OpenAI's Astra cambia el enfoque de IA de responder a ejecutar tareas a largo plazo

Lo que realmente importa de Astra no es cuán bien resuelve una ecuación matemática, sino que OpenAI está transformando los modelos de vanguardia de sistemas de respuesta inmediata en sistemas de ejecución que pueden durar horas o más, descomponer tareas de forma autónoma y operar software real.

Autor del artículo, fuente: 0x9999in1, ME News



• Lo que realmente importa de Astra no es cuán bien resuelve una ecuación matemática, sino que OpenAI está transformando los modelos de vanguardia de sistemas de respuesta inmediata en sistemas de ejecución que pueden durar horas o más, descomponer tareas de forma autónoma y operar software real.
• 16 agentes trabajando juntos para demostrar teoremas matemáticos, operar directamente una computadora, “practicante de investigación en IA”: estas demostraciones apuntan al mismo cambio: el indicador clave de la competencia en IA está pasando de la calidad de una sola respuesta a la capacidad de asumir cadenas de trabajo más largas y complejas de forma independiente.
• Si esta capacidad se puede implementar de manera estable, la lógica de compra de IA por parte de las empresas también cambiará: anteriormente se compraban licencias de software y Copilot, pero en el futuro podría acercarse cada vez más a la compra de "fuerza laboral digital" y capacidad de procesamiento de tareas.
• Pero la demostración cerrada no es un entorno de producción. Astra aún no se ha lanzado públicamente, y el término “practicante de investigación” también es un estándar interno de OpenAI; la demostración matemática obtiene pruebas candidatas, no una certificación independiente de su corrección científica.
• Lo que es más preocupante es que la mejora de capacidades ya ha comenzado a restringir el ritmo de desarrollo de OpenAI. En agosto, OpenAI reconoció que Astra podría haber alcanzado el umbral de capacidad de ciberseguridad de nivel más alto, “Crítico”, y por lo tanto suspendió parte de sus actividades de entrenamiento y evaluación.
• Entonces, discutir si Astra es o no AGI ahora tiene un interés limitado. La pregunta realmente importante ha pasado a ser: ¿qué sucederá con los modelos económicos de las empresas, el mercado laboral y las empresas de IA cuando la IA tenga por primera vez la oportunidad de pasar de “responder tus preguntas” a “realizar continuamente tareas por ti, e incluso ayudar a investigar la próxima generación de IA”?

Si se mira solo la superficie, la previsualización cerrada de Astra puede interpretarse fácilmente como otra campaña de promoción antes del lanzamiento del modelo.

Decenas de ejecutivos de importantes clientes de OpenAI llegaron al recién inaugurado edificio MB0 en San Francisco. Fuera, los manifestantes con el lema “Stop the AI Race” aún permanecen; dentro, una pared completa de vegetación se ha colocado frente a las ventanas de vidrio, bloqueando la vista entre ambos lados. Sam Altman acaba de regresar de Washington, donde ya había presentado a funcionarios del gobierno estadounidense esta familia de modelos aún no publicada.

Esta escena en realidad resume con mayor precisión la industria de la IA de hoy que cualquier conferencia de prensa: el capital, los clientes y los gobiernos están esperando que la capacidad siga avanzando, mientras que otro grupo ya comienza a preocuparse por que avance demasiado rápido.

Pero lo realmente importante de Astra no es "cuántos puntos porcentuales más se mejoró el modelo".

La primera demostración en vivo consistió en 16 agentes de IA enfrentándose a un problema matemático de nivel de investigación. Estos descompusieron automáticamente el problema en múltiples subproblemas, intentaron soluciones por separado, coordinaron los resultados y combinaron todo para generar una prueba candidata. Aquí es esencial aclarar la palabra "candidata": no se trata de un nuevo teorema matemático validado públicamente, ni tampoco el hecho de que 16 agentes trabajen simultáneamente implica automáticamente que equivalgan a un equipo de investigación compuesto por 16 matemáticos destacados. Es posible que múltiples modelos compartan el mismo error, y aumentar el número de agentes no implica necesariamente un aumento lineal en la precisión.

