GPT 5.2: benchmarks, desglose del modelo y rendimiento en el mundo real

Actualización: desde que publicamos este artículo, OpenAI ha lanzado varios modelos nuevos. Para mantenerte al día, echa un vistazo también a nuestras guías sobre GPT-5.4, GPT-5.3-Codex y GPT-5.3-Instant.

Solo ha pasado un mes desde el lanzamiento de GPT-5.1. Pero un mes es mucho tiempo en el mundo de la IA. En ese intervalo, Google lanzó Gemini 3, que se colocó en cabeza en muchos de los benchmarks más seguidos, y Antropic lanzó Claude Opus 4.5, que volvió a liderar en ingeniería de software.

OpenAI quiere presentarse como la empresa mejor preparada para generar valor empresarial. Pero tras perder posiciones en clasificaciones clave, pudo temer la fuga de usuarios o incluso de clientes corporativos. Según informaciones, esa presión activó un “código rojo” y empujó al equipo a adelantar el lanzamiento de GPT-5.2.

En este artículo, te ayudamos a entender todo lo anunciado con GPT-5.2, incluido lo que pueden ganar las empresas con los tres nuevos modelos, que ya están llegando a ChatGPT para todos los usuarios de pago (y disponibles en la API). También puedes consultar nuestra guía de la herramienta ChatGPT Images y las de los dos modelos más recientes, GPT-5.3 Codex y GPT-5.2 Instant.

Mantenemos a nuestra audiencia al día sobre lo último en IA con The Median, nuestro boletín gratuito de los viernes que desglosa las noticias clave de la semana. Suscríbete y mantente al tanto en solo unos minutos a la semana:

¿Qué hay de nuevo en GPT-5.2?

GPT-5.2 trae mejoras específicas y enfocadas en razonamiento, memoria y uso de herramientas. Según OpenAI, estos avances se traducen en mejores flujos de trabajo empresariales y menos puntos de fallo durante tu trabajo. Cada uno de los tres modelos de la serie aporta ese valor con un enfoque diferente.

GPT‑5.2 Instant

GPT-5.2 Instant prioriza la baja latencia y respuestas rápidas. Se plantea como el caballo de batalla del día a día para obtener información, redactar y traducir. Es el modelo con el que la mayoría interactuará por defecto, y su ventaja es el rendimiento más que la profundidad. En términos prácticos, cubre el hueco cuando necesitas respuestas rápidas o automatización ligera sin pagar el coste de un razonamiento más pesado.

GPT‑5.2 Thinking

GPT-5.2 Thinking incorpora capacidades de razonamiento extendido que le permiten trabajar problemas complejos paso a paso antes de responder.

En los propios benchmarks de OpenAI, es el modelo que marca nuevos máximos en tareas de trabajo del conocimiento, programación y contexto largo, especialmente cuando puede usar herramientas como hojas de cálculo y presentaciones.

Es el intento de OpenAI de crear un motor de trabajo del conocimiento de propósito general, y es el modelo que eliges cuando la precisión mejora con un razonamiento deliberado. Para muchas organizaciones, será la elección para análisis, flujos de trabajo de varios pasos y tareas con agentes.

GPT‑5.2 Pro

Este es el buque insignia, pensado para clientes empresariales.

También es la opción más cara porque está orientada a escenarios de alto impacto, donde ganancias incrementales en calidad de razonamiento, precisión factual y resolución abstracta de problemas justifican el mayor coste por token.

Pro está pensado para entornos donde los errores salen caros y donde los equipos necesitan un modelo que mantenga la coherencia en contextos muy largos. Es el modelo para sistemas de apoyo a la decisión, planificación compleja y cualquier carga de trabajo donde la fiabilidad importe tanto como la capacidad bruta.

¿Cuándo estará disponible GPT-5.2?

GPT-5.2 ya se está desplegando. OpenAI lanzó oficialmente el modelo el 11 de diciembre de 2025, con acceso prioritario para los planes de pago de ChatGPT, y con disponibilidad ampliándose por regiones y plataformas. Los usuarios pueden acceder a los tres modelos de GPT-5.2 directamente en ChatGPT, y los desarrolladores pueden usarlos a través de la API de OpenAI en los endpoints de Responses y Chat Completions.

