cuántas herramientas puede coordinar?
¿Cuánto necesita que intervenga una persona?
¿Puede comprobar realmente su propio trabajo?
Esas preguntas me parecen bastante más útiles que preguntar únicamente cuántos puntos obtiene respecto a GPT-5.
Astra y los problemas abiertos de matemáticas e informática teórica
Aquí es donde la historia se vuelve especialmente interesante.
El 1 de agosto de 2026, OpenAI publicó una selección de diez resultados en matemáticas e informática teórica. Según la compañía, cada uno resolvía un problema abierto de larga duración o conseguía un avance sustancial sobre él. Los temas incluían geometría de altas dimensiones, teoría de códigos, complejidad de circuitos aritméticos, teoría de grupos, álgebras de operadores, complejidad cuántica, criptografía reticular y combinatoria extremal.
Los resultados fueron obtenidos utilizando una versión interna de Astra.
Eso merece detenerse un momento.
Qué resultados ha conseguido Astra en investigación
OpenAI explica que utilizó Astra durante el desarrollo para trabajar sobre problemas abiertos, no únicamente sobre ejercicios cuya solución ya era conocida.
Según la publicación, el coste equivalente de los tokens utilizados para encontrar las soluciones habría rondado los 2.000 dólares utilizando las tarifas de la API de Sol. Después, humanos prepararon los argumentos en forma de manuscritos utilizando el mismo modelo, y Astra formalizó posteriormente cada argumento mediante certificados Lean.
Esto último es especialmente importante.
En matemáticas, generar un texto que parezca convincente no basta.
Una demostración puede contener un error pequeño, una implicación inválida o una suposición escondida que arruine todo el resultado.
Lean es un asistente de demostración formal que permite expresar argumentos en un sistema donde los pasos pueden verificarse mecánicamente. Que exista un certificado formal no elimina todas las cuestiones sobre originalidad, importancia o interpretación de un resultado, pero sí aporta una capa de comprobación mucho más fuerte que una simple respuesta escrita en lenguaje natural.
Por qué resolver un problema abierto es diferente a superar un benchmark
Para mí, aquí cambia bastante la conversación.
Estamos acostumbrados a noticias del tipo:
“el nuevo modelo obtiene un 83,7 % en esta prueba frente al 79,2 % del anterior”.
Eso sirve para comparar sistemas, pero existe una diferencia fundamental: en un benchmark tradicional, alguien ya conoce las respuestas.
El desafío consiste en comprobar si el modelo también puede encontrarlas.
Un problema abierto es diferente.
Precisamente se llama abierto porque la comunidad todavía no dispone de una solución aceptada.
Si un sistema contribuye a resolverlo, ya no está simplemente reproduciendo una capacidad previamente medida. Está participando en un proceso que puede producir información nueva.
Y ahí es donde creo que tenemos que empezar a utilizar otra escala.
No diría que un modelo “hace ciencia por sí solo” simplemente porque haya ayudado a obtener una demostración. En estos procesos siguen interviniendo la selección humana de problemas, la evaluación, la preparación de manuscritos y el juicio de especialistas.
Pero tampoco me parece razonable reducirlo a “otro benchmark”.
Si estos resultados se reproducen de forma consistente en diferentes áreas, estaríamos ante una herramienta capaz de participar de una manera mucho más activa en investigación.
Qué papel tienen Lean y las demostraciones formalmente verificables
La formalización también apunta hacia una característica que considero esencial para los agentes futuros: no basta con producir un resultado, deben ser capaces de comprobarlo.
Un sistema que genera diez ideas por minuto puede ser muy útil.
Un sistema que genera ideas, las somete a herramientas de verificación, descarta las equivocadas y continúa trabajando con las que sobreviven es otra cosa.
Ese bucle —proponer, ejecutar, comprobar, corregir— aparece tanto en matemáticas como en programación.
Y probablemente aparezca también en química computacional, ingeniería, análisis de datos y muchas otras disciplinas.
Por eso los resultados matemáticos de Astra me interesan más como señal de una dirección general que como una competición entre humanos y máquinas.
Lo relevante no es declarar un ganador.
Lo relevante es que empieza a existir una nueva clase de herramienta para investigar.
Programación agentiva: una de las capacidades clave de Astra
El segundo gran indicio llega desde la programación.
El 7 de agosto, OpenAI afirmó que sus evaluaciones internas más recientes de Astra mostraban avances significativos en agentic coding y ciberseguridad. La compañía no publicó en esa página una ficha completa de benchmarks de programación, así que sería un error inventar una cifra o concluir que Astra ya supera a todos los modelos públicos en cualquier tarea de desarrollo.
