Ir al contenido principal
Español— Elegir un idioma
Menú

Control del esfuerzo de razonamiento, desde ChatGPT hasta la API

Lección 8 de 12 Actualizado el 5 de noviembre de 2026 Intermedio
En esta página
  1. Ajuste de la reflexión para cada tarea
  2. En ChatGPT: una configuración por mensaje
  3. En la API: cinco palancas
  4. El impacto en los costes
  5. Tres estrategias de optimización
  6. Tu turno
  7. Puntos clave

Ajuste de la reflexión para cada tarea

Las lecciones 1 a 3 te han proporcionado el mapa de configuraciones y las directrices de OpenAI. Esta lección pasa a los controles: cómo ajustar el esfuerzo mientras trabajas, gestionar su coste y automatizarlo dentro de una aplicación. El principio permanece inalterado: el nivel de razonamiento es una compensación, no un control de calidad. Afecta simultáneamente a cuatro variables: el número de tokens de razonamiento, el tiempo de respuesta, la profundidad del análisis y el consumo de cuota o coste.

En ChatGPT: una configuración por mensaje

En el chat, el deslizador Pensamiento para GPT-6 se ajusta por mensaje: puedes mantenerlo en Instantáneo para reformular, cambiar a Alto para el análisis y luego bajarlo de nuevo. Los niveles superiores consumen cuotas específicas de tu plan; cuando alcanzas un límite, ChatGPT puede continuar con otro modelo disponible e, cuando es posible, indica cuándo se restablece la cuota. En Work y Codex, el deslizador de potencia desempeña el mismo papel, oscilando entre Más rápido y Más inteligente, con Máximo y Ultra en reserva. La mejor práctica en ambos casos: comienza con la configuración predeterminada y solo auméntala si el resultado no es suficiente.

En la API: cinco palancas

Para los desarrolladores, cinco parámetros en la API de Responses te ponen al mando del razonamiento:

  • reasoning.effort establece el nivel, desde none hasta max dependiendo del modelo: GPT-6 Astra y GPT-6.1 Sol comienzan en low, mientras que GPT-6.1 Terra y GPT-6 Luna aceptan none.
  • reasoning.mode, standard por defecto o pro, hace que el modelo trabaje más sin cambiar el nivel de esfuerzo; este trabajo extra se factura a la tarifa estándar del modelo pero consume más tokens.
  • max_output_tokens limita el número total de tokens generados, incluido el razonamiento. Si lo estableces demasiado bajo, obtendrás respuestas incompletas; OpenAI recomienda reservar al menos 25.000 tokens cuando empieces a experimentar.
  • reasoning.summary solicita un resumen del proceso de razonamiento, ya que el razonamiento crudo nunca se expone.
  • configuration_update, un elemento insertado entre dos respuestas, cambia el nivel de esfuerzo a mitad de la conversación en modelos GPT-6 compatibles sin tocar la configuración de la solicitud inicial: el prefijo del prompt permanece intacto y la caché del prompt sigue sirviendo.
Seis palancas sobre el razonamiento Seis bloques: reasoning.effort establece el nivel, de none a max según el modelo; reasoning.mode elige standard o pro; max_output_tokens limita los tokens, incluido el razonamiento; reasoning.summary solicita un resumen; configuration_update cambia el esfuerzo sin romper la caché; en Chat, un nivel por mensaje, dentro de las cuotas. CONTROL DEL ESFUERZO Seis palancas sobre el razonamiento 1 reasoning.effort El nivel, de none a max según el modelo. 2 reasoning.mode standard o pro, independiente del esfuerzo. 3 max_output_tokens El límite, incluido el razonamiento. 4 reasoning.summary Un resumen, nunca el razonamiento crudo. 5 configuration_update Cambia el esfuerzo sin romper la caché. 6 En Chat Un nivel por mensaje, dentro de las cuotas. Escalada: comienza en el nivel predeterminado, aumenta solo si el resultado no es suficiente.
Basado en la guía de modelos de razonamiento de la API de OpenAI y el Centro de ayuda de OpenAI (noviembre de 2026).

