Cómo cambiar a GPT-6 Astra sin perder tu contexto (2026)

Primero, las especificaciones de la propia página del modelo de OpenAI. Astra ofrece una "ventana de contexto de 1,050,000" y "128,000 tokens de salida máximos", con una "fecha de corte de conocimiento del 30 de abril de 2026". OpenAI lo describe como "nuestro modelo más capaz, diseñado para el trabajo de extremo a extremo más difícil" y lo recomienda para "razonamiento complejo, programación, uso de computadoras, investigación y creación de documentos". El razonamiento es ajustable: reasoning.effort admite "low, medium, high, xhigh y max".

La disponibilidad es escalonada, así que planifica para un período mixto. Según la página del modelo: "GPT-6 Astra se está implementando hoy para empresas en nuestro Trusted Access Program, y el acceso a través de la API y nuestros planes Plus, Pro, Business y Enterprise llegará en los próximos días". La tabla de límites de velocidad de la API también enumera el nivel Free como "No compatible".

Esto importa por una razón práctica que la gente subestima: durante un tiempo estarás ejecutando Astra en algunos lugares y otra cosa en otros. Cualquier contexto que viva dentro del historial de conversación de un modelo no existe en el otro.

Los archivos de instrucciones se transfieren por completo, porque nunca fueron específicos de un modelo. Esta es la buena noticia y vale la pena ser precisos sobre el porqué. La documentación de Codex establece que "Codex lee los archivos AGENTS.md antes de realizar cualquier trabajo", y la cadena de descubrimiento que construye —archivo global, luego archivos de proyecto desde la raíz hacia abajo— no tiene nada que ver con qué modelo responde. Lo mismo ocurre con CLAUDE.md en Claude Code, .cursor/rules en Cursor, AGENTS.md en Amp y Warp.

Así que si tus convenciones están en archivos, cambiar de modelo no te cuesta nada. Si están en conversaciones, cambiar de modelo te cuesta perderlas todas.

El historial de conversación no se transfiere, en ninguna interfaz. Un nuevo modelo es una nueva conversación. En la API esto es obvio: tú mismo construyes el arreglo de mensajes y nada se transfiere a menos que tú lo lleves. En una interfaz de chat es menos obvio, porque la interfaz parece continua mientras que lo que responde ha cambiado.

La fecha de corte de conocimiento es la parte que ningún tamaño de ventana compensa. 30 de abril de 2026. Cuatro meses de tus propias decisiones se encuentran después de ella. Esta es la ilustración más clara posible de una distinción a la que seguimos volviendo: por qué el contexto largo no es memoria. La capacidad es cuánto puede contener el modelo a la vez. La memoria es si hay algo allí cuando comienza.

El uso de computadoras cambia incluso a qué se refiere el "contexto". Astra admite el uso de computadoras, y la página del modelo enumera Apply patch, Skills, MCP y Tool search como compatibles. Cuando un agente opera aplicaciones en tu nombre, el contexto relevante no es solo tu base de código; es qué sistemas tiene permitido tocar, cuáles son tus nombres internos para ellos y cuáles de las soluciones temporales del mes pasado aún se necesitan. Nada de eso se puede derivar de un repositorio, y nada de eso está en un modelo entrenado hasta abril.

Las instantáneas fijan el comportamiento, no el conocimiento. Las notas de la documentación indican que "las instantáneas te permiten bloquear una versión específica del modelo para que el rendimiento y el comportamiento sigan siendo consistentes". Útil para la reproducibilidad. No le da a la versión fijada más información sobre tu proyecto.

Paso 1: Escribe los cuatro meses que el modelo no tiene

Esta es la hora de mayor valor en todo el cambio, y casi nadie la dedica.

Abre el historial reciente de tu equipo —pull requests fusionados desde mayo, registros de decisiones, los hilos de Slack que sigues enlazando— y escribe qué cambió. No todo. Solo aquello en lo que un agente se equivocaría si no lo supiera.

Concretamente, eso suele dividirse en cinco categorías. Cambios de dependencias y frameworks: a qué te migraste y, fundamentalmente, de qué te alejaste, ya que un modelo entrenado antes sugerirá con total confianza la opción antigua. Depreciaciones: servicios, endpoints y librerías internas que aún existen en la base de código pero que no deben extenderse. Convenciones acordadas después de abril: la decisión de nomenclatura, el patrón de manejo de errores, la regla de revisión. Cambios de propiedad: qué equipo es dueño de qué área ahora. Restricciones con motivos: "la API tiene versión en la ruta porque dos clientes móviles fijan una compilación antigua" vale más que diez líneas de guía de estilo, porque sin el motivo, un agente la eliminará amablemente.

Luego colócalo en un lugar duradero. Si tus instrucciones ya viven en AGENTS.md o CLAUDE.md, esto va allí; los archivos son independientes del modelo, por lo que este trabajo también sobrevivirá al próximo cambio, que es el argumento en convertir los documentos del proyecto en memoria de IA.

Paso 2: Decide qué sucede durante el período mixto, luego verifica una conversación

Mientras el despliegue sea escalonado, tendrás ambos modelos en juego. Dos decisiones hacen que eso sea sobrevivible.

Primero, mantén tu capa de instrucciones en un solo lugar en vez de una por modelo. Es tentador escribir un archivo de instrucciones optimizado para Astra mientras dejas el antiguo para las interfaces más viejas. Eso son dos archivos que divergen desde el primer día, y es el mecanismo detrás de por qué los agentes ignoran tus archivos de instrucciones; no es que no puedan leerlos, sino que leen una de varias copias en desacuerdo.

