Apenas unos días después del lanzamiento de GPT-5.6, OpenAI reportó otro fuerte aumento en la adopción. En el momento del informe original, ...
A solo días del lanzamiento de GPT-5.6, OpenAI reportó otro aumento pronunciado en su adopción. Al momento del informe original, Codex y ChatGPT Work habían superado los 8 millones de usuarios activos, y OpenAI había restablecido nuevamente los límites de uso para todos.
La historia de crecimiento es impactante, pero la lección más útil puede estar oculta en la nueva guía de prompts de GPT-5.6 de OpenAI. La compañía ahora alienta a los desarrolladores a eliminar reglas repetidas, ejemplos innecesarios, descripciones de herramientas infladas e instrucciones paso a paso que el modelo ya no necesita.
Para GPT-5.6 Sol, un buen prompt se trata menos de controlar cada movimiento y más de definir el destino: el resultado requerido, las restricciones estrictas, la evidencia disponible, los límites de aprobación y el estándar para la finalización.
Tibo, quien lidera Codex y ChatGPT en OpenAI, anunció que el conteo combinado de usuarios activos de Codex y ChatGPT Work había alcanzado los 8 millones. OpenAI también restableció nuevamente los límites de uso y continuó operando sin el límite de velocidad de cinco horas anterior.
El ritmo fue inusualmente rápido. Según el informe original, el conteo combinado de usuarios pasó de 6 millones a 7 millones y luego a 8 millones en pocos días después del lanzamiento de GPT-5.6.
Los restablecimientos de uso también se volvieron tan frecuentes que se convirtieron en una broma recurrente entre los usuarios. Algunas personas describieron el patrón como una actualización diaria que mantenía los límites semanales fuera de la vista, especialmente para aquellos que no habían consumido por completo su asignación restaurada antes de que llegara el siguiente restablecimiento.
Los restablecimientos no deben interpretarse como un derecho permanente o una política de producto fija. Fueron respuestas públicas a un rápido aumento en la adopción, y los límites pueden variar según el plan, el modelo, la carga de trabajo y la capacidad actual.
Sam Altman dijo que la demanda de GPT-5.6 Sol estaba creciendo rápidamente y atribuyó al equipo de inferencia el mérito de expandir la capacidad para respaldarla. También advirtió que los usuarios podrían experimentar interrupciones ocasionales del servicio mientras la infraestructura continúa escalando.
Esa advertencia es importante porque un restablecimiento de uso no elimina el costo subyacente de servir a un modelo de razonamiento. Más usuarios, ejecuciones de agentes más largas, herramientas paralelas y configuraciones de razonamiento más altas pueden aumentar la demanda de cómputo.
La conclusión práctica es simple: los límites restablecidos pueden crear más espacio para experimentar, pero los equipos aún deben diseñar flujos de trabajo en torno a la calidad medida, la latencia y el
costo en lugar de asumir capacidad ilimitada.
Altman también dijo que GPT-5.6 Sol tenía un precio de aproximadamente la mitad del costo de un modelo competidor al que llamó Fable, mientras usaba alrededor de la mitad de los tokens en muchas tareas comparables.
Si un modelo cuesta la mitad por token y completa el mismo trabajo con aproximadamente la mitad de los tokens, el costo total puede acercarse a una cuarta parte de la línea base de comparación en esos casos específicos.
Esa no es una fórmula universal. La propia documentación de OpenAI recomienda repetidamente probar cargas de trabajo representativas porque la elección del modelo, el esfuerzo de razonamiento, el uso de herramientas, el almacenamiento en caché, la latencia y los requisitos de salida afectan el costo final.
Aun así, la dirección es clara: el valor de GPT-5.6 no es solo que cada token pueda ser más barato. El modelo también está diseñado para obtener más trabajo útil con menos tokens.
Durante varias generaciones de modelos de IA, la ingeniería de prompts a menudo significaba agregar más estructura.
Los equipos creaban prompts del sistema largos con roles detallados, advertencias repetidas, bloques XML, instrucciones de persistencia, ejemplos, descripciones de herramientas y pasos de proceso explícitos. Cada vez que el modelo fallaba, se agregaba otra regla.
GPT-5.6 Sol cambia ese equilibrio.
La guía actual del modelo de OpenAI dice que GPT-5.6 tiene una comprensión de intenciones más fuerte y a menudo no necesita que se prescriba cada paso intermedio. Los desarrolladores aún deben proporcionar contexto del dominio, restricciones estrictas, límites de aprobación, requisitos de evidencia y criterios de éxito, pero pueden darle al modelo más libertad para elegir el camino de trabajo.
