La opinión de los medios extranjeros considera que, tras el lanzamiento de GPT-6 Astra por parte de OpenAI, la lógica de la competencia en IA ha cambiado. El foco ya no es solo “quién usa mejor la IA”, sino “quién implementa y domina antes los Agentes de IA”. El artículo presenta a Astra como un punto de inflexión que pasa de responder preguntas a ejecutar tareas.
De la respuesta a la ejecución
Astra se describe como capaz de operar computadoras, navegar por la web, usar software, escribir y ejecutar código, y completar flujos de trabajo más largos. El artículo sostiene que esto significa que la IA está pasando de “la persona hace una pregunta y el modelo responde” a “la persona entrega una tarea a un agente, y el agente la completa”.
En la opinión del autor, lo clave de Astra no es solo que sea más capaz, sino que se acerca más a ser una fuerza laboral digital que se pueda "contratar". Ya no solo genera respuestas, sino que comienza a asumir tareas de trabajo continuas.
La penetración ya no se mide por cabeza
El artículo utiliza los resultados de la prueba de OSWorld 2.0 para demostrar que Astra tiene un mejor desempeño en tareas de largo plazo y reduce significativamente el tiempo de finalización. El autor concluye que el método para calcular la penetración de la IA también debe cambiarse y ya no puede basarse simplemente en el número de personas que utilizan la IA.
Las variables más importantes se han convertido en: cuántos Agentes están en funcionamiento, cuántas tareas ejecuta cada Agente y cuántos Tokens consume cada tarea. El artículo sostiene que una persona puede desplegar múltiples Agentes simultáneamente, y que una empresa también puede ejecutar cientos o miles de Agentes al mismo tiempo.
La demanda de tokens se amplificará
El autor señala además que la demanda de tokens en la era de los Agentes no solo aumenta con el crecimiento del número de usuarios, sino que también sube en paralelo con la complejidad de las tareas y la duración de la ejecución. Un agente que opera continuamente realiza constantemente planificación, búsqueda, ejecución, verificación y corrección, lo que genera más llamadas y un mayor consumo de tokens.
El artículo también menciona que la participación del modelo en el entrenamiento genera un efecto de bucle: modelos más potentes generan agents más potentes, y estos agents producen más datos de alta calidad, lo que a su vez impulsa aún más el mejoramiento del modelo. Los autores consideran que esto llevará a la demanda de capacidad de cómputo y tokens a una fase de autoamplificación más intensa.