Elegir el nivel de razonamiento correcto en GPT-5.6 Sol no es trivial, y OpenAI lo sabe. Por eso uno de sus ingenieros, Vaibhav Srivastav, publicó una guía práctica sobre cuándo conviene cada uno de los cinco niveles que trae el nuevo modelo.

¿Qué hace cada nivel de razonamiento?

Srivastav ordena los niveles según la complejidad de la tarea. La lógica es simple: mientras más alto el nivel, más tiempo tarda el modelo y más tokens consume. Este es el mapa que propone:

  • Light y Low: tareas rápidas y bien definidas, sin ambigüedad.
  • Medium: planificación y análisis de complejidad media.
  • High y xhigh: trabajo complejo de varios pasos o que exige "verificación cuidadosa".

Además de esos cinco niveles, GPT-5.6 Sol suma dos modos que funcionan distinto. Max permite que un mismo modelo dedique más tiempo a un único problema. Ultra despliega varios subagentes en paralelo, cada uno encargado de una parte diferente de la tarea.

¿Por qué conviene empezar bajo?

La recomendación central de Srivastav es partir por un nivel bajo y subir solo cuando el problema realmente lo requiera. El motivo es económico y de latencia: cada escalón superior agrega tiempo de respuesta y quema más tokens, por lo que usar xhigh para una consulta trivial es desperdiciar recursos.

Hay un detalle clave para quienes vienen de la versión anterior: los niveles de GPT-5.6 Sol no se corresponden con los tramos de GPT-5.5. Según Srivastav, quien migre debería empezar un nivel más abajo del que acostumbraba, porque la escala se recalibró.

¿Simplifico o complicó la experiencia?

Aquí aparece la paradoja. OpenAI ha declarado que su meta es que ChatGPT sea tan simple que "casi no haga falta interfaz". Sin embargo, pedirle al usuario que elija entre siete configuraciones distintas de razonamiento apunta en la dirección contraria.

A eso se suma que los tramos Pro de Sol todavía no están disponibles; su existencia se filtró antes en un paper de benchmark de genómica. Incluso los usuarios más avanzados tendrán dificultades para escoger el nivel adecuado sin correr sus propias pruebas, aunque ese mismo tanteo podría servirle a OpenAI para recopilar datos de uso reales.