Pero la elección del término importa.
OpenAI no habla simplemente de “coding”.
Habla de agentic coding.
Qué significa realmente “agentic coding”
La diferencia se entiende mejor con un ejemplo.
Pedir a un chatbot:
“Escribe una función en JavaScript que ordene esta lista”
es programación asistida por IA.
Darle a un agente acceso controlado a un repositorio y pedirle:
“Encuentra por qué falla el proceso de autenticación después de la última actualización, corrígelo y verifica que no rompes el resto de la aplicación”
es otro tipo de problema.
Para completar correctamente la segunda tarea necesita inspeccionar archivos, comprender dependencias, ejecutar comandos, buscar evidencias, modificar código, probar la solución y quizá repetir ese ciclo varias veces.
El código generado es solo una parte del proceso.
Dividir problemas, utilizar herramientas y comprobar resultados
Esto conecta directamente con lo que más me llama la atención de Astra.
Personalmente, no me preocupa demasiado si el modelo termina teniendo 5, 10 o 15 billones de parámetros.
Esas cifras son buenas para titulares, pero cada vez me dicen menos.
Me interesa bastante más saber si el modelo puede recibir un problema ambiguo, convertirlo en una secuencia de acciones y completar esa secuencia sin necesitar que una persona le vaya dando instrucciones cada treinta segundos.
Porque, si eso funciona, dejamos de utilizar la IA exclusivamente como asistente.
Empezamos a utilizarla como un sistema capaz de ejecutar procesos completos.
Y ahí las implicaciones para desarrollo de software son enormes.
Un programador podría delegar tareas de mantenimiento que hoy requieren horas. Un equipo podría lanzar agentes para revisar una base de código en paralelo. Determinadas pruebas, migraciones, refactorizaciones o investigaciones de bugs podrían ejecutarse con un nivel mucho mayor de autonomía.
El cuello de botella dejaría de ser exclusivamente “¿puede escribir buen código?” y pasaría a ser “¿puedo confiar en que complete correctamente todo el proceso?”.
Por qué un agente de programación es diferente de un chatbot que genera código
La distinción también es importante para evitar exageraciones.
Un agente sigue pudiendo equivocarse.
Puede modificar el archivo equivocado, interpretar mal un requisito o generar una solución que funciona en las pruebas pero introduce otro problema.
Precisamente por eso la autonomía y la seguridad evolucionan juntas.
Cuanto más puede hacer el sistema sin intervención humana, mayor es el coste potencial de un error.
Y eso nos lleva directamente al área donde Astra está generando más preocupación: la ciberseguridad.
Astra y la ciberseguridad: por qué OpenAI habla de capacidades Critical
El 7 de agosto de 2026, OpenAI publicó una comunicación bastante poco habitual.
La compañía explicó que las evaluaciones internas de Astra realizadas durante los días anteriores mostraban avances significativos en programación agentiva y ciberseguridad. Combinando esos resultados con evaluaciones de expertos, OpenAI concluyó que no podía descartar que el modelo alcanzase el nivel Critical de capacidades de ciberseguridad establecido en su Preparedness Framework.
La expresión importante es “no puede descartar”.
No significa que OpenAI certificase que Astra ya había alcanzado ese nivel.
Significa que el rendimiento preliminar era suficientemente fuerte como para tratar ese escenario como una posibilidad seria mientras continuaban las evaluaciones.
Qué significa el nivel Critical del Preparedness Framework
OpenAI define un umbral bastante concreto.
En ciberseguridad, un modelo alcanzaría el nivel Critical si pudiera identificar y desarrollar exploits zero-day funcionales de diferentes niveles de gravedad en numerosos sistemas críticos reales y reforzados sin intervención humana, o si pudiera diseñar y ejecutar estrategias novedosas de ataque de principio a fin contra objetivos reforzados partiendo únicamente de una meta de alto nivel.
Conviene leer esa definición despacio.
No estamos hablando de pedirle a un chatbot que explique qué es una inyección SQL.
Tampoco de reproducir una vulnerabilidad ya conocida en un laboratorio.
El umbral intenta medir un tipo de capacidad mucho más autónoma: descubrir, desarrollar y encadenar acciones sobre sistemas reales complejos con mucha menos dirección humana.
Y ahí se entiende por qué el concepto de agente resulta tan importante.
