Agentes de razonamiento (GPT-5.6 Sol, esfuerzo de alto a máximo)
En esta página
- Agentes de razonamiento (GPT-5.6, esfuerzo de alto a máximo)
- Cuándo activar el razonamiento en un agente
- Sol + esfuerzo alto/xalto: razonamiento profundo
- Terra + esfuerzo medio: razonamiento rápido
- Patrón: enrutador de configuración
- Comportamiento del streaming con razonamiento activado
- Optimización de costes
- Puntos clave
Actualizado el 2 de noviembre de 2026 — modelos.
o3,o3-proy las instantáneas heredadas de GPT-5 se eliminarán de la API el 11 de diciembre de 2026, yo4-minilleva tiempo superado. Para nuevos agentes, comienza con la familia GPT-6: GPT-6.1 Sol para el equilibrio, GPT-6 Astra para las tareas más exigentes.
Agentes de razonamiento (GPT-5.6, esfuerzo de alto a máximo)
Con la familia GPT-5.6 (disponible desde julio de 2026), el razonamiento ya no se gestiona mediante modelos separados como en la generación anterior (o3-pro, o4-mini): ahora es una configuración por solicitud (none, low, medium, high, xhigh, max) aplicable a todos los modelos. Un agente que realmente necesite pensar —explorando múltiples caminos antes de responder— utilizará habitualmente GPT-5.6 Sol con esfuerzo high o xhigh. Integrada en tus agentes, esta capacidad de razonamiento desbloquea tareas que exigen una deliberación genuina.
Cuándo activar el razonamiento en un agente
El razonamiento profundo destaca en situaciones específicas y la experiencia demuestra que todas comparten un rasgo común: comparar posibles caminos antes de tomar una decisión. Esto se aplica a la planificación compleja, donde desglosas una tarea en pasos óptimos, y al análisis matemático —cálculos, estadística, optimización—, donde un solo paso erróneo invalida el resto. También es relevante para la depuración, que implica rastrear un síntoma hasta su causa raíz, y para la toma de decisiones, donde debes evaluar varias opciones y elegir la mejor. La revisión de código entra en la misma categoría: encontrar un error sutil requiere simular mentalmente ejecuciones que una lectura lineal no revelaría.
Para tareas sencillas (responder a una pregunta, dar formato a texto), GPT-5.6 Terra o Luna con esfuerzo bajo (o incluso none) son más rápidos y baratos. Pagar por razonamiento para reformular un párrafo es como dejar el motor de un coche de carreras al ralentí en un atasco.
Sol + esfuerzo alto/xalto: razonamiento profundo
GPT-5.6 Sol con esfuerzo de razonamiento alto sustituye a lo que antes hacía o3-pro. El agente tarda más, pero produce análisis más profundos. El ejemplo siguiente es típico: una pregunta estratégica con tres opciones, donde la respuesta correcta depende de compensaciones entre riesgo, coste y horizonte temporal. Ten en cuenta que las instrucciones definen explícitamente las dimensiones a considerar; el razonamiento siempre se beneficia de restricciones claras.
from agents import Agent, Runner, ModelSettings
from openai.types.shared import Reasoning
strategic_advisor = Agent(
name="Strategic Advisor",
instructions="""Eres un consultor de estrategia empresarial.
Analiza en profundidad antes de recomendar.
Considera siempre: riesgos, oportunidades,
costes y alternativas.""",
model="gpt-5.6-sol",
model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)
result = Runner.run_sync(
strategic_advisor,
"""Nuestra startup SaaS tiene 500 clientes, 2 M€ de MRR y crece un 15 % mensual.
Estamos debatiendo:
A) Captar una Serie B (20 M€) y acelerar en EE. UU.
B) Mantenernos autofinanciados y consolidarnos en Europa
C) Buscar un adquirente estratégico
¿Qué estrategia recomiendas y por qué?"""
)
print(result.final_output)
Para los análisis más críticos, sube a xhigh o max. Existe también una configuración ultra (anunciada en julio de 2026) que coordina 4 agentes en paralelo por defecto (hasta 16 en ciertas evaluaciones) para las tareas más pesadas; es potente, pero con un consumo de tokens significativamente mayor: resérvala para problemas que justifiquen el coste.
Terra + esfuerzo medio: razonamiento rápido
Entre la ausencia de razonamiento y el análisis profundo existe un punto intermedio muy utilizado en producción. GPT-5.6 Terra con esfuerzo medium ofrece un buen compromiso entre capacidad de razonamiento y velocidad, el equivalente del antiguo o4-mini. Es ideal para agentes que necesitan razonar con rapidez, como este agente de diagnóstico que lee métricas del servidor y debe vincular la saturación de memoria con un pico de errores 5xx en cuestión de segundos, mientras el sitio sufre un incidente.
from agents import Agent, Runner, ModelSettings, function_tool
from openai.types.shared import Reasoning
@function_tool
def get_server_metrics(server: str) -> str:
"""Recupera las métricas de un servidor."""
import json
metrics = {
"cpu": 87.5,
"ram": 92.1,
"disk": 65.3,
"requests_per_second": 1250,
"response_time_p99": 450,
"errors_5xx": 23,
}
return json.dumps(metrics)
diagnostic_agent = Agent(
name="Diagnostic Agent",
instructions="""Diagnosticas problemas de infraestructura.
