Terminal X coincide con sus inversores sénior el 88,6 % de las veces en GPT-6.1 Sol —y ahorra un 30 % al hacerlo—

El número más interesante en el artículo de O​penAI del 20 de octubre de 2026 sobre Terminal X no es el nombre del modelo. Es 88.6%: la proporción de 500 juicios de inversión puntuados en los que un agente de evaluación que se ejecuta en GPT-6.1 Sol llegó al mismo veredicto que el revisor humano sénior de la firma. El siguiente mejor modelo en el mismo entorno de pruebas logró 86.4%. Los separan doscientos veinte puntos básicos, y aproximadamente un 30% separa su costo por consulta. Terminal X también ejecuta GPT-6 Luna para los pasos de alto volumen, y la división entre esos dos niveles es la verdadera historia de ingeniería aquí: juicio donde se necesita juicio, capacidad de procesamiento en todo lo demás. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Una cosa debe quedar clara antes de que las cifras empiecen a citarse por la oficina: este es un caso de cliente publicado por el proveedor del modelo, medido por el cliente y según la propia rúbrica del cliente. Es un resultado real en el sentido de que el arnés de pruebas existe y se ejecuta en producción, y no es un benchmark independiente en ningún sentido. Nadie fuera de Terminal X ha reproducido el 88,6 %. Trátalo como la evidencia pública más detallada hasta ahora sobre cómo se comporta un modelo del nivel de GPT-6.1 en trabajo de juicio profesional, no como una entrada de una tabla de clasificación.

¿Qué se midió realmente?

Terminal X vende lo que denomina Capital Memory: un sistema propiedad de la firma que indexa data rooms, modelos, memorandos, presentaciones regulatorias, correos electrónicos e historial de comités de inversión, y luego codifica cómo una mesa concreta toma decisiones en agentes propiedad de la firma, desplegados on-premise o en su propia nube. El equipo de ingeniería está formado por antiguos profesionales de finanzas e inversiones, y se sientan con cada cliente durante semanas para hacer ingeniería inversa del razonamiento que nunca se dejó por escrito — cómo evalúa la mesa de crédito a un prestatario, qué fuentes consulta el equipo de coinversión antes de un memorando.

La capa de evaluación es un agente separado. Según la historia, lee cada salida de producción contra una rúbrica de 54 criterios y devuelve aprobado o reprobado por criterio, con una razón de una línea y una fuente corregida para cada fallo. Esos fallos se convierten en nuevas instrucciones de flujo de trabajo y nuevos casos de prueba, por lo que la rúbrica se vuelve más exhaustiva a medida que la empresa corrige el sistema.

La comparación principal proviene de 500 juicios puntuados en los que un revisor humano senior ya había dictaminado. La tasa de concordancia del agente, por modelo:

• GPT-6.1 Sol — 88,6 % de concordancia en 500 juicios

• Siguiente mejor modelo — 86.4% de concordancia en los mismos 500

• Brecha — 220 puntos básicos, o aproximadamente un acuerdo adicional por cada 45 sentencias

Terminal X identifica una clase de error en la que se concentra la brecha: la deriva de estilo. Un fondo de adquisición cuyo mandato son candidatos de take-private que cotizan con descuento respecto al valor liquidativo no debería recomendar una posición de crédito distressed ni una financiación de rescate cuando cambian los modelos de escenarios. El agente de evaluación de GPT-6.1 Sol detectó alrededor de un 25% más de esas desviaciones del mandato que el siguiente mejor modelo. Esa es una afirmación más acotada que «88,6% de precisión», y más útil: el modelo es mejor para notar que una recomendación se ha desviado de la tesis, que es el modo de fallo que un revisor sénior realmente se pasa el día detectando.