Zero-days, exploits y sistemas reforzados: qué podría llegar a hacer un modelo de este nivel
Una vulnerabilidad zero-day es, simplificando, un fallo desconocido o sin corregir que puede permitir comprometer un sistema.
Encontrarlas exige normalmente conocimientos técnicos especializados, muchísimo análisis y, en muchos casos, creatividad.
Si una IA puede acelerar radicalmente ese proceso, el impacto defensivo sería enorme.
Un equipo de seguridad podría utilizar agentes para analizar volúmenes de código que serían imposibles de revisar manualmente, detectar fallos antes de que se exploten y priorizar correcciones.
Pero exactamente la misma capacidad puede utilizarse con otro objetivo.
Ahí aparece la paradoja.
Qué medidas de seguridad ha aplicado OpenAI durante el desarrollo de Astra
Esta es probablemente la parte que más me hace prestar atención.
OpenAI afirma que, como consecuencia de las capacidades observadas, ha endurecido los controles utilizados durante el desarrollo de modelos de alta capacidad. Entre las medidas menciona entornos de prueba aislados, restricciones de acceso a redes y herramientas, mayor protección y cifrado de los pesos, monitorización adicional y ejecución en sandbox. También dice haber pausado actividades internas relacionadas con Astra que todavía no cumplían los nuevos requisitos de seguridad.
Además, OpenAI afirma haber extendido la monitorización de acciones riesgosas y problemas de alineación a las aplicaciones agentivas de Astra utilizadas durante entrenamiento y evaluación, e indica que colaborará con organismos gubernamentales y organizaciones de seguridad de IA para probar estas capacidades.
El 18 de agosto la compañía volvió a referirse públicamente a la posibilidad de que Astra alcance el umbral Critical dentro de una publicación dedicada a endurecer los entornos de investigación y las salvaguardas de los modelos más capaces.
Para mí, esa es una señal mucho más importante que cualquier supuesto benchmark filtrado.
Cuando la propia empresa que desarrolla un modelo considera necesario cambiar las condiciones internas bajo las que determinadas cargas de trabajo pueden ejecutarse, merece la pena prestar atención.
La paradoja de Astra: la misma capacidad puede defender o atacar
La ciberseguridad muestra muy bien por qué los modelos más potentes plantean problemas que no pueden resolverse simplemente preguntando si la IA es “buena” o “mala”.
La capacidad es la misma.
Lo que cambia es el objetivo.
Cómo un agente avanzado podría ayudar a descubrir vulnerabilidades
Imaginemos que una organización mantiene cientos de servicios y millones de líneas de código.
Un equipo humano de seguridad no puede revisar constantemente cada función, cada dependencia y cada cambio.
Un conjunto de agentes especializados sí podría acercarse más a esa escala.
Podrían analizar repositorios, identificar patrones sospechosos, intentar reproducir posibles fallos en entornos controlados, valorar su gravedad y preparar recomendaciones para solucionarlos.
Eso sería extraordinariamente útil.
OpenAI defiende precisamente que los modelos avanzados de ciberseguridad deberían ayudar a los defensores a encontrar y solucionar vulnerabilidades antes de que lo hagan los atacantes.
El problema es que una vulnerabilidad no sabe quién la está buscando.
Una técnica capaz de descubrir un fallo defensivamente también puede descubrirlo con intención ofensiva.
Por qué las capacidades de doble uso complican el acceso a los modelos
Aquí creo que aparecerá uno de los grandes debates de las próximas generaciones de IA.
Hasta ahora nos hemos acostumbrado a pensar en los modelos como productos relativamente generales.
Pagas una suscripción o utilizas una API y accedes a determinadas capacidades.
Pero cuanto más potentes se vuelven en áreas de alto impacto, más difícil es mantener esa lógica sin matices.
Es posible que determinados modelos, herramientas o niveles de autonomía necesiten mecanismos de acceso diferentes según el tipo de tarea.
No porque toda la ciberseguridad sea peligrosa.
Al contrario: probablemente los defensores sean quienes más necesiten estas herramientas.
El desafío consiste en permitir usos legítimos de alto valor sin facilitar indiscriminadamente los usos más dañinos.
Quién debería poder utilizar las capacidades más sensibles de una IA avanzada
En mi opinión, esta pregunta acabará siendo tan importante como la propia arquitectura del modelo.
No solamente tendremos que preguntar:
¿qué puede hacer GPT-6 Astra?
También:
¿quién puede hacerlo con Astra, con qué herramientas, dentro de qué entorno y bajo qué controles?