Benchmarks de GPT-5.2

El lanzamiento de GPT 5.1 fue notablemente parco en resultados de benchmark porque se centró en la experiencia de usuario. No sorprende que GPT 5.2 trate de corregir el rumbo poniendo el foco en los resultados.

Tareas profesionales

GDPval es el benchmark más destacado en este lanzamiento. Pero solo se presentó en arXiv a principios de octubre de 2025, así que destacarlo dice mucho sobre la naturaleza del lanzamiento.

GDPval evalúa tareas que los profesionales realizan a diario en su trabajo, como crear informes y hacer presentaciones. Las preguntas se seleccionan de 44 ocupaciones de las nueve industrias que más contribuyen al PIB de EE. UU. Incluye desde una enfermera hasta un científico de datos o un profesor universitario. Las tareas exigen entregables reales, como hojas de cálculo, libros contables, vídeos y presentaciones.

Programación

El segundo benchmark más destacado en este lanzamiento es SWE-Bench Pro, una evaluación exigente de ingeniería de software en la que GPT-5.2 obtuvo un 55,6%. SWE-Bench Pro exige resolver incidencias de largo recorrido en repos reales, problemas que implican, por ejemplo, cambiar varios archivos. 

Puede que te suene SWE-bench Verified, que es una versión más sencilla de la prueba. En esta, GPT 5.2 logró un 80%. Para contextualizar, recientemente informamos de que Claude Opus 4.5 obtuvo un 80,9% en esta prueba, así que ambos modelos son bastante comparables.

Razonamiento con contexto largo

GPT 5.2 también destaca en otro benchmark llamado MRCR v2 (Multi-Round Coreference Resolution, versión 2). Obtiene una puntuación casi perfecta, que OpenAI interpreta como que podemos usar GPT 5.2 para trabajar con documentos largos.

A su favor, alcanza una precisión casi perfecta hasta 256k tokens. Eso son unos doscientos mil palabras, aproximadamente el tamaño de una novela.

Ejemplos de GPT-5.2: probando las nuevas capacidades 

OpenAI afirmó con confianza que GPT 5.2 trae grandes mejoras en inteligencia, comprensión de contexto largo, llamadas a herramientas con agentes y visión, así que tiene sentido evaluar cada punto por separado. 

Comprensión de contexto largo

Para probar la comprensión de contexto largo de GPT-5.2, subí una versión online de la novela de J.M. Coetzee, Desgracia. Luego le pedí al modelo que me contara un detalle pequeño y fácilmente olvidable escondido dentro de un pasaje largo.

Le pedí a GPT-5.2 que respondiera a esta pregunta: 

What did David serve Melanie for supper in one of their early encounters?Con la tecnología de

GPT-5.2 encontró la respuesta correcta, aunque a mí me pareció un detalle tipo aguja en un pajar. Esta cena se mencionaba una vez en el libro y no tenía relevancia narrativa real.

Esta prueba me demostró que la recuperación de GPT-5.2 no se basa en adivinar patrones, sino en una retención genuina a lo largo de una secuencia extensa.

Este tipo de retención importa porque el rendimiento real con contexto largo consiste en mantener el estado granular a lo largo de grandes extensiones de texto. Si un modelo recuerda una receta fugaz enterrada en 90 páginas, puede seguir variables en un código, cláusulas en un contrato o detalles financieros en un informe de 200 páginas.

Llamadas a herramientas con agentes

Prueba 1

Para probar las capacidades de agente de GPT-5.2, le di una tarea que requiere navegar y hacer clics. Le pedí que actuara como un agente autónomo de búsqueda de pisos. Esta capacidad sería útil para quien quiera mudarse pero no tenga tiempo de rastrear portales de alquiler.

El modelo tenía que usar un navegador, aplicar filtros, entrar en los anuncios, extraer detalles y montar un informe comparativo.