Pero aún así es importante.

Porque en el pasado, al medir los grandes modelos, teníamos la costumbre de centrarnos en una pregunta: ¿puede responderla?

Astra intenta cambiar la pregunta por otra: ¿puede organizar su propio trabajo y llevar a cabo continuamente una tarea compleja?

Ambos parecen diferir solo en un paso, pero su significado comercial podría diferir una era.

La forma de interacción más típica de ChatGPT en sus inicios era que el ser humano hiciera una pregunta y la máquina respondiera; posteriormente, Copilot comenzó a integrarse en los procesos de programación, oficina y creación, donde el ser humano da instrucciones constantemente y la IA proporciona asistencia continua. Los Agentes van un paso más allá, lo que significa que el ser humano solo necesita establecer un objetivo, y la máquina decide por sí misma los pasos, elige las herramientas, verifica los resultados intermedios y avanza continuamente.

Por lo tanto, la segunda demostración merece aún más la atención seria de los ejecutivos empresariales que un problema matemático.

Astra opera directamente la computadora, alterna entre varios software de escritorio comunes, crea y modifica contenido, y completa las operaciones a una velocidad extremadamente rápida. Altman describió que ver al modelo usar la computadora de manera "sobrehumana y muy rápida" es uno de los eventos más impactantes que los empleados de OpenAI han experimentado recientemente.

¿Por qué es importante operar la computadora?

Porque la mayor parte del trabajo en el mundo empresarial no es una pregunta elegante que se pueda poner en un cuadro de chat.

El trabajo real se dispersa entre el navegador, Excel, correos electrónicos, repositorios de código, ERP, CRM, software de diseño, bases de datos internas y sistemas de aprobación. El valor de un empleado nunca radica simplemente en “conocer la respuesta”, sino en mover información entre una docena de sistemas, tomar decisiones, modificar archivos y avanzar procesos hasta completar las tareas.

Mientras la IA no cruce esta barrera, seguirá siendo principalmente una herramienta de conocimiento.

Una vez que lo cruces, comienza realmente a acercarse al "trabajo".

El producto central que Altman dibujó para Astra son los agentes persistentes: agentes que persisten y trabajan a largo plazo.

Esta palabra suena menos emocionante que la AGI, pero podría estar más cerca de lo que realmente afectará los estados financieros de las empresas en los próximos años.

El científico principal de OpenAI, Jakub Pachocki, le dijo a TIME que Astra ha alcanzado el estándar interno de la empresa para un “practicante de investigación de IA automatizado”: dándole una idea de experimento, puede ingresar al propio repositorio de código de OpenAI para implementar la solución, ejecutar el experimento y devolver los resultados; dándole un artículo de investigación, puede realizar el trabajo posterior que antes podría haber ocupado a un investigador humano aproximadamente una semana.

Esto sigue siendo solo una evaluación interna de OpenAI, sin validación independiente de terceros, y mucho menos se puede deducir simplemente que "Astra ya puede reemplazar a los investigadores". Pero la señal que emite es lo suficientemente clara: la unidad que OpenAI persigue está pasando de tokens, respuestas y conversaciones a la duración de la tarea.

Esta narrativa no fue creada repentinamente por OpenAI.

La institución de evaluación independiente METR ha intentado durante los últimos años medir la capacidad de los Agentes mediante el "horizonte de tiempo para completar tareas": en lugar de preguntar si el modelo puede resolver un tipo específico de problema, observa cuánto tiempo le tomaría a un experto humano completar la tarea con un cierto nivel de éxito.