Un modelo sin conexión a Internet no tiene las mismas posibilidades que uno con acceso completo a la red.
Un modelo que solo puede analizar código no tiene el mismo alcance que otro capaz de ejecutar comandos, abrir sesiones, utilizar credenciales y coordinar otros agentes.
La seguridad futura probablemente dependa tanto de estas capas alrededor del modelo como de los pesos del modelo en sí.
Y esa es otra razón por la que las especificaciones tradicionales empiezan a quedarse cortas.
Rumores sobre GPT-6 Astra: parámetros, MoE, mewfour y Doug
Llegamos a la parte que probablemente genere más clics y, paradójicamente, la que menos me interesa.
Los rumores.
Alrededor de Astra están circulando cifras de parámetros, supuestas configuraciones Mixture of Experts, nombres en clave, detalles del entrenamiento, sistemas multiagente y posibles fechas de lanzamiento.
En Reddit, una publicación reciente habla, por ejemplo, de 1,8 billones de parámetros, 96 expertos, multimodalidad nativa, planificación de largo horizonte y orquestación de herramientas, pero la propia publicación identifica esos datos como filtraciones no verificadas. Varios usuarios cuestionan además su credibilidad.
En otros espacios también circulan denominaciones como mewfour o referencias a un supuesto proyecto de entrenamiento denominado Doug, además de estimaciones de tamaño muy diferentes entre sí.
Aquí mi criterio es sencillo: hasta que OpenAI lo publique o exista evidencia verificable, lo considero especulación.
¿Tendrá Astra cerca de 10 billones de parámetros?
No lo sabemos.
Y, sinceramente, tampoco creo que esa cifra deba ocupar el centro de la conversación.
En mi caso, no cambia demasiado mi evaluación que Astra tenga cinco, diez o quince billones de parámetros si no sabemos cómo se utilizan.
El número de parámetros puede ayudar a entender determinadas decisiones de diseño, costes de entrenamiento o características de la arquitectura, pero comparar modelos únicamente por tamaño hace tiempo que dejó de ser suficiente.
Dos sistemas con cifras muy diferentes pueden tener costes, capacidades y comportamientos radicalmente distintos.
También existe otra dificultad: en arquitecturas Mixture of Experts, el número total de parámetros y el número de parámetros activos durante una inferencia no son necesariamente equivalentes.
Por tanto, incluso cuando tengamos una cifra oficial, necesitaremos bastante más contexto antes de sacar conclusiones.
¿Utilizará una arquitectura Mixture of Experts?
Es uno de los rumores más repetidos.
Una arquitectura Mixture of Experts (MoE) utiliza distintos grupos o “expertos” dentro del modelo y activa una parte de ellos dependiendo de la entrada o del cálculo necesario.
En teoría, esto puede permitir aumentar enormemente la capacidad total sin activar todo el modelo para cada token.
¿Es esa la arquitectura definitiva de Astra?
No existe en las fuentes oficiales que estamos utilizando una confirmación pública suficiente para afirmarlo.
Lo mismo sucede con supuestos números concretos de expertos.
Así que prefiero dejarlo donde corresponde: en la columna de rumores.
Qué se dice sobre sistemas multiagente y planificación de largo horizonte
Este rumor me parece más interesante, pero por una razón distinta.
No porque las filtraciones sean necesariamente correctas, sino porque encaja con una dirección que ya podemos observar públicamente en los modelos de OpenAI.
GPT-5.6, por ejemplo, ya incluye un modo capaz de coordinar múltiples agentes en flujos paralelos, y las comunicaciones sobre Astra ponen explícitamente el foco en programación agentiva.
Eso no demuestra que la arquitectura de Astra sea “multiagente” por dentro.
Son dos conceptos distintos.
Pero sí muestra que la orquestación de agentes y el trabajo de larga duración forman parte de la dirección general del producto.
Por eso, cuando pienso en Astra, me preocupa mucho menos saber cuántos expertos tiene y bastante más comprobar cuánto tiempo puede mantener un objetivo complejo sin desviarse.
Mewfour y Doug: qué significan estos nombres y cuánto sabemos realmente
Los nombres en clave son especialmente fáciles de sobreinterpretar.
Las grandes compañías utilizan continuamente denominaciones internas para proyectos, experimentos, entrenamientos, versiones temporales y modelos que quizá ni siquiera terminan lanzándose.
Que un nombre aparezca en una filtración no significa automáticamente que represente el producto comercial final.