Analiza las métricas e identifica la causa probable.
Propón acciones correctivas inmediatas y a largo plazo.""",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
tools=[get_server_metrics],
)
result = Runner.run_sync(
diagnostic_agent,
"El sitio lleva lento 30 minutos. Diagnostica el servidor web-prod-01."
)
Patrón: enrutador de configuración
No tienes que elegir una configuración para siempre. Utiliza una configuración ligera para el enrutamiento y la adecuada para la ejecución: un primer agente lee la tarea, devuelve un objeto tipificado que indica qué modelo y esfuerzo usar, y luego instancias el agente de ejecución con esa decisión. El campo reason no es decorativo; te permite, al revisar tus registros, verificar que el enrutador no está sobreprovisionando sistemáticamente.
from pydantic import BaseModel
from typing import Literal
class ConfigDecision(BaseModel):
model: Literal["gpt-5.6-luna", "gpt-5.6-terra", "gpt-5.6-sol"]
effort: Literal["none", "low", "medium", "high", "xhigh"]
reason: str
router_agent = Agent(
name="Smart Router",
instructions="""Analiza la tarea y decide qué configuración usar:
- gpt-5.6-luna, esfuerzo none/low: tareas sencillas (resúmenes, reformulaciones, respuestas factuales)
- gpt-5.6-terra, esfuerzo medium: razonamiento rápido (clasificación, diagnósticos)
- gpt-5.6-sol, esfuerzo high/xhigh: tareas complejas (planificación estratégica, análisis profundo, matemáticas)""",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
output_type=ConfigDecision,
)
async def process_with_optimal_config(task: str):
# Paso 1: elegir la configuración
decision = await Runner.run(router_agent, task)
config = decision.final_output
print(f"Configuración: {config.model} / esfuerzo {config.effort} ({config.reason})")
# Paso 2: ejecutar con la configuración correcta
execution_agent = Agent(
name="Execution Agent",
instructions="Realiza la tarea solicitada con precisión.",
model=config.model,
model_settings=ModelSettings(reasoning=Reasoning(effort=config.effort)),
)
result = await Runner.run(execution_agent, task)
return result.final_output
Comportamiento del streaming con razonamiento activado
Cuando el razonamiento está activado, el streaming tiene un matiz: el proceso de pensamiento interno del modelo no se transmite en texto plano. Tu interfaz recibe, por tanto, tokens para la respuesta final, pero nada durante la fase de razonamiento.
agent = Agent(
name="Analyst",
instructions="Analiza los datos en profundidad.",
model="gpt-5.6-sol",
model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)
# El streaming entrega la respuesta final, no el razonamiento intermedio
result = Runner.run_streamed(agent, "Analiza este problema complejo.")
async for event in result.stream_events():
if event.type == "raw_response_event":
if hasattr(event.data, "delta") and event.data.delta:
print(event.data.delta, end="", flush=True)
Ten en cuenta esta latencia en tu UX: con esfuerzo high o superior, los primeros tokens pueden llegar tras un tiempo de pensamiento considerable. Un indicador de espera explícito evita que los usuarios crean que la aplicación se ha bloqueado y recarguen la página en el peor momento.
Optimización de costes
El razonamiento consume tokens adicionales (el pensamiento interno se factura). Dos palancas ayudan a contener los costes: reducir el esfuerzo por defecto y aumentarlo solo cuando sea necesario, y separar la decisión de la ejecución; es decir, razonar para decidir, pero ejecutar sin razonamiento. El flujo de trabajo híbrido siguiente aplica el segundo principio: Terra con medium establece el enfoque y Luna lo lleva a cabo con herramientas.
# Patrón: razonamiento híbrido
# Terra + medium para la decisión, Luna sin razonamiento para la ejecución
decision_agent = Agent(
name="Decider",
instructions="Decide el enfoque óptimo.",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
)
executor_agent = Agent(
name="Executor",
instructions="Ejecuta el plan decidido.",
model="gpt-5.6-luna", # Más barato para la ejecución
tools=[search_crm, generate_report],
)
async def hybrid_workflow(task: str):
plan = await Runner.run(decision_agent, f"Cómo abordar: {task}")
result = await Runner.run(executor_agent, plan.final_output)
return result.final_output
Puntos clave
- El razonamiento es una configuración por solicitud en todos los modelos GPT-5.6 (none → max), ya no son modelos separados como o3-pro/o4-mini
- GPT-5.6 Sol con esfuerzo
high/xhigh: planificación estratégica, análisis complejo, matemáticas - GPT-5.6 Terra con esfuerzo
medium: razonamiento rápido para diagnósticos y enrutamiento - La configuración
ultracoordina múltiples agentes en paralelo para las tareas más pesadas; coste de tokens significativamente mayor - El patrón de enrutador selecciona dinámicamente la combinación modelo + esfuerzo y optimiza los costes
- Razonar para decidir, ejecutar sin razonar: la mejor relación calidad-precio