OpenAI lanza GPT-6.1 Terra para razonamiento visual y uso preciso del computador a menor coste

Terra convierte visión en acción. OpenAI publicó el 26 de octubre GPT-6.1 Terra, un modelo orientado a razonamiento visual detallado, uso preciso del computador y escritura natural. El punto de partida es la automatización de tareas visuales y de escritorio con un modelo más eficiente. La lectura conserva fecha, alcance y responsable; una novedad técnica no demuestra adecuación para cada organización. La lectura responsable de la automatización de tareas visuales y de escritorio con un modelo más eficiente separa el anuncio reciente de cualquier promesa futura. La pregunta inmediata es seleccionar el modelo por calidad y coste por tarea completa, no por una clasificación general. Para responderla, una organización necesita conservar tarea, entrada visual, esfuerzo, herramientas, pasos, tiempo, tokens, correcciones, resultado, coste y revisión y comunicar qué aspectos todavía no se han evaluado de manera independiente.

La economía se expresa por tarea. La empresa afirma que, con esfuerzo medio, Terra mejora quince puntos frente a GPT-5.6 Terra en Agents’ Last Exam a aproximadamente un tercio del coste. Esta precisión modifica la decisión: seleccionar el modelo por calidad y coste por tarea completa, no por una clasificación general. El equipo escribe qué espera mejorar, qué dato excluye y quién responde ante una desviación. El alcance importa tanto como la novedad. En este caso, benchmarks del proveedor, aplicaciones no representadas, permisos de escritorio, inyección de instrucciones, consecuencias externas y diferencias entre esfuerzo medio y máximo delimitan la interpretación. Registrar población, región, versión y fecha evita convertir un piloto, una cifra de la empresa o una oferta inicial en garantía universal de disponibilidad, impacto o retorno.

Factualidad y código reciben nuevas mediciones. En su benchmark interno de prompts que inducen errores, OpenAI reporta una tasa de 16,7 por ciento con esfuerzo bajo y 4,3 por ciento con esfuerzo máximo. La evidencia mínima incluye tarea, entrada visual, esfuerzo, herramientas, pasos, tiempo, tokens, correcciones, resultado, coste y revisión. Guardar versión y configuración evita comparaciones incompatibles y ayuda a explicar de dónde procede una mejora. La adopción debe comenzar con una línea base y criterios de salida. El objetivo es automatizaciones visuales acotadas que produzcan resultados verificables con un coste sostenible. Una demostración convincente no reemplaza medidas sobre calidad, carga humana, exclusiones y errores. La evidencia debe permitir comparar el estado anterior con el resultado real después del cambio.

La seguridad acompaña la eficiencia. La fuente sitúa al modelo en el umbral Critical de ciberseguridad y señala pruebas de resistencia a inyecciones que intentan desviarlo de la tarea. Los límites relevantes son benchmarks del proveedor, aplicaciones no representadas, permisos de escritorio, inyección de instrucciones, consecuencias externas y diferencias entre esfuerzo medio y máximo. Deben aparecer en diseño, contrato y seguimiento; lo que queda fuera se registra como pendiente. Toda integración necesita un camino negativo además del recorrido ideal. Hay que probar datos incompletos, conflictos, denegaciones y situaciones ambiguas. Esos casos muestran si tarea, entrada visual, esfuerzo, herramientas, pasos, tiempo, tokens, correcciones, resultado, coste y revisión sigue disponible cuando el sistema debe detenerse, pedir ayuda o explicar una limitación sin inventar certeza.

La disponibilidad cubre producto y API. Terra está disponible para usuarios Plus, Pro, Enterprise y Edu en ChatGPT Work y Codex, además de la API como gpt-6.1-terra. Una prueba útil combina caso normal, excepción y recuperación. El responsable verifica la salida y relee el destino antes de aceptar una acción. La participación de usuarios y especialistas debe modificar decisiones, no decorar el lanzamiento. Si aparecen benchmarks del proveedor, aplicaciones no representadas, permisos de escritorio, inyección de instrucciones, consecuencias externas y diferencias entre esfuerzo medio y máximo, el equipo necesita reducir alcance, corregir el diseño y conservar trazas. La capacidad de retroceder convierte la supervisión en una función operativa y no en una intención.

Lectura Goatify para automatización visual. El precio estándar publicado es de un dólar por millón de tokens de entrada, cinco centavos por entrada en caché y cinco dólares por salida. El resultado buscado es automatizaciones visuales acotadas que produzcan resultados verificables con un coste sostenible. Goatify une diagnóstico, piloto y decisión con trazas para avanzar, corregir o detenerse. La oportunidad para Goatify es traducir la noticia en automatizaciones visuales acotadas que produzcan resultados verificables con un coste sostenible. Eso exige diagnóstico, prueba y readback. El cliente recibe una recomendación que distingue hechos publicados, supuestos locales y condiciones para avanzar, de forma que la novedad se convierta en una decisión responsable.