OpenAI devuelve el límite de 5 horas a ChatGPT Work y Codex, pero mejora la eficiencia

OpenAI volvió a aplicar el límite de 5 horas de uso en ChatGPT Work y Codex para los planes Plus, Pro y Business, pero esta vez con una advertencia: los cambios introducidos en el modelo GPT-5.6 Sol deberían hacer que el tiempo rinda más.

El anuncio llegó el 28 de julio a través del ejecutivo Tibo Sottiaux, quien explicó que la restricción, suspendida temporalmente desde el 12 de julio para investigar un problema de consumo excesivo de tokens en ciertas tareas, se restablece a partir del día siguiente. La buena noticia es que, según Sottiaux, las optimizaciones aplicadas al modelo permitirán que "el tiempo disponible se extienda aproximadamente un 18%". En otras palabras, el mismo límite de reloj debería alcanzar para más trabajo.

El problema original era simple de entender, aunque complejo de resolver: GPT-5.6 Sol consumía más tokens de lo esperado en algunas operaciones, lo que hacía que los usuarios se quedaran sin crédito antes de terminar. La compañía retiró temporalmente el límite para recopilar datos y aplicar parches. Ahora, con las correcciones en producción, los contadores se reiniciaron para todos los usuarios y la carrera comienza de nuevo.

Para equipos latinoamericanos que dependen de ChatGPT Work y Codex para desarrollo y automatización, esta noticia tiene una implicación directa: si ya estabas acostumbrado a sesiones extendidas sin interrupciones, prepárate para volver a mirar el reloj. La eficiencia adicional del 18% es un respiro, pero no cambia la estructura del plan. Si tu equipo trabaja con tareas largas de depuración o integración, el margen sigue siendo ajustado y la planificación del uso diario se vuelve clave.

Más allá de la comodidad, el verdadero costo de los agentes de IA está en los tokens. Un estudio reciente de Stanford y la Universidad de Michigan reveló que las tareas de codificación agentiva consumen hasta 3.500 veces más tokens que una consulta de razonamiento simple. Y lo curioso es que gastar más tokens no garantiza mejores resultados: la precisión suele estancarse o incluso caer cuando el consumo se dispara, lo que sugiere que los modelos a veces "deambulan" sin rumbo. Para startups y pymes tecnológicas de la región, donde cada dólar en API cuenta, entender este patrón es crucial. Más no siempre es mejor.

OpenAI no ha dado cifras exactas sobre el impacto de las optimizaciones, pero la promesa de un 18% más de eficiencia es un avance concreto. Mientras tanto, los equipos harían bien en revisar sus patrones de uso: tal vez sea momento de priorizar las tareas más complejas en las primeras horas del límite, o de considerar si ciertos procesos realmente necesitan ejecutarse en el modelo más grande. La transparencia en el consumo de tokens sigue siendo una asignatura pendiente, pero al menos el cronómetro ahora corre un poco más lento.