En una muestra de las evaluaciones internas de agentes de codificación de OpenAI, los prompts del sistema más concisos, según se informa:
OpenAI describe estas cifras como indicativas, no universales. Deben validarse con las tareas, herramientas y el conjunto de evaluación utilizados en tu propia aplicación.
Un prompt práctico de GPT-5.6 generalmente se puede organizar en torno a cuatro elementos:
¿Se considera la tarea completada?
Este enfoque le otorga al modelo un contrato claro sin obligarlo a seguir una ruta rígida.
Un prompt antiguo podría asignarle al modelo el rol de ingeniero senior de seguridad, especificar cada paso de navegación de archivos, dictar el orden del análisis, repetir advertencias y prescribir el flujo de trabajo de informes exacto.
Una versión más ágil de GPT-5.6 podría verse así:
Resultado:
Auditar este repositorio e identificar vulnerabilidades de seguridad de alta gravedad.
Restricciones:
Centrarse en la autenticación y la validación de entrada.
No modificar la configuración de producción ni alterar archivos.
Informar cada problema una sola vez, sin repetir el mismo riesgo en varias secciones.
Evidencia:
Utilizar la documentación de arquitectura adjunta y el inventario de dependencias.
No inventar detalles de implementación faltantes.
Criterios de aceptación:
Para cada hallazgo, incluir la ubicación del archivo, la evidencia de respaldo, el impacto probable
y una corrección práctica.
Antes de finalizar, verificar cada hallazgo con estos requisitos.
Luego, el modelo puede decidir si inspeccionar primero un directorio específico, usar subagentes, ejecutar una prueba no destructiva o comparar dependencias con patrones conocidos.
El usuario define cómo es un buen trabajo. El modelo elige una ruta eficiente dentro de los límites permitidos.
Un prompting más ágil no significa abandonar el control. Significa mover el control a los lugares donde realmente importa.
Indicar qué acciones puede realizar el modelo de forma independiente y cuáles requieren confirmación.
Por ejemplo, leer archivos, inspeccionar registros, editar código local dentro del alcance y ejecutar pruebas no destructivas pueden estar permitidos. Las escrituras externas, compras, acciones destructivas, cambios en producción o una expansión material del alcance normalmente deberían requerir aprobación.
Un límite claro es más útil que repetir "pregúntame primero" a lo largo del prompt.
Pedir al modelo que verifique su salida contra los criterios de aceptación antes de la entrega.
Esto es especialmente útil para revisión de código, investigación, generación de documentos, análisis de datos y flujos de trabajo de herramientas de varios pasos. La regla de verificación debe ser concreta: confirmar campos obligatorios, probar el cambio, citar evidencia o comparar la salida final con una referencia suministrada.
Comenzar con el prompt y el conjunto de herramientas más pequeños que ya funcionen.
Eliminar o agregar una categoría a la vez, luego volver a ejecutar las mismas evaluaciones. Esto facilita identificar qué instrucción realmente mejora la calidad y cuál solo agrega tokens.
Describe tu idea una vez y We0 AI puede generar un sitio de presentacion, paginas y CMS, y ayudarte a atraer clientes y trafico tras el lanzamiento.
Una generación completa de proyectos para registro gratuito
Lo mejor para probar un flujo de generación completo y ver rápidamente el primer borrador del proyecto.
Reescribir un conjunto completo de prompts de una sola vez puede dar un resultado más limpio, pero también hace que los fallos sean más difíciles de diagnosticar.
GPT-5.6 sigue las instrucciones de cerca. Eso es útil cuando el prompt es coherente, pero hace que las contradicciones sean más costosas.
Un prompt puede pedir una respuesta exhaustiva en una sección y una respuesta muy corta en otra. Puede indicarle al modelo que actúe de forma autónoma, y luego repetir que debe pedir aprobación antes de cada cambio. Puede exigir
todo el detalle disponible mientras se impone un límite de salida estricto.
Los modelos anteriores a veces ignoraban un lado del conflicto. Un modelo con mayor capacidad de seguir instrucciones puede intentar satisfacer ambos, lo que produce un comportamiento vacilante, solicitudes de aprobación innecesarias o una salida que no cumple claramente con ninguno de los requisitos.
La solución no es añadir otro párrafo explicando qué regla importa más. La solución suele ser eliminar o reconciliar el conflicto.
