Parallel recorta a la mitad el tiempo y el coste de su investigación con GPT-6 Astra
La empresa de infraestructura para agentes de IA asegura que el modelo GPT-6 Astra completa tareas de investigación en la mitad de tiempo y con cerca de un 50% menos de coste, sin perder calidad.
Parallel ha puesto cifras a un caso interno con GPT-6 Astra, el modelo de OpenAI, y el resultado que subraya es doble: la mitad de tiempo y un recorte de coste en torno al 50% en sus tareas de investigación largas, con la misma calidad de respuesta. La compañía construye infraestructura para agentes de IA que hacen trabajo de conocimiento sobre la web, desde grounding para agentes de voz hasta research para clientes financieros y jurídicos.
El problema que arrastraban es el habitual en estas cargas. Para que el agente diera una respuesta buena en una investigación larga había que tirar de un modelo más grande y con razonamiento extendido, y eso se paga en más llamadas, más tokens y más minutos de espera. Devin Gupta, miembro del equipo técnico de Parallel Web Systems, lo resume así: «Con Astra hemos demostrado que se puede obtener la misma investigación de alta calidad mucho más rápido, con menos llamadas y menos tokens».
El test que dan como referencia
La prueba que describen consiste en pedir al agente que reuniera seis estadísticas distintas del mercado laboral en cuatro estados a lo largo de seis meses. Es decir, rastrear varios sitios, recolectar los datos y montarlo todo en un único informe. Con GPT-6 Astra el trabajo salió en la mitad de tiempo que con los modelos anteriores y con esa rebaja de coste cercana al 50%, sin que la calidad del informe bajara.
Hay un segundo efecto que a Parallel le interesa más de cara a operar esto: el modelo hace búsquedas más dirigidas y llega al resultado útil en menos pasos. Según Gupta, Astra lanza consultas más específicas y no pierde de vista la tarea final, incorporando el conocimiento que ya tiene en lugar de ir a buscarlo.
Eso abre la puerta a repartir el trabajo entre varios agentes. Astra puede delegar subtareas concretas a subagentes y ejecutarlas en paralelo, en vez de recorrer una única secuencia de búsquedas. Para quien monta este tipo de sistemas, la consecuencia práctica es un pipeline más barato y con menos latencia, que es lo que decide si una tarea de research se puede ofrecer a escala o se queda en demo.
Conviene poner el dato en su sitio: son cifras de la propia Parallel, no de un tercero, y el texto no dice con qué modelos anteriores compara ni publica el benchmark completo. Tampoco hay detalle sobre precios ni sobre cómo se comporta Astra cuando la investigación se complica o cuando el agente tiene que decidir cuándo parar. Lo que sí queda claro es hacia dónde se mueve la arquitectura: menos llamadas caras a un modelo grande y más reparto de tareas entre agentes pequeños que trabajan a la vez.