Así que mi posición con nombres como mewfour o Doug es la misma:
son interesantes para seguir la conversación alrededor del desarrollo, pero no los utilizaría para construir ninguna afirmación fundamental sobre GPT-6 Astra hasta disponer de una fuente verificable.
¿Cuándo saldrá GPT-6 Astra?
Probablemente sea la pregunta que más gente quiera responder con una fecha concreta.
Y precisamente por eso abundan las fechas concretas.
El problema es que una fecha repetida en diez cuentas distintas sigue sin convertirse en una fecha oficial.
Lo que sabemos sobre el posible lanzamiento
Las publicaciones oficiales que OpenAI ha dedicado a Astra lo describen como un modelo próximo o en desarrollo.
La publicación matemática del 1 de agosto habla de una versión interna de Astra, mientras que la comunicación de seguridad del 7 de agosto explica que la compañía seguía realizando benchmarks y evaluaciones del modelo.
EvoLink, que está siguiendo específicamente la posible API de GPT-6, señalaba el 5 de agosto que todavía no existían un model ID público, precios, ruta de API ni fecha oficial.
Mientras tanto, en Reddit aparecen supuestas ventanas de lanzamiento muy próximas. La publicación que hemos analizado menciona una ventana concreta de septiembre, pero la identifica como una afirmación procedente de una fuente no verificada.
Eso es exactamente lo que es: un rumor.
Por qué todavía no hay una fecha oficial fiable
Además, hay un factor que complica cualquier predicción.
La evolución de las medidas de seguridad.
OpenAI ha explicado públicamente que determinadas actividades internas relacionadas con Astra fueron pausadas mientras no cumplieran requisitos reforzados de seguridad.
Eso no permite concluir automáticamente que “GPT-6 se ha retrasado”. Un cambio en procesos internos no equivale a anunciar un calendario comercial y después modificarlo.
Pero sí demuestra que el desarrollo y evaluación del modelo dependen de factores adicionales a conseguir un buen rendimiento.
Para lanzar un sistema de estas características no basta con terminar el entrenamiento.
Hay que evaluar capacidades, validar salvaguardas, preparar infraestructura, establecer políticas de acceso y decidir qué herramientas puede utilizar cada modalidad.
Por eso cualquier fecha exacta previa a un anuncio oficial debe tratarse con bastante cautela.
La fecha de lanzamiento puede ser menos importante de lo que parece
Personalmente, creo que estamos demasiado pendientes de cuándo llegará GPT-6.
Entiendo el interés.
También quiero probarlo.
Pero lo realmente interesante está ocurriendo antes de que aparezca un botón nuevo en ChatGPT.
Astra ya se está utilizando internamente en investigación matemática.
Ya está siendo evaluado como sistema agentivo.
Y ya ha obligado a OpenAI a comunicar públicamente que no puede descartar un nivel de capacidad cibernética que requiere controles de seguridad mucho más fuertes.
Todo eso me parece más informativo sobre el cambio de generación que saber si aparecerá un martes, un jueves o dentro de dos meses.
GPT-6 Astra vs GPT-5: dónde podría estar realmente el salto
Comparar Astra con GPT-5 es complicado por una razón evidente: todavía no disponemos de un producto público Astra sobre el que ejecutar las mismas pruebas.
Cualquier tabla llena de porcentajes precisos sería, a estas alturas, ficticia.
Pero sí podemos comparar direcciones de capacidad.
No se trata solo de responder mejor
Cada nueva generación suele mejorar aspectos bastante previsibles: razonamiento, programación, precisión, velocidad o capacidad para seguir instrucciones.
Pero creo que Astra puede ser más interesante si consigue mejorar otra variable:
la cantidad de trabajo útil que puede completar entre dos intervenciones humanas.
Imaginemos dos modelos.
El primero responde una pregunta difícil un 20 % mejor.
El segundo responde solo un 5 % mejor, pero es capaz de trabajar durante una hora sobre un repositorio, utilizar herramientas, ejecutar pruebas, corregir errores y entregarme un resultado completo.
¿Cuál cambia más mi forma de trabajar?
Probablemente el segundo.
Más autonomía, herramientas y procesos completos
Esto tampoco significa eliminar al humano del proceso.
De hecho, cuanto más importantes son las decisiones, más necesario puede resultar establecer puntos claros de revisión.
Pero la intervención podría desplazarse.
En lugar de dirigir cada acción, una persona podría definir el objetivo, las restricciones y los criterios de éxito.
El agente se encargaría de gran parte de la ejecución.
