Ir al contenido principal
Español— Elegir un idioma
Menú

Agentes de razonamiento (GPT-5.6 Sol, esfuerzo de alto a máximo)

Lección 16 de 25 Actualizado el 2 de noviembre de 2026 Desarrollador
En esta página
  1. Agentes de razonamiento (GPT-5.6, esfuerzo de alto a máximo)
  2. Cuándo activar el razonamiento en un agente
  3. Sol + esfuerzo alto/xalto: razonamiento profundo
  4. Terra + esfuerzo medio: razonamiento rápido
  5. Patrón: enrutador de configuración
  6. Comportamiento del streaming con razonamiento activado
  7. Optimización de costes
  8. Puntos clave

Actualizado el 2 de noviembre de 2026 — modelos. o3, o3-pro y las instantáneas heredadas de GPT-5 se eliminarán de la API el 11 de diciembre de 2026, y o4-mini lleva 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 ultra coordina 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