Este fue el prompt, en esencia:

You are my autonomous apartment-hunting agent.

Find apartments for rent in Queens.
 
Open a rental site, apply a price and neighborhood filter, scroll through the results, 
click into each relevant listing, and extract structured details (price, address, 
beds/baths, square footage, amenities, pet policy, parking, fees, lease terms, and a 
short description of the layout/photos). 

Then assemble everything into a table, rank the units by overall value, and write a brief 
report naming the best-value pick, the cheapest acceptable unit, and the one with the 
best amenities. Save the table as a CSV in the VM and show the ranked table in chat.Con la tecnología de

Este planteamiento ponía a prueba, de una tacada, el razonamiento de largo recorrido, las llamadas a herramientas y la interacción con la interfaz.

GPT-5.2 navegó a un portal de anuncios, configuró los filtros y trabajó los resultados por su cuenta. Entró en viviendas concretas, extrajo campos estructurados, eligió tanto un barrio como una franja de precio (podría haber pedido yo estos filtros, pero no estoy buscando mudarme), y luego compiló una pequeña lista corta clasificada. 

Seguro que la investigación no fue perfecta. Vi en el rastro del modelo que algunos sitios bloquearon el scraping, pero el agente se recuperó cambiando de sitio y, al final, produjo un conjunto de recomendaciones aprovechable. 

Una cosa que noté en la tabla final fue que el modelo no me dio URLs reales; en su lugar, ofreció esas referencias tipo captura de pantalla. Esto se debe a que la mayoría de portales de alquiler bloquean el acceso automatizado y la herramienta de navegación no puede extraer ni compartir los enlaces reales de los anuncios. Cuando pasa esto, inserta un puntero a la captura que tomó dentro del sandbox. Así que esa parte fue un poco molesta.

Prueba 2

Quise ver hasta dónde llegaban estas capacidades de agente en un dominio con muchas menos fuentes limpias de datos, así que hice un segundo experimento de genealogía.

Le pedí a GPT-5.2 que investigara si aparecen miembros de la familia Waples en registros parroquiales ingleses y si podría haber algún vínculo histórico o genealógico con Herefordshire.

GPT-5.2 realizó acciones concretas, como acceder a un portal gratuito de genealogía y hacer clic por varias páginas para localizar y descargar registros.

El modelo descompuso el problema en subtareas, consultó recursos como FreeBMD y Forebears, e incluso redactó un correo de consulta dirigido para solicitar registros no digitalizados.

A la vez, comprobé que la genealogía, como campo de investigación, impone límites claros. Muchas fuentes clave, como los registros parroquiales o los presentment rolls, solo existen en archivos físicos o detrás de catálogos restringidos. FreeBMD impone un tope de descarga de 50 registros, el catálogo de HARC no es accesible sin cookies de sesión y los documentos relevantes históricamente suelen obtenerse a través de servicios de investigación de pago. 

El modelo puede reconocer estas barreras y sugerir siguientes pasos, pero no puede superarlas. Esta prueba no produjo nada especialmente útil, aunque no fue culpa del modelo.

Todo esto explica por qué OpenAI se centra en casos de uso empresariales: ahí está la oportunidad. Pero conviene recordar que muchos datos siguen fuera de línea, fragmentados, de pago o literalmente tras puertas cerradas.

Visión + inteligencia general

Para la prueba final, subí un Sudoku como test tanto de visión como de inteligencia general.

El Sudoku no es matemáticas duras porque está muy constreñido. Pero cuando el puzzle se muestra como imagen y no como texto estructurado, el modelo debe combinar varias habilidades: leer la cuadrícula, preservar los “dados” y aplicar la lógica para resolverlo.

can you fill out this sudoku for meCon la tecnología de

La imagen no estaba perfectamente dibujada, pero eso formaba parte de la prueba:

GPT-5.2 me devolvió un puzzle correcto, pero sustituyó al menos uno de los números fijos que no debía tocar. Podrías decir que “hizo trampa” sin querer.