Por qué la evaluación de un fondo es un tipo diferente de punto de referencia

Los benchmarks públicos hacen las mismas preguntas a todos los modelos. Terminal X hace a cada modelo las preguntas de una firma, conforme a una única rúbrica, en el estilo propio de la firma. Eso hace que el resultado sea más relevante para el comprador y menos comparable entre compradores; el mismo arnés en un fondo diferente ponderaría criterios distintos, y la brecha de 220 puntos podría fácilmente reducirse o ampliarse.

También hace que el resultado sea caro de comprobar. Reproducirlo requiere la rúbrica de 54 criterios y 500 juicios, y ninguno de los dos es público. Lo que sí es público es la forma de la afirmación y el contexto de producción que la rodea, y sobre esa base el resultado es coherente: se crearon aproximadamente 1.700 Memories de empresa, se ejecutaron más de un millón de flujos de trabajo personalizados y los usuarios activos semanales equivalen al 81 % de los activos mensuales —una ratio de adherencia que sugiere que los agentes se usan dentro de la semana laboral en lugar de probarse y abandonarse. Se cita a una firma de capital privado con 2,4 millones de dólares en ahorros anualizados procedentes de flujos de trabajo automatizados de due diligence y memorandos. Todo eso es el propio relato del cliente.

La línea de costos importa más que la línea de precisión.

Según el relato, GPT-6.1 Sol ejecutó los mismos flujos de trabajo a un costo por consulta aproximadamente un 30 % menor que el siguiente mejor modelo, a una velocidad similar. Terminal X atribuye eso a la eficiencia de tokens en tareas de contexto largo: el modelo podía contrastar una tesis con el mandato del fondo, luego con sus operaciones recientes y después volver a ejecutar los veredictos inciertos y conciliarlos, todo dentro del mismo presupuesto. Esa revisión más profunda es lo que marcó operaciones que una sola pasada había dejado pasar.

Una reducción de costos del 30 % por consulta es un hecho comercial mucho más relevante que 220 puntos básicos de concordancia, porque los agentes de evaluación y revisión se ejecutan constantemente y su factura escala con el volumen. También es el tipo de afirmación que la narrativa de un proveedor puede hacer de forma vaga —"velocidad similar" no es un número—, así que pertenece a la misma categoría que el resto: creíble en cuanto a la dirección, pero sin verificar.

Qué es GPT-6.1 Sol, oficialmente

GPT-6.1 Sol es el modelo que O​penAI lanzó el 29 de septiembre de 2026 para programación compleja y trabajo profesional. Es el único modelo de la categoría GPT-6.1 en la lista de modelos de O​penAI: no existe un identificador independiente y simple «GPT-6.1», y una solicitud que nombre uno no se resolverá. La especificación actual del proveedor, tal como se publicó:

• Precio — $2.00 por millón de tokens de entrada y $10.00 por millón de tokens de salida

• Entrada en caché — 0,10 $ por millón; escrituras en caché 2,50 $ por millón

• Prompts largos — más de 272.000 tokens de entrada: la entrada y la caché cuestan 2×, y la salida, 1,5×

• Ventana de contexto — 1.050.000 tokens, con un máximo de entrada de 922.000 y un máximo de salida de 128.000

• Modalidades — texto e imagen como entrada, texto como salida

• Esfuerzo de razonamiento — bajo, medio, alto, xhigh y máximo; ninguno y mínimo se rechazan

• Fecha límite de conocimiento — 30 de abril de 2026

• Niveles de servicio — Fast a 2× del estándar, Batch y Flex un 50 % por debajo, Ultrafast a 6×, con residencia de datos en EE. UU. y la UE

La lectura independiente en Artificial Analysis, consultada el 21 de octubre de 2026, es un único Índice de Inteligencia de 52 a esfuerzo máximo (índice v4.3.2, diez evaluaciones), con un precio de $0.72 por tarea de índice y un costo combinado de $1.47 por millón de tokens, con una velocidad de salida de 55.2 tokens por segundo. El panel también registra un tiempo hasta el primer token de 248 segundos con esa configuración de esfuerzo, frente a una mediana de comparación de 3.69 segundos, algo que conviene saber antes de que alguien apunte una interfaz de usuario síncrona al nivel de esfuerzo máximo.

