Contexto técnico
Me puse a investigar qué pasa realmente con GPT-5.6 Sol Max porque la historia sonaba rara: la gente espera la máxima calidad, pero recibe un modo recortado sin siquiera darse cuenta. Para la implementación de IA, esa es una sorpresa desagradable, sobre todo si construyes cadenas donde el comportamiento del modelo debe ser predecible.
La confirmación es bastante prosaica. En ChatGPT normal no hay un interruptor automático universal de Max para todos, pero en ChatGPT Work y Codex el nivel de esfuerzo de razonamiento max debe activarse manualmente a través de ajustes y configuraciones. Si no lo haces, el modelo no funciona en su modo de razonamiento máximo.
Y aquí yo no mezclaría tres cosas: el Sol normal, el modo max y otros modos mejorados como ultra o Sol Pro. No son lo mismo. Max no es un botón mágico de “hazlo perfecto”, sino un modo de razonamiento más pesado con mayor tiempo y consumo de tokens.
Con los tokens es previsible pero desagradable. OpenAI dice abiertamente que max y ultra aumentan el consumo por diseño, pero no da coeficientes públicos precisos. La gráfica del tuit solo confirma lo que ya veo en ejecuciones reales: Max consume muchísimo, y en tareas largas eso ya no es cosmética, sino un factor de arquitectura.
Impacto en negocio y automatización
La primera consecuencia es simple: si un equipo cree que está probando el modo superior pero no tiene Max activado, las comparaciones de modelos y prompts quedan distorsionadas. Luego surgen conclusiones falsas sobre calidad, SLA y retorno.
Segundo: no aconsejaría construir automatización con IA directamente sobre Max. Es mejor mantener un enrutamiento: modo por defecto para tareas masivas, Max solo para puntos caros donde realmente se necesita un razonamiento más profundo.
Tercero: presupuestos. Si un agente escribe código, valida hipótesis o ejecuta flujos de varios pasos, un desliz en la configuración se convierte fácilmente en miles de tokens extra por ejecución. Justo este tipo de cosas las depuramos en Nahornyi AI Lab antes del lanzamiento, porque la integración de IA se rompe no en las demos, sino a escala.
Si tienes una historia parecida y los costes ya han empezado a subir, puedes desglosar tu escenario por capas: dónde necesitas Max, dónde basta el modo normal y dónde conviene rediseñar por completo la arquitectura de IA. En Nahornyi AI Lab suelo empezar exactamente por ahí, porque una automatización con IA que funcione bien debe ahorrar recursos, no quemarlos por un error de configuración.