Después el humano revisaría resultados, tomaría decisiones o autorizaría el siguiente nivel de acción.
Ese cambio puede parecer incremental desde el punto de vista técnico, pero organizativamente es enorme.
Porque ya no optimizamos únicamente la productividad de una conversación.
Optimizaríamos la productividad de flujos completos de trabajo.
Investigación, programación y seguridad como señales del cambio
Por eso me parece significativa la combinación de áreas donde Astra está apareciendo.
Matemáticas: trabajar sobre problemas abiertos.
Programación: capacidades agentivas.
Ciberseguridad: posible autonomía en tareas extremadamente complejas.
No son tres historias independientes.
Las tres apuntan hacia la misma pregunta:
¿puede el modelo mantener un objetivo, utilizar recursos y producir resultados verificables durante procesos cada vez más largos?
Si la respuesta termina siendo sí, ahí estaría para mí el verdadero salto generacional.
Lo que todavía no sabemos sobre GPT-6 Astra
Resulta tentador rellenar todos los huecos con predicciones.
Prefiero no hacerlo.
A día de hoy siguen existiendo muchas preguntas fundamentales sin respuesta pública.
No tenemos confirmación de que Astra vaya a comercializarse como GPT-6. Las páginas públicas de OpenAI que describen el modelo utilizan el nombre Astra y hablan de un próximo modelo, no de un producto anunciado como GPT-6.
Tampoco disponemos en esas fuentes de una cifra oficial de parámetros, una descripción completa de la arquitectura, el número de expertos de un posible MoE o detalles técnicos definitivos de su entrenamiento.
No hay una ventana de contexto oficial de Astra publicada en las fuentes analizadas. EvoLink recoge que circulan filtraciones sobre contextos enormes, pero las identifica precisamente como información no confirmada.
Lo mismo ocurre con el precio.
No existe un precio oficial de GPT-6 Astra que podamos utilizar como referencia.
Y tampoco tenemos un model ID público confirmado o una ruta de API que permita ejecutar el supuesto GPT-6.
Por último, tampoco podemos asumir todavía exactamente cómo llegaría a ChatGPT.
Podría existir más de una variante.
Podrían aplicarse diferentes niveles de acceso.
Algunas capacidades sensibles podrían limitarse.
O podría evolucionar la propia nomenclatura antes del lanzamiento.
En resumen: sabemos bastante sobre algunas de las capacidades que OpenAI está evaluando, pero sorprendentemente poco sobre el producto comercial final.
Y creo que es perfectamente razonable mantener ambas ideas a la vez.
Qué puede significar Astra para el futuro de la inteligencia artificial
Aquí es donde quiero salir por un momento de la discusión sobre nombres.
Imaginemos que finalmente Astra no se llama GPT-6.
¿Cambiaría realmente lo interesante de esta historia?
Para mí, no demasiado.
Puede llamarse GPT-6, Astra o cualquier otra cosa.
Lo importante será comprobar hasta qué punto puede investigar, programar, utilizar herramientas y resolver problemas durante largos periodos sin necesitar constantemente a una persona indicando cuál debe ser el siguiente paso.
De asistentes de IA a agentes capaces de completar procesos
Los últimos años de IA generativa han estado dominados por la conversación.
Prompt.
Respuesta.
Prompt.
Respuesta.
La próxima etapa podría estar dominada mucho más por los objetivos.
“Analiza este problema y tráeme tres soluciones verificadas.”
“Encuentra el fallo de esta aplicación y corrígelo.”
“Revisa esta literatura científica y comprueba qué hipótesis podemos descartar.”
“Busca vulnerabilidades en este código dentro de este entorno controlado y prepara los parches.”
Cada una de esas peticiones encierra decenas o cientos de acciones.
Si un agente puede realizarlas de forma fiable, nuestra relación con la IA cambia.
Ya no estaremos únicamente utilizando una herramienta que amplifica cada acción humana.
Empezaremos a utilizar sistemas que absorben secuencias completas de acciones.
Qué profesiones podrían notar antes este cambio
Probablemente las primeras sean aquellas donde gran parte del trabajo ya puede representarse digitalmente.
Programación es el caso evidente.
También investigación científica computacional, análisis de datos, administración de sistemas, determinadas tareas financieras, investigación documental, ingeniería y ciberseguridad.
Eso no significa que esas profesiones desaparezcan.
De hecho, la experiencia humana puede volverse todavía más importante para elegir los problemas correctos, establecer objetivos, interpretar resultados y determinar cuándo una solución aparentemente buena no tiene sentido en el mundo real.