La guía de indicaciones concisas de OpenAI recomienda eliminar:
El indicación debe preservar:
Una regla útil es conservar las instrucciones que pueden cambiar el resultado y eliminar las que solo repiten tu proceso preferido.
Un conjunto de consejos ampliamente compartido recomienda limpiar los paquetes de instrucciones antiguos, habilitar la memoria de Codex cuando sea apropiado y comenzar con una configuración de razonamiento moderada antes de subir a niveles superiores.
La guía oficial respalda el mismo enfoque mesurado.
Al migrar desde GPT-5.5 o GPT-5.4, OpenAI recomienda mantener la configuración de razonamiento actual como referencia y probar esa configuración junto con un nivel inferior. GPT-5.6 puede mantener o mejorar la calidad con menos tokens, pero la mejor configuración depende de la carga de trabajo.
Para muchas tareas de producción:
Elegir la configuración más alta por defecto puede desperdiciar recursos sin mejorar el resultado.
El cambio más profundo no es solo técnico. Es un cambio en cómo las personas colaboran con los agentes de IA.
El enfoque anterior trataba al modelo como un asistente junior que necesitaba que cada paso se describiera de antemano. El usuario planeaba toda la ruta y el modelo la ejecutaba.
El enfoque más reciente se acerca más a dirigir a un operador experimentado. El usuario define el
objetivo, límites, evidencia y estándar de calidad. El modelo planifica y ejecuta la ruta, deteniéndose cuando alcanza una decisión o acción que requiere aprobación humana.
Esto no elimina la ingeniería de instrucciones. Eleva el nivel en el que ocurre dicha ingeniería.
El trabajo más valioso ya no consiste en escribir cientos de instrucciones procedimentales. Se trata de decidir:
A medida que los modelos se vuelven más capaces, las instrucciones excesivamente detalladas pueden generar la misma fricción que pretendían evitar.
GPT-5.6 Sol es el modelo insignia de la familia GPT-5.6 de OpenAI. OpenAI lo posiciona para flujos de trabajo de producción complejos, programación, trabajo del conocimiento, uso de herramientas y tareas donde tanto la calidad como la eficiencia de tokens son importantes.
GPT-5.6 puede inferir más del flujo de trabajo previsto por el usuario y no siempre necesita que se le prescriba cada paso intermedio. Eliminar instrucciones repetidas o conflictivas reduce la sobrecarga de instrucciones y le da al modelo un objetivo más claro.
Una buena instrucción debe definir el resultado, el contexto relevante, las restricciones estrictas, los límites de aprobación, los requisitos de evidencia, los criterios de éxito y el formato de salida requerido. Incluya instrucciones de proceso solo cuando codifiquen un requisito real o corrijan una falla medida.
No. Comience con una instrucción que ya funcione, elimine un grupo de instrucciones a la vez y vuelva a ejecutar las mismas evaluaciones. Mantenga todo lo que proteja la seguridad, los permisos, el comportamiento del producto, los requisitos de salida o un caso límite conocido.
No. El modelo solo debe tener libertad dentro de límites claramente definidos. Las escrituras externas, acciones destructivas, compras, cambios en producción o expansión del alcance aún deben requerir aprobación explícita cuando corresponda.
No. OpenAI describe la mejora del 10-15% en puntuación, la reducción del 41-66% en tokens y la reducción del 33-67% en costos como resultados direccionales de evaluaciones internas de agentes de programación. Los resultados reales dependen de la aplicación, las instrucciones, las herramientas, la configuración de razonamiento y los criterios de evaluación.
Comience con la configuración que utiliza su flujo de trabajo de producción actual y compárela con un nivel inferior. Aumente el esfuerzo de razonamiento solo cuando evaluaciones representativas muestren una mejora útil que justifique la latencia y el costo adicionales.
modelos.
El informe original capturó dos novedades relacionadas: el rápido crecimiento de Codex y ChatGPT Work, y un cambio en cómo OpenAI recomienda indicar su modelo más nuevo.
GPT-5.6 Sol está diseñado para manejar más planificación por sí mismo. Las indicaciones más efectivas se centran cada vez más en el resultado requerido, las restricciones, la evidencia, las aprobaciones y el estándar de finalización, en lugar de prescribir cada paso.
Los equipos deben simplificar las indicaciones gradualmente y validar cada cambio con evaluaciones representativas. Más corto no es automáticamente mejor; son mejores las instrucciones claras, no redundantes y medibles.
La lección principal es definir el destino con precisión, establecer los límites con claridad y dejar de microgestionar la ruta.
Empieza con una sola frase y obtén un sitio completo en minutos.
