El pasado 26 de octubre, OpenAI lanzó GPT-6.1 Terra, un modelo de inteligencia artificial diseñado para tareas diarias masivas a bajo coste y alta velocidad, con un precio equivalente a una décima parte de su modelo emblemático GPT-6 Astra. Terra se posiciona como el modelo de precio medio dentro de la familia GPT-6, con tarifas de 1 dólar por millón de tokens de entrada y 5 dólares por millón de tokens de salida, frente a los 10 y 50 dólares de Astra, respectivamente. Además, OpenAI asegura que Terra completa tareas más de tres veces más rápido que Astra en su benchmark «Agents’ Last Exam».
Sin embargo, análisis iniciales señalan ciertas limitaciones respecto a la precisión. Por ejemplo, Plotly constató que Terra detectó solo tres de cinco patrones plantados en su test analítico y respondió correctamente 40 de 43 preguntas. Artificial Analysis destacó que Terra optó por adivinar en el 38% de las preguntas sin respuesta, una mejora significativa frente al 88% de GPT-5.6 Terra en la misma prueba. En un benchmark contable de DualEntry, Terra alcanzó un 78,2% de precisión.
En esta carrera tecnológica donde cada lanzamiento se proclama superior, es habitual que las expectativas generen cierta confusión si la realidad no las cumple plenamente. Para evaluar objetivamente las diferencias entre Terra y Astra, realicé tres pruebas sintéticas con máxima exigencia de razonamiento y sin límite artificial de tokens de salida, comparando velocidad, coste estimado y precisión. 
Las pruebas
Las pruebas incluyeron:
- Razonamiento SQL: 25 preguntas sobre una base de datos ficticia con 500 registros de software, incluyendo eliminaciones lógicas, reintentos, manejo de múltiples monedas y zonas horarias. Dos preguntas no tenían respuesta posible con los datos.
- Validación de datos: 4.950 registros de clientes falsos y 19 reglas a cumplir, donde 40 registros violaban alguna de las reglas y 10 parecían erróneos pero eran correctos.
- Triagen de logs de incidentes: 7.000 líneas de registros simulando una caída en más de 20 servicios con errores intencionados para despistar.
Razonamiento SQL
Este test marcó la mayor brecha: Astra logró 48 sobre 50, mientras Terra solo 26. Cada pregunta valía dos puntos, que solo se concedían por respuestas exactas; respuestas aproximadas o en blanco no sumaban. Astra generó 27.970 tokens de razonamiento y tardó 319,7 segundos, más de cinco minutos. Terra procesó correctamente todos los registros y supo manejar operaciones complejas, pero en seis preguntas con sumas complejas no proporcionó respuesta directa y entregó consultas SQL para que se ejecutaran externamente, sorprendiendo al delegar trabajo al usuario. Además, Terra cometió errores en seis respuestas, algunas con desviaciones pequeñas pero sin alertar al usuario sobre la incertidumbre.
En tiempo y coste, Terra tardó 133,1 segundos y gastó aproximadamente 0,08 dólares, mientras Astra requirió 319,7 segundos y 1,65 dólares. Aunque más rápido y barato, Terra sacrificó precisión y autonomía en esta tarea.
Validación de datos
En esta prueba, Astra alcanzó un perfecto 50, mientras Terra obtuvo 45 puntos. Terra detectó correctamente 35 de los 40 registros inválidos y no marcó erróneamente como inválidos ninguno de los correctos, mostrando buena precisión (100%) y menor recall (87,5%). Tres de los cinco errores en registros fraudulentos dependían de comparaciones entre registros, lo que complicó su detección. Por su parte, Astra detectó todos los errores pero tardó 145 segundos y costó 3,01 dólares, frente a los 31,4 segundos y 0,25 dólares de Terra.
Triagen de logs de incidentes
En esta compleja prueba ambas IA lograron el máximo puntaje, 50 puntos. Ambas identificaron correctamente el desencadenante real de la caída (un cambio de configuración en el servicio principal), ubicaron tres servidores con reloj configurado incorrectamente y descartaron pistas falsas que pretendían confundir. Astra empleó 244,5 segundos y un coste estimado de 3,22 dólares, mientras Terra lo hizo en 94,3 segundos y 0,29 dólares.
Resultados generales
| Prueba | Terra (de 50) | Astra (de 50) | GPT-5 Mini (de 50) |
|---|---|---|---|
| Razonamiento SQL | 26 | 48 | 6 |
| Validación de datos | 45 | 50 | 10 |
| Triagen de logs | 50 | 50 | 12 |
| Total (de 150) | 121 | 148 | 28 |
| Coste estimado en tokens | 0,61 $ | 7,88 $ | — |
| Tiempo total | 258,8 seg | 709,2 seg | — |
Para referencia, incluí también al modelo GPT-5 Mini, que obtuvo resultados sustancialmente inferiores. Las pruebas fueron ajustadas varias veces para aumentar su dificultad tras observar que ambos modelos igualaban las puntuaciones en versiones más sencillas. Estos escenarios exigentes no reflejan necesariamente la carga de trabajo habitual en entornos reales.
Reflexiones finales
En escenarios de alta exigencia, Terra destaca por su velocidad y coste reducido, generando menos tokens de razonamiento y finalizando antes que Astra. No obstante, esta rapidez se paga con menor precisión, especialmente en funciones como agregaciones numéricas complejas o validación exhaustiva, donde Terra dejó ciertas lagunas o delegó tareas al usuario. Astra sigue siendo más preciso a costa de mayores tiempos y costes.
Por tanto, Terra puede ser una opción válida para cargas de trabajo que toleren cierta incertidumbre y requieran rapidez y economía, siempre incorporando revisión humana para evitar errores. Asimismo, Astra no es infalible y requiere supervisión para corregir imprecisiones incluso en sus cálculos, según el análisis realizado. Esta comparación evidencia la compensación inherente en distintos modelos IA entre coste, velocidad y exactitud.