Los datos actualizados de METR en 2026 aún muestran una tendencia de mejora exponencial muy clara. A largo plazo, el tiempo dedicado a software y tareas de investigación de modelos de vanguardia se duplica aproximadamente cada 6 a 7 meses; si se observan solo los datos desde 2023, la velocidad de crecimiento es aún mayor. Para mayo de este año, algunos de los modelos más recientes ya se han acercado o incluso superado el rango efectivo de medición de aproximadamente 16 horas de sus conjuntos de prueba actuales, lo que llevó a METR a advertir específicamente que los datos que exceden esta longitud no deberían interpretarse en exceso.

Esto explica exactamente por qué surgió Astra.

Cuando las tareas que el modelo puede realizar de manera estable aumentan de minutos a horas, y luego de horas a un día o incluso más, la forma del producto cambiará necesariamente. Ya no necesitarás permanecer junto a la ventana de chat corrigiéndolo constantemente; en su lugar, comenzarás a asignar tareas como lo harías con un colega: “Investiga este problema, prueba tres soluciones, organiza los datos y mañana dame los resultados.”

Lo que se denomina "compañero virtual", la verdadera línea divisoria nunca ha sido si habla como un humano.

Pero después de que te vayas, ¿seguirá trabajando?

Esta también es la implicación financiera de Astra más subestimada.

Durante los últimos tres años, el modelo dominante de compra de IA generativa por parte de las empresas sigue siendo una extensión del modelo tradicional de SaaS: agregar una licencia de IA por empleado y pagar unos pocos dólares adicionales al mes. Así funciona Microsoft Copilot, así funciona la versión empresarial de ChatGPT, y así funcionan numerosas soluciones de IA SaaS.

Pero una vez que el agente persistente madure, esta lógica de fijación de precios se volverá cada vez más incómoda.

¿Por qué?

Porque lo que las empresas realmente están comprando ya no es el "permiso para que un empleado use IA", sino la capacidad de la IA para realizar el trabajo por sí misma.

Supongamos que un equipo financiero anteriormente necesitaba 10 personas para manejar la organización de datos, la elaboración de borradores de informes, la revisión de anomalías y la entrada cruzada entre sistemas. El problema que enfrentarán los gerentes futuros ya no será “¿Debo comprar un Copilot para cada una de las 10 personas?”, sino “¿Cuánta carga de trabajo de Agentes necesito comprar para completar estas tareas?”.

En este momento, el competidor de la IA ya no es solo el presupuesto de software.

Comienza a entrar en el presupuesto de personal.

Los datos del Stanford AI Index de 2026 ya muestran esta contradicción. Por un lado, la adopción de IA por parte de las empresas continúa aumentando rápidamente: en 2025, el 88% de las organizaciones encuestadas ya utilizaban IA en al menos un área, y el 70% ya utilizaba IA generativa; por otro lado, las empresas que realmente implementan Agentes aún representan solo un dígito porcentual en la mayoría de las funciones empresariales.

En otras palabras, las personas ya están muy dispuestas a "usar IA", pero aún no están dispuestas en gran escala a "delegar tareas a la IA".

This is precisely the gap Astra is trying to bridge.

Una vez que se cruce ese umbral, el impacto no se limitará al interior de las empresas tecnológicas. Según estadísticas de Stanford, desde 2024, el empleo de desarrolladores de software de 22 a 25 años en Estados Unidos ha disminuido casi un 20%; al mismo tiempo, aproximadamente un tercio de las empresas encuestadas esperan que la IA reduzca su plantilla en el próximo año, mientras que el mercado laboral en general aún está muy lejos de experimentar un desempleo masivo de igual magnitud.

Esto sugiere que el impacto de la IA en el mercado laboral probablemente no sea como presionar un interruptor principal de golpe, sino que primero cambie la demanda marginal en los puntos de entrada a la contratación, los puestos iniciales y el trabajo de conocimiento estandarizado.

Precisamente por eso, el término "practicante de investigación en IA" es bastante sutil.

