OpenAI lanza GPT-6.1 Terra a 1 dólar por millón de tokens: la mitad del precio para agentes que usan el computador

OpenAI lanzó GPT-6.1 Terra, un modelo de razonamiento de costo intermedio pensado para agentes que usan el computador, analizan documentos y ejecutan tareas profesionales repetitivas. El modelo, cubierto el 27 de octubre de 2026 por InfoWorld, reemplaza a GPT-5.6 Terra y cuesta en la API 1 dólar por millón de tokens de entrada y 5 dólares por millón de salida, la mitad que su antecesor y que el modelo superior GPT-6.1 Sol.

Terra queda en el medio de la familia actual de OpenAI: por encima del económico GPT-6 Luna y por debajo de GPT-6.1 Sol y GPT-6 Astra. OpenAI lo describe como un modelo rápido y eficiente que combina razonamiento visual detallado con uso preciso del computador, y que además escribe de forma más clara y natural.

¿Cuánto cuesta GPT-6.1 Terra frente a otros modelos?

Los precios por millón de tokens publicados (entrada, salida y entrada en caché) son estos:

• GPT-6.1 Terra: 1 dólar, 5 dólares y 0,05 dólares.
• GPT-6 Luna: 0,10 dólares, 0,50 dólares y 0,01 dólares.
• GPT-6.1 Sol: 2 dólares, 10 dólares y 0,10 dólares.
• GPT-6 Astra: 10 dólares, 50 dólares y 1 dólar.
• Claude Sonnet 5.5, de Anthropic, como referencia: 2 dólares y 10 dólares.

El modelo está disponible en la API como gpt-6.1-terra y, dentro de ChatGPT y Codex, para usuarios de los planes Plus, Pro, Enterprise y Edu.

¿Qué tan bien rinde en tareas de agentes?

Según las cifras de OpenAI recogidas por InfoWorld, en Agents' Last Exam, una prueba de tareas profesionales, Terra obtuvo 60,0% con un costo de 1,01 dólares por tarea, frente a 50,7% y 3,58 dólares de GPT-5.6 Terra, 58,6% y 2 dólares de GPT-6.1 Sol, y 63,2% y 8,82 dólares de Claude Opus 5.5. En OSWorld 2.1, que mide tareas de agentes sobre escritorio, subió a 74,2% desde 57,1%, con 1,19 dólares por tarea; ahí lidera Claude Sonnet 5.5 con 83,9% y 5,74 dólares.

DataCamp agrega que en Terminal-Bench 4.0 Terra marcó 50,3% en esfuerzo máximo, desde 21,5% de su antecesor. En una prueba interna con instrucciones diseñadas para inducir errores, la tasa de error bajó de 53,6% a 16,7% en esfuerzo bajo y llegó a 4,3% en esfuerzo máximo. Son resultados del propio proveedor y conviene validarlos con cargas reales.

¿Qué dicen los analistas sobre el ahorro real?

Pareekh Jain, CEO de EIIRTrend, dijo a InfoWorld que Terra llena un vacío entre los modelos de frontera caros y los modelos pequeños con capacidad limitada, y que es ideal para tareas de alto volumen como procesamiento de facturas o análisis de documentos. Sanchit Vir Gogia, analista jefe de Greyhound Research, advirtió que una inferencia más barata resuelve solo uno de los costos: la revisión humana y la integración pueden anular el ahorro, por lo que la métrica correcta es el trabajo completado que sigue siendo correcto y autorizado.

Análisis de Revenue Hub

¿Qué significa para las empresas en Chile y Latinoamérica? Que el costo de automatizar tareas comerciales repetitivas con agentes sigue bajando rápido. Preparar propuestas, completar formularios, revisar documentos de clientes o actualizar registros a partir de correos y PDF son tareas donde un modelo intermedio a 1 dólar por millón de tokens cambia la cuenta frente a hace seis meses. Para equipos comerciales de la región, donde el presupuesto de IA suele competir con contratar un vendedor más, ese diferencial importa.

Nuestra recomendación es no elegir modelo por precio por token. Midan el costo por flujo terminado: cuántas propuestas o registros salen correctos sin retrabajo, cuánto tiempo de revisión humana requieren y qué pasa cuando el agente se equivoca dentro del CRM. Ese análisis empieza por tener el proceso comercial bien definido y con dueños claros, como planteamos en la guía para estructurar HubSpot según la operación comercial. Sin etapas, propiedades y reglas de datos claras, un agente más barato solo produce errores más baratos.

Para gerencias de ventas y RevOps en Chile, Colombia, Perú o México, el paso concreto es elegir un flujo de alto volumen, correr una prueba de dos semanas con dos modelos y comparar exactitud y costo por tarea completada antes de escalar. Si la operación aún no tiene un responsable de RevOps que gobierne esos datos, la guía sobre qué es Revenue Operations y cómo implementarlo es un buen punto de partida.