Este tipo de error no es un fallo de razonamiento. Es más bien una quiebra de visión y fidelidad. O bien el modelo leyó mal una celda dada, o no entendió cuáles eran posiciones fijas, o perdió las restricciones al convertir la imagen en una cuadrícula interna.

Costes de GPT-5.2 y acceso por API

Las pruebas anteriores muestran lo que puedes hacer dentro de ChatGPT, pero la verdadera flexibilidad llega con la API, donde controlas el esfuerzo de razonamiento, los presupuestos de tokens y la integración de herramientas.

Los tres modelos están disponibles ya a través de las APIs Responses y Chat Completions de OpenAI:

Aquí tienes los precios:

• Para GPT-5.2 Thinking: 1,75 $ por millón de tokens de entrada y 14 $ por millón de tokens de salida para el modelo Thinking base, con un 90% de descuento en entradas en caché.
• GPT-5.2 Pro: el modelo de nivel superior es mucho más caro: 21 $ entrada, 168 $ salida.

Dos añadidos para usuarios avanzados: un ajuste de esfuerzo de razonamiento 1xhigh1 y un endpoint /compact que amplía la ventana de contexto efectiva para flujos de trabajo de larga duración.

GPT-5.2 frente a la competencia

Veamos cómo se compara GPT-5.2 con los otros lanzamientos recientes: 

GPT-5.2 vs Gemini 3

Gemini 3, lanzado a mediados de noviembre, arrasó en muchas de las pruebas de referencia más seguidas. Ocupa el primer puesto en Humanity's Last Exam y también supera a GPT-5.2 Pro en GPQA Diamond, aunque por poco (93,8% vs. 93,2%). 

El gran salto de Gemini probablemente refleja mejoras tanto en la implementación de mixture-of-experts como en la infraestructura de entrenamiento. Gemini 3 usa enrutado disperso a nivel de token y se entrenó en la infraestructura personalizada de TPU de Google. Donde GPT-5.2 está destacando ahora es en benchmarks de trabajo profesional como GDPval y en evaluaciones de uso de herramientas para empresa. Ahí es donde OpenAI ha concentrado claramente su esfuerzo.

GPT-5.2 vs Claude Opus 4.5

Claude Opus 4.5, lanzado a finales de noviembre, siguió otro camino. Anthropic se centró en lo que llaman "razonamiento híbrido"—combinar pensamiento extendido con una inteligencia base más fuerte—y el resultado es un modelo que destaca en ingeniería de software y tareas abiertas. En SWE-bench Verified, Opus 4.5 alcanza el 80,9%, apenas por encima del 80% de GPT-5.2.

Donde divergen es en el estilo: Opus 4.5 tiende a respuestas más largas y deliberativas, mientras que GPT-5.2 Thinking enfatiza el uso de herramientas y salidas estructuradas como hojas de cálculo y presentaciones. Para agentes de código y refactors complejos, están prácticamente a la par; para flujos de trabajo empresariales con diapositivas e informes, OpenAI apuesta a que GPT-5.2 tiene ventaja.

Conclusión

Los resultados de benchmarks de GPT están acaparando mucha atención, y debe de haber bastante presión en OpenAI por rendir. Hace un mes, el lanzamiento de GPT 5.1 quedó eclipsado por Gemini 3. Ahora, con GPT 5.2, OpenAI queda muy cerca de Gemini 3 en GPQA y muy cerca de Claude Opus 4.5 en SWE-Bench Verified, lo que debe de ser frustrante para el equipo.

OpenAI ha destacado en su lugar el alto rendimiento en GDPval y SWE-Bench Pro, pero el primero, especialmente, es oscuro frente a los estándares del sector que acaparan titulares. Podría parecer que OpenAI intenta contar una historia ganadora sin llamar la atención sobre los rankings que ahora no lidera.

Pero la carrera está muy reñida y estas empresas aún tienen margen para demostrar su valía. Una cosa que seguiremos de cerca es cómo rinden los nuevos modelos en el próximo benchmark ARC-AGI-3, actualmente en desarrollo.