Esos dos conjuntos de números describen cosas distintas, y la brecha entre ellos es el resumen honesto del modelo: un nivel de razonamiento con contexto de 1M con el precio de un modelo de gama media, cuya economía funciona para la evaluación por lotes y las ejecuciones agénticas largas, y no funciona para nada que una persona espere de forma interactiva con el máximo esfuerzo.

Lo que el 88.6% no te dice

• No es una medida de capacidad general. Una sola rúbrica, una sola combinación de clases de activos, los estándares de una sola firma.

• Se trata de concordancia con un humano, no de corrección. Un revisor con un sesgo constante y un modelo que lo comparta obtendrá una buena puntuación.

El conjunto de comparación no tiene nombre. «El siguiente mejor modelo» podría ser un competidor de vanguardia o un nivel mucho más económico; sin el nombre, no se pueden valorar los 220 puntos básicos.

• El costo por consulta no está definido. Que eso incluya las pasadas de revisión adicionales que el modelo habilita es justamente el tipo de detalle que cambia la conclusión.

Nada de lo que aparece aquí es un resultado de benchmark público comparable en igualdad de condiciones. En el único índice independiente que existe, GPT-6.1 Sol se sitúa un punto por debajo de GPT-6 Astra y cuatro puntos por encima del nivel GPT-6 Sol al que sustituyó.

Probar una afirmación como esta con tus propios datos

La única forma de saber si el resultado de la deriva del mandato se transfiere es pasar tus propios 200 a 500 juicios por dos modelos y puntuarlos contra tu propio revisor.

Eso ahora es un experimento barato: GPT-6.1 Sol está en las rutas de OrcaRouter al precio de lista del propio proveedor, sin ningún recargo añadido, así que una ejecución comparable contra GPT-6 Astra, GPT-6 Sol o GPT-6 Luna cuesta la tarifa oficial y nada más. Como los cuatro niveles están detrás de una sola clave, la comparación es un cambio en la cadena del modelo en lugar de un segundo contrato.

La propia arquitectura de Terminal X es el patrón que vale la pena copiar: dirige la etapa con mayor carga de juicio —la síntesis de la tesis, el encaje con el mandato, la pasada de conciliación— al nivel más potente que puedas justificar, y dirige la extracción, la clasificación y los pasos de gran volumen a algo como GPT-6 Luna a $0,10 y $0,50 por millón de tokens. El DSL de enrutamiento existe precisamente para que esa división pueda vivir en una configuración en lugar de en el código de la aplicación, y la conmutación por error automática significa que una ejecución de evaluación no muere a mitad de camino porque un servicio upstream haya tenido una mala tarde.

Qué ver

Dos cosas convertirían esto de una anécdota de proveedor en un resultado. Primera, una segunda firma que publique su propia tasa de concordancia con una rúbrica distinta: si el 88,6 % es una propiedad del modelo y no del arnés de Terminal X, una mesa de crédito y un fondo de infraestructura deberían quedar en el mismo entorno. Segunda, la comparación con nombre. Un 86,4 % del «siguiente mejor modelo» es la cifra que todo el mundo querrá interrogar, y hasta que tenga un nombre, los 220 puntos básicos son una afirmación sobre una categoría, no una comparación entre dos productos.

Hasta entonces, la lectura defendible es limitada y aun así útil: en un flujo de trabajo de inversión en producción, un modelo de nivel GPT-6.1 coincidió con un revisor sénior con la frecuencia suficiente para automatizar la primera pasada, detectó alrededor de una cuarta parte más de desviación de mandato que aquello contra lo que se midió, y lo hizo por aproximadamente un 30 % menos por consulta. Es una buena razón para ejecutar tu propia prueba. Todavía no es una razón para omitir una.