Así es como se ve ese último elemento, insertado antes del siguiente mensaje del usuario:

{
  "type": "configuration_update",
  "reasoning": { "effort": "high" }
}

Una conversación iniciada en low cambia así a high para la siguiente respuesta y las siguientes, hasta que se produce otra actualización.

El impacto en los costes

Los tokens de razonamiento se facturan como tokens de salida, y su conteo crece rápidamente con el nivel: desde unos pocos cientos hasta decenas de miles para un problema difícil. La elección del modelo importa tanto como el nivel: por token de salida, GPT-6 Luna cuesta veinte veces menos que GPT-6.1 Sol, y GPT-6 Astra cuesta cinco veces más. En ChatGPT, el coste se traduce en cuotas: el número de solicitudes exigentes posibles por periodo.

Tres estrategias de optimización

La primera es la escalada: no empieces por lo más alto. Comienza con el nivel predeterminado, medium en la API, o inferior para una tarea trivial; si la respuesta es incompleta o incorrecta, sube un escalón; reserva xhigh, max, el modo pro, Max y Ultra para problemas que los justifiquen. En una aplicación, configuration_update hace posible esta escalada dentro de una sola conversación.

La segunda es la triage basada en tareas, que deberías convertir en un hábito: reformulación y clasificación en el nivel más bajo, redacción y análisis simples en low, planificación y juicio en medium, depuración y problemas difíciles en high, investigación a largo plazo en xhigh y casos extremos en max.

La tercera es emparejar el modelo correcto con el nivel correcto. GPT-6.1 Sol en high o superior, posiblemente en modo pro, maneja problemas exigentes; GPT-6 Astra queda reservado para los más difíciles; GPT-6.1 Terra se encarga de la escritura, imágenes y orquestación de aplicaciones; GPT-6 Luna, en low o medium, absorbe volumen a menor coste.

Tu turno

Encuentra el punto de rendimientos decrecientes. Haz la siguiente pregunta tres veces, en tres niveles (Instantáneo, Medio y luego Alto en Chat, o low, medium y luego high en la API), y compara la profundidad del análisis y, en la API, los tokens de razonamiento consumidos.

“Una empresa tiene 5 proyectos. Proyecto A: 100.000 €, ROI 3,2x, riesgo medio. Proyecto B: 250.000 €, ROI 1,8x, riesgo bajo. Proyecto C: 50.000 €, ROI 5,1x, riesgo alto. Proyecto D: 150.000 €, ROI 2,4x, riesgo medio. Proyecto E: 75.000 €, ROI 4,0x, riesgo alto. El presupuesto total es de 400.000 €. ¿Qué proyectos deben financiarse para maximizar el ROI ajustado al riesgo? Indica explícitamente la regla de ajuste utilizada.”

Identifica el nivel en el que subir más aporta poco valor: esa es tu configuración para este tipo de preguntas.

Fuentes oficiales: Modelos de razonamiento (API de OpenAI: effort, pro mode, max_output_tokens, summaries, configuration_update, billing) · Modelos (esfuerzos aceptados y precios por modelo) · GPT-6 y otros modelos en ChatGPT (niveles, cuotas y fallback en Chat)

Puntos clave

  • El esfuerzo varía tokens, latencia, profundidad y coste juntos: es una compensación
  • En ChatGPT, el nivel se ajusta por mensaje, dentro de las cuotas del plan
  • En la API: reasoning.effort, reasoning.mode, max_output_tokens, reasoning.summary y configuration_update
  • La escalada, la triage de tareas y el emparejamiento correcto modelo-nivel son las tres palancas para el ahorro
  • Cambiar el esfuerzo a mitad de la conversación con configuration_update preserva la caché del prompt