Hoy, podría realizar primero aquellos experimentos que le toman una semana a los investigadores, pero cuyos objetivos son relativamente claros; mañana, las empresas preguntarán: ¿dónde está el modelado inicial del analista financiero? ¿La recopilación de información del consultor? ¿El desarrollo regular del programador? ¿La ejecución inter-sistemas del departamento de marketing?

Anteriormente hemos estado discutiendo si la IA reemplazará una profesión.

Un proceso más realista es que la IA primero tome poco a poco los módulos de trabajo más fáciles de estandarizar, verificar y que consumen más tiempo dentro de una profesión. El puesto no desaparecerá de la noche a la mañana, pero el trabajo que antes requería diez nuevos empleados podría reducirse gradualmente a seis, luego a cuatro, más un conjunto de agentes.

Lo que realmente cambia el mercado laboral no es generalmente "que la IA de repente lo sepa todo".

En cambio, las empresas descubrieron: el siguiente empleado no necesita contratarse aún.

Si la historia terminara aquí, Astra sería simplemente un producto con una gran imaginación comercial.

El problema es que OpenAI ya ha demostrado que las cosas no son tan sencillas.

El 7 de agosto, OpenAI declaró públicamente que, según la evaluación interna más reciente, la empresa ya no puede descartar que Astra alcance el nivel de capacidad de ciberseguridad "Crítico" en su Marco de Preparación.

Este umbral no es "los modelos comparan y escriben código".

Según la definición propia de OpenAI, el nivel Crítico significa que el modelo podría, sin intervención humana, buscar y desarrollar vulnerabilidades de día cero de distintos grados de gravedad en sistemas críticos reales ampliamente reforzados, o diseñar y ejecutar de forma autónoma estrategias de ataque nuevas y end-to-end dirigidas a objetivos reforzados, basándose únicamente en un objetivo de alto nivel.

OpenAI enfatiza que actualmente solo se descarta esta posibilidad, no se ha confirmado definitivamente que Astra posea todas las capacidades mencionadas; además, Astra no tiene relación con el incidente de seguridad previo de OpenAI relacionado con Hugging Face.

Pero la reacción de la empresa ya es suficiente para ilustrar el punto.

OpenAI ha reforzado la aislamiento de red, sandbox, protección de pesos del modelo y monitoreo integral, suspendiendo las actividades de Astra que no cumplen con los nuevos estándares de seguridad. El 18 de agosto, la empresa reveló adicionalmente que, para fortalecer el entorno y ampliar la cobertura de monitoreo, el entrenamiento de aprendizaje por refuerzo para el modelo más reciente planeado se suspendió durante dos semanas, y el entrenamiento de RL de vanguardia de mayor escala aún permanecía suspendido, con gran parte del trabajo de entrenamiento y evaluación relacionado con Astra aún no recuperado.

Incluso la seguridad misma ha comenzado a convertirse en un costoso gasto de capacidad de cómputo.

OpenAI estima que actualmente este sistema de monitoreo podría consumir adicionalmente aproximadamente el 20% de la capacidad de cómputo equivalente al cálculo de inferencia monitoreado.

Este conjunto de números es muy digno de ser recordado por los mercados de capitales.

La historia de la industria de la IA en los últimos años ha sido: cuanto más potente sea el modelo, mayor será su valor comercial, por lo que merece la pena invertir más en GPU, centros de datos y electricidad. Pero Astra comienza a mostrar otra curva de costos: cuanto más potente sea el modelo, no solo aumentan los costos de entrenamiento, sino que la seguridad, la aislamiento, el monitoreo y la gobernanza también comienzan a consumir capacidad de cómputo.

Esto significa que el modelo económico de la próxima generación de IA no puede limitarse a calcular "cuánto cuesta por millón de tokens".

También debe calcular el riesgo de pérdida de control, la redundancia de seguridad, la aprobación manual, la aislación de permisos y las pérdidas reales causadas por errores.