Segundo, ajusta el esfuerzo de razonamiento de manera deliberada en lugar de dejarlo en el valor predeterminado de la interfaz. reasoning.effort acepta desde low hasta max, y un mayor esfuerzo en una tarea donde el modelo carece de tu contexto no produce una mejor respuesta. Produce una respuesta incorrecta más minuciosamente razonada. Dale el contexto primero.

Luego verifica, una vez. Inicia una nueva conversación con Astra y pregúntale algo cuya respuesta correcta dependa únicamente de una decisión posterior a abril; una pregunta donde la respuesta anterior a la fecha de corte sea errónea con total seguridad. Lee lo que responde. Si te da la respuesta antigua, tu capa de instrucciones no le está llegando, y lo habrás descubierto en dos minutos en lugar de en un pull request.

Mientras estás allí, comprueba cuánto te cuesta realmente un millón de tokens en la práctica. Una ventana muy grande invita a pegarlo todo, y una conversación repleta de un repositorio entero no es lo mismo que una conversación con los diez datos que importan. La relación entre lo que cargas y lo que obtienes de vuelta es el tema de mantener menos en la memoria del agente.

Todo lo anterior es trabajo real, y la parte incómoda es que también lo hiciste para GPT-5.6, y lo volverás a hacer para lo que sea que se lance en diciembre. Cada cambio de modelo se convierte en una migración de contexto porque el contexto se almacena en el lugar equivocado: dentro de las conversaciones o dentro de los archivos que mantienes por herramienta.

La alternativa es mantener la mitad duradera fuera de ambos. Los datos sobre tu proyecto no cambian cuando el modelo lo hace. Si viven en una capa que tus agentes leen, un cambio de modelo se convierte en lo que debería ser: un cambio de modelo. Apuntas un modelo diferente al mismo conocimiento y comienza informado.

Eso también soluciona el problema de la fecha de corte de conocimiento de forma permanente en lugar de una sola vez. El 30 de abril de 2026 deja de ser un abismo que cubres con un largo texto pegado, porque los cuatro meses posteriores están escritos en algún lugar al que el modelo puede acceder. MemoryLake se configura en tres pasos.

Paso 1: Crea una clave API

Inicia sesión y genera una clave API desde tu panel de control. No está vinculada a un modelo, una instantánea o un nivel de plan, que es la propiedad que importa mientras el acceso a un nuevo modelo se realiza de forma escalonada en diferentes interfaces.

Paso 2: Sube tus primeras memorias

Comienza con la lista del Paso 1 anterior: a qué te mudaste y de qué te alejaste, qué está obsoleto, las convenciones acordadas desde abril, la propiedad y las restricciones que tienen motivos asociados.

Agrega las cosas que un agente de uso de computadoras necesita y no puede inferir: qué sistemas internos debe tocar, cómo los llama tu equipo, qué paso manual aún existe porque un proveedor no ha solucionado algo.

Paso 3: Conecta tu IA y agentes

Apunta Astra al almacén, y apunta lo que sea que sigas ejecutando en otro lugar al mismo almacén. Durante un despliegue escalonado, esa es la diferencia entre una única fuente de verdad y dos que divergen, que es el argumento presentado en cambiar entre modelos de IA sin perder el contexto.

El primer cambio es que la fecha de corte deja de importar. Cada modelo tiene una, cada una de ellas está en el pasado, y la brecha se llena escribiendo tu propia historia reciente en lugar de esperar que el próximo lanzamiento mueva la línea lo suficientemente lejos.

El segundo es que una ventana grande se convierte en una capacidad en lugar de una obligación. Puedes albergar un millón de tokens; no deberías tener que gastarlos en restablecer quién eres. Carga la tarea, no la orientación.

El tercero es que el próximo cambio es económico. Esta es la cuarta o quinta vez en un año que un lanzamiento de frontera hace que los equipos consideren mudarse, y los equipos que siguen pagando el precio completo son aquellos cuyo contexto vive en las conversaciones.

• Lee ambos números. 1,050,000 tokens de capacidad y una fecha de corte de conocimiento del 30 de abril de 2026. El segundo es el que cambia tu trabajo.
• Escribe los meses posteriores a la fecha de corte. Cambios, depreciaciones, convenciones, propiedad y restricciones con motivos.
• Mantén una sola capa de instrucciones, no una por modelo. Los archivos de instrucciones nunca fueron específicos de un modelo; no los hagas así.
• Espera un período mixto. El despliegue es escalonado a través de Trusted Access, la API y los planes de pago, y el nivel Free de la API figura como no compatible.
• Establece reasoning.effort a propósito. Desde low hasta max es un rango real, y el esfuerzo no sustituye al contexto.
• Verifica con una pregunta posterior a abril. Un solo prompt cuya respuesta anterior a la fecha de corte sea incorrecta te dirá si tu contexto está llegando al modelo.
• Fija instantáneas para reproducibilidad, no para conocimiento. Una versión fijada se comporta de manera consistente; no sabe más.
• Dale al uso de computadoras su propio contexto. Qué sistemas, cómo se llaman internamente, qué soluciones temporales aún se aplican.

Lo interesante de Astra no es que pueda albergar un millón de tokens. Es que un modelo tan capaz todavía comienza cada conversación sin saber lo que tu equipo decidió en mayo.

Cambiar bien significa separar los dos problemas. La capacidad proviene del modelo, y es genuinamente mejor. El conocimiento proviene de ti, y la única manera de dejar de pagar por él en cada cambio es mantenerlo en un lugar que el modelo pueda leer en vez de en algún lugar donde casualmente ocurrió una conversación.