Pero sí puede cambiar radicalmente la distribución del tiempo.
Un investigador podría dedicar menos horas a ejecutar búsquedas mecánicas y más a decidir qué hipótesis merecen ser investigadas.
Un desarrollador podría escribir menos código repetitivo y revisar más decisiones de arquitectura.
Un profesional de seguridad podría supervisar cientos de análisis automáticos en lugar de ejecutar manualmente cada prueba.
El trabajo no desaparece necesariamente.
Se desplaza.
El verdadero límite podría ser cuánto trabajo puede hacer una IA por sí sola
Y aquí vuelvo a la idea que más me interesa de Astra.
Durante mucho tiempo hemos preguntado:
¿qué tan inteligente es este modelo?
Quizá la siguiente pregunta sea algo diferente:
¿cuánto trabajo útil puede completar antes de volver a necesitarnos?
Eso obliga a medir cosas distintas.
Fiabilidad.
Persistencia.
Capacidad para corregirse.
Uso de herramientas.
Memoria.
Planificación.
Verificación.
Seguridad.
Coste por tarea completada.
Y, sobre todo, capacidad para reconocer cuándo no sabe seguir.
Un agente que puede trabajar durante diez horas pero persigue el objetivo equivocado no es necesariamente más útil que uno que trabaja diez minutos y pregunta en el momento adecuado.
La autonomía útil no consiste en eliminar al humano a cualquier precio.
Consiste en intervenir solo cuando nuestra intervención aporta valor.
GPT-6 Astra puede importar por algo más que ser el sucesor de GPT-5
Todavía tenemos que ser prudentes con GPT-6 Astra.
OpenAI ha confirmado Astra como uno de sus próximos grandes modelos, pero no ha confirmado que su denominación comercial sea GPT-6.
Tampoco conocemos oficialmente muchos de los detalles que dominan las conversaciones en Internet: parámetros, arquitectura definitiva, ventana de contexto, precio, API o fecha exacta de lanzamiento.
Los rumores pueden terminar acertando.
También pueden desaparecer en cuanto exista una ficha técnica real.
Pero, curiosamente, lo confirmado ya me parece suficientemente interesante.
Una versión interna de Astra ha participado en resultados sobre diez problemas abiertos de matemáticas e informática teórica y ha formalizado los argumentos mediante certificados Lean.
OpenAI también ha comunicado avances importantes en programación agentiva y ciberseguridad, hasta el punto de no poder descartar provisionalmente que el modelo alcance el umbral Critical definido en su Preparedness Framework.
Y eso ha venido acompañado de entornos más aislados, restricciones de herramientas y red, mayor protección de los pesos, monitorización adicional y pausas sobre actividades internas que todavía no satisfacían esos controles reforzados.
Para mí, esas señales dicen bastante más que una cifra gigantesca de parámetros.
Si lo que estamos viendo en investigación, programación agentiva y ciberseguridad se traslada finalmente a un modelo disponible para usuarios, el salto respecto a generaciones anteriores podría ser mucho más importante de lo que sugiere simplemente cambiar el número que aparece después de “GPT”.
Porque quizá la siguiente generación de inteligencia artificial no se defina principalmente por cuánto mejor responde.
Quizá se defina por cuánto puede hacer después de que dejemos de hablarle.
Y entonces la pregunta realmente interesante ya no será cuánto sabe una IA.
Será cuánto trabajo puede hacer por sí misma antes de volver a necesitarnos.
Dudas de la comunidad
¿Qué es GPT-6 Astra?
Astra es el nombre que OpenAI está utilizando públicamente para referirse a uno de sus próximos grandes modelos. OpenAI ha utilizado una versión interna de Astra en investigación matemática y también ha comunicado evaluaciones avanzadas en programación agentiva y ciberseguridad. Sin embargo, la denominación GPT-6 Astra no ha sido anunciada como nombre comercial oficial.
¿Astra será realmente GPT-6?
Es posible, pero no está confirmado en las fuentes oficiales analizadas. OpenAI llama al modelo Astra y lo describe como su próximo gran modelo, mientras que páginas que siguen la futura disponibilidad de GPT-6 también distinguen entre Astra como modelo confirmado y GPT-6 como nombre de producto todavía no anunciado.
¿OpenAI ha anunciado oficialmente GPT-6?