Un modelo que te ayuda a escribir correos electrónicos que falla solo puede causar vergüenza.

Un agente con memoria a largo plazo, capacidad de ejecución de código, acceso a internet y que puede operar de forma autónoma en sistemas empresariales durante horas, comete errores de naturaleza completamente diferente.

Cuanto más cercana sea la capacidad a la de un "empleado", más cercano debe ser el manejo de permisos a la de un "empleado"; una vez que la capacidad supere la de un empleado común, los requisitos de seguridad deben incluso superar los de un empleado.

Entonces, el verdadero desafío de Astra a OpenAI podría no ser "si se puede hacer".

Pero ¿puede convertirse este sistema en un producto que las empresas se atrevan a implementar en producción?

La afirmación más lejana que Altman hizo en la previsualización privada fue que espera que Astra pueda convertirse en el primer modelo capaz de "inventar cosas nuevas de una manera verdaderamente importante", y denominó a esta capacidad "algo muy parecido a la AGI".

This sentence certainly has a strong Altman style.

Hoy no existe ninguna evidencia pública que demuestre que Astra haya generado de manera estable nuevo conocimiento científico significativo validado por pares, ni ha OpenAI publicado suficientes resultados de pruebas externas. Por lo tanto, afirmar directamente que “la AGI ha llegado” basándose en Astra es innecesario y carece de fundamento factual.

Pero por qué Altman enfatiza específicamente "descubrir nuevo conocimiento" merece un estudio serio.

Porque aquí es donde realmente podría ocurrir un cambio exponencial en la industria de la IA.

Si la IA solo ayuda a los humanos a aumentar la eficiencia en la escritura de código, diseño y análisis de archivos, entonces toda la industria, por más agresiva que sea, sigue siendo esencialmente una revolución de herramientas de productividad. Puede aumentar enormemente la eficiencia económica, pero aún depende principalmente de los humanos para decidir qué investigar a continuación, cómo diseñar experimentos y cómo crear la próxima generación de tecnologías.

Si la IA puede participar en la propia investigación de la IA, la lógica cambia.

Un agente capaz de leer artículos científicos, proponer experimentos, modificar grandes bases de código, ejecutar experimentos por sí mismo y analizar los resultados, incluso si solo alcanza el nivel de un pasante de investigación excelente, ya puede amplificar significativamente la capacidad de investigación de un laboratorio de élite.

Hoy, 100 investigadores pueden hacer funcionar posiblemente 500 Agentes; en el futuro, la cantidad de experimentos que cada investigador puede avanzar simultáneamente cada día ya no dependerá de las 24 horas del día, sino más bien de la potencia de cómputo, el costo de los experimentos y la capacidad de validación.

Entonces, un concepto que antes era muy abstracto: "la IA ayuda a desarrollar mejores IA", comenzó a volverse concreto.

Este es el aspecto más destacable de Astra, y también el que debe abordarse con mayor moderación.

Porque aún existe una gran brecha entre “completar experimentos diseñados por otros” y “proponer activamente nuevas direcciones de investigación valiosas”; la brecha es aún mayor entre “generar una nueva idea que parezca razonable” y “producir nuevo conocimiento repetible, verificable y que realmente impulse el progreso científico”.

16 agentes pueden trabajar simultáneamente, pero eso no significa 16 veces más innovación.

Correr diez mil experimentos al día no significa que se obtenga automáticamente un avance.

La ciencia nunca carece de hipótesis; lo que realmente escasea es saber qué preguntas valen la pena hacer y qué resultados son realmente importantes.

No one can draw a conclusion from a closed-door demo whether Astra has crossed this line.

Entonces, discutir ahora si Astra es una AGI es un poco precipitado.

La definición del término AGI es inherentemente muy ambigua. La definición utilizada durante mucho tiempo por OpenAI es un sistema altamente autónomo que supera a los humanos en la mayoría de los trabajos con valor económico; otros laboratorios, académicos y el público tienen criterios completamente diferentes para juzgarlo.

