Contexto técnico
Me interesé en esta historia no por el ruido, sino porque este tipo de fallos golpean directamente la automatización con IA, especialmente si tienes Codex CLI en tus pipelines locales o en CI/CD. Y aquí mi pregunta no es sobre el modelo, sino sobre el entorno: OpenAI no emitió un reconocimiento claro de una avería total, pero en la práctica los workflows de la gente se cayeron tras la 5.6.
Revisé lo que confirma la comunidad. El panorama es desagradable pero no místico: en Linux, para algunos comandos GPT-5.6 funciona de forma inestable o ni siquiera arranca; en Windows, la actualización se atasca por permisos de acceso; y el selector interactivo de modelos a veces no muestra GPT-5.6, aunque el lanzamiento mediante flag funciona.
Así que el problema no parece un "todo ha muerto", sino una mezcla de regresiones por plataforma, restricciones del sandbox y caché desactualizada. Por eso un desarrollador vuela en macOS mientras otro en Linux ve caer el mismo escenario sin explicación clara.
De las soluciones prácticas, veo tres muy útiles. Primero: reinstalar CLI manualmente, por ejemplo con npm, si la actualización automática se colgó. Segundo: matar el app-server y limpiar models_cache.json. Tercero: no esperes al selector; llama al modelo necesario directamente con -m gpt-5.6-sol.
También activaría de inmediato registros detallados y verificaría los permisos de directorios, sobre todo si usas el modo Full Auto o una cuenta organizativa con autorización compleja. Estas cosas suelen disfrazarse de "modelo roto", cuando en realidad falló la integración de IA a nivel de entorno.
Lo que esto cambia para el negocio y la automatización
Si tienes Codex CLI integrado en tu proceso de producción, la conclusión principal es simple: no puedes atar un flujo crítico a las actualizaciones automáticas sin fijar la versión. Una sola actualización y el equipo pierde horas no en desarrollo, sino en excavar el entorno.
Ganan quienes tienen aislamiento de versiones, un escenario de respaldo y una verificación separada de CLI después de la actualización. Pierden los equipos donde la implementación de IA se hizo "a ciegas", sin entorno de pruebas y sin observabilidad.
Veo regularmente estos cuellos de botella en los procesos de los clientes: la herramienta en sí puede ser potente, pero una arquitectura de IA débil alrededor lo estropea todo. En Nahornyi AI Lab desenredamos precisamente esos nudos para que la automatización con IA no se derrumbe por una sola actualización. Si tienes una historia parecida, puedes revisar tranquilamente tu flujo de trabajo y montar un esquema sólido con respaldo, registros y actualizaciones predecibles, en lugar de vivir en el "por la mañana funcionaba todo, por la noche nada".