En las publicaciones públicas utilizadas para este artículo, OpenAI ha anunciado y descrito Astra, pero no identifica ese modelo como un producto denominado GPT-6. Por tanto, conviene evitar presentar ambos nombres como equivalentes hasta que exista un anuncio explícito.
¿Cuándo saldrá GPT-6 Astra?
No existe una fecha oficial fiable en las fuentes analizadas. Circulan ventanas de lanzamiento en comunidades y redes sociales, pero deben considerarse rumores. OpenAI ha descrito Astra como un modelo próximo que continúa siendo evaluado.
¿Cuántos parámetros tendrá GPT-6 Astra?
No existe una cifra oficial de parámetros publicada en las fuentes de OpenAI utilizadas aquí. Las estimaciones que circulan por Internet varían enormemente, por lo que cualquier cifra concreta debe tratarse como rumor hasta que exista documentación oficial.
¿Qué significa que Astra pueda alcanzar el nivel Critical?
Según el Preparedness Framework de OpenAI, el umbral Critical en ciberseguridad contempla capacidades como identificar y desarrollar exploits zero-day funcionales en numerosos sistemas reales reforzados sin intervención humana, o diseñar y ejecutar estrategias novedosas de ataque de principio a fin a partir de objetivos de alto nivel. OpenAI no afirma que Astra haya sido definitivamente clasificado como Critical; dice que sus evaluaciones preliminares son suficientemente fuertes como para no poder descartarlo.
¿Puede Astra encontrar vulnerabilidades zero-day?
OpenAI no ha afirmado públicamente en las fuentes analizadas que Astra ya pueda encontrar cualquier vulnerabilidad zero-day de forma autónoma. Lo que ha comunicado es que el rendimiento preliminar es suficientemente fuerte como para no descartar el nivel Critical, cuyo criterio sí incluye capacidades avanzadas relacionadas con zero-days. Son dos afirmaciones distintas y conviene no mezclarlas.
¿En qué sería diferente GPT-6 de GPT-5?
Todavía no podemos hacer una comparación completa porque Astra no dispone de una ficha pública de producto equivalente. Sin embargo, las señales disponibles apuntan a que la diferencia más interesante podría estar en la autonomía y el trabajo agentivo: capacidad para abordar procesos más largos, utilizar herramientas, comprobar resultados y reducir la cantidad de intervención humana necesaria. Esa será, en mi opinión, una métrica mucho más importante que limitarse a comparar una nueva ronda de benchmarks.
Opinión Personal
GPT-6 Astra puede marcar un cambio importante en la forma en la que entendemos la inteligencia artificial, pero no por los motivos que más titulares generan.
No me preocupa demasiado si Astra termina teniendo 5, 10 o 15 billones de parámetros. Tampoco creo que la clave esté únicamente en que responda mejor, programe más rápido o consiga mejores resultados en determinados benchmarks.
Lo que realmente me interesa es comprobar cuánto trabajo puede hacer por sí mismo.
Si Astra confirma una evolución hacia sistemas capaces de dividir problemas, utilizar herramientas, comprobar resultados, corregir errores y seguir trabajando durante largos periodos sin necesitar instrucciones constantes, entonces estaremos ante algo bastante diferente de un simple chatbot más avanzado.
En ese escenario, la IA dejaría de ser únicamente un asistente al que preguntamos cosas para convertirse en una herramienta capaz de ejecutar procesos completos.
Y ahí es donde, en mi opinión, aparece también la parte más delicada.
Las mismas capacidades que pueden ayudar a resolver problemas matemáticos, encontrar errores en grandes proyectos de software o detectar vulnerabilidades antes que un atacante también pueden utilizarse de forma incorrecta. Por eso creo que el debate alrededor de Astra no debería centrarse solamente en cuánto puede hacer, sino también en quién puede acceder a determinadas capacidades y bajo qué condiciones.
También creo que conviene evitar el entusiasmo excesivo alrededor de rumores sobre parámetros, arquitecturas o fechas de lanzamiento. Prefiero fijarme en lo que realmente puede demostrarse y en cómo esas capacidades cambian la utilidad práctica de estos sistemas.
Para mí, esa será la métrica más interesante de la próxima generación de modelos.
No cuánto mejor responden.
Sino cuánto pueden hacer después de que les indiquemos qué queremos conseguir.
Ahora me interesa conocer tu opinión: ¿crees que GPT-6 Astra supondrá realmente un cambio de generación o será simplemente una evolución de los modelos actuales? ¿Te entusiasma este nivel de autonomía o te preocupa?
Te leo en los comentarios.