En lugar de discutir una etiqueta, observa tres problemas más específicos.

En primer lugar, ¿durante cuánto tiempo puede Astra asumir tareas de forma independiente y cuál es su tasa de confiabilidad?

En segundo lugar, ¿cuánto tiempo necesitan los humanos para revisar y corregir errores una vez que se implementa en un entorno de producción empresarial? Si un agente trabaja ocho horas por ti, pero requiere que un ingeniero dedique otras tres horas a verificarlo, el verdadero aumento de productividad es completamente distinto al mostrado en los videos de demostración.

Tercero, y lo más importante: ¿puede impulsar la investigación automatizada desde la “ejecución de experimentos” hasta el “descubrimiento de nuevos conocimientos verdaderamente valiosos”?

Las primeras dos preguntas determinan si Astra es un gran negocio.

La tercera pregunta determina si es un punto de inflexión de una era.

Desde este ángulo, la pared de plantas verdes empujada hacia la entrada del MB0 tiene un significado simbólico. Por un lado, decenas de ejecutivos de clientes observan por primera vez a agentes digitales que podrían trabajar para ellos a largo plazo; por el otro, manifestantes exigen que la industria detenga la carrera de IA. Ambos lados tienen juicios radicalmente diferentes sobre el futuro, pero en realidad reconocen lo mismo: esta tecnología está volviéndose más poderosa que nunca.

Astra aún no se ha lanzado públicamente, y sus capacidades internas tampoco han sido suficientemente validadas externamente. Podría experimentar retrasos, exponer numerosos problemas de confiabilidad en entornos reales o finalmente no estar tan cerca de la AGI como lo describió Altman.

All these possibilities should be retained.

Pero un punto se ha vuelto cada vez más claro.

En la etapa anterior de la competencia de los modelos grandes, se trataba de quién podía responder con mayor precisión preguntas que el mundo ya conocía; la próxima etapa, representada por Astra, comienza a cuestionar quién puede actuar de forma continua, completar tareas complejas de manera independiente y, finalmente, ayudar a la humanidad a explorar preguntas para las que el mundo aún no tiene respuestas.

Entre un chatbot y un compañero virtual hay cuatro barreras altas: confiabilidad, seguridad, costo y confianza organizacional.

Lo que OpenAI está apostando realmente ahora es que Astra pueda superarlos uno por uno.

Y si realmente lo supera, cuando la gente mire hacia atrás en 2026, lo realmente importante tal vez no sea cuántos puntos lidera un modelo en la tabla de clasificación.

En cambio, la máquina por primera vez comienza a adquirir una capacidad que antes pertenecía principalmente a los seres humanos: recibir una tarea y llevarla a cabo por sí misma hasta su finalización.

1. Alex Heath, “Inside OpenAI’s Reboot”, TIME, 26 de agosto de 2026 (reimpreso por Yahoo Tech).
2. OpenAI, “Responding to the next frontier of critical cyber capabilities”, 2026年8月7日. (OpenAI)
3. OpenAI, “Pacing model development in an era of cyber-critical capabilities”, 18 de agosto de 2026. (OpenAI)
4. Cat Zakrzewski, Ian Duncan, Riley Beggin, “Sam Altman corteja a Washington mientras OpenAI impulsa una nueva IA poderosa”, The Washington Post, 2026年7月31日. (The Washington Post)
5. Stanford Institute for Human-Centered AI, The 2026 AI Index Report — Economy, 2026. (斯坦福HAI)
6. METR, “Task-Completion Time Horizons of Frontier AI Models”, actualizado el 8 de mayo de 2026. (METR)
7. METR, “Time Horizon 1.1”, 2026年1月29日. (METR)
8. Detenga la carrera de la IA, “Ocupa OpenAI / Detenga la carrera de la IA”, 2026. (stoptherace.ai)