Azure Blog desde operaciones

Destacado

Microsoft Foundry suma dos niveles de GPT-6 más baratos para agentes en producción

Microsoft puso en disponibilidad general GPT-6 Sol y GPT-6 Luna en Microsoft Foundry, junto a GPT-6 Astra, formando una gama de tres niveles para agentes en producción. Astra maneja razonamiento complejo, Sol cubre cargas de trabajo generales y Luna está pensado para tareas masivas como extracción, resumen y enrutamiento de solicitudes a una fracción del costo de Astra.

Qué cambia en operaciones — Para una empresa que opera agentes de soporte u operaciones sobre Azure, esto es una palanca directa de costos: en lugar de enviar cada clasificación de tickets o extracción de datos a un modelo de razonamiento caro, los equipos pueden ahora usar GPT-6 Luna para pasos rutinarios y masivos, y reservar Sol o Astra para las partes del flujo que realmente requieren criterio. Con los precios Global Standard de contexto corto, Luna cuesta 0,10 dólares por millón de tokens de entrada y 0,50 de salida, frente a los 2/10 dólares de Sol y los 10/50 dólares de Astra, lo que cambia el cálculo de costo por tarea para quien realiza miles de llamadas rutinarias de agentes al día. El movimiento práctico es mapear un flujo de agente existente, identificar qué pasos son clasificación/enrutamiento/resumen frente a razonamiento de varios pasos, y asignar los modelos en consecuencia en lugar de usar uno solo para todo.

Claude Opus 5.5 llega a Microsoft Foundry con tokens más baratos y reportes de agentes más claros

Para una empresa B2B de 10 a 200 personas que ejecuta agentes en Microsoft Foundry para redactar informes, triar tickets de soporte o refactorizar herramientas internas, el cambio práctico es doble: los costos más bajos de caché y de tokens abaratan las sesiones largas de agentes en producción, y el nuevo hábito del modelo de mostrar qué hizo, qué encontró y dónde necesita intervención humana reduce la revisión manual necesaria antes de confiar en la salida de un agente. El pensamiento adaptativo también elimina un paso de configuración: los equipos ya no necesitan ajustar manualmente el presupuesto de razonamiento por tarea, algo relevante para equipos de operaciones reducidos sin ingenieros de IA dedicados.