GPT-Rosalind ya se factura. Un modelo especialista es una nueva capa de producción, no una simple mejora

Desde hoy, 5 de octubre, OpenAI factura GPT-Rosalind, su modelo para investigación en biología, descubrimiento de fármacos y medicina traslacional. El modelo salió de la fase de preview en septiembre y está disponible en todo el mundo, pero solo para organizaciones aprobadas en el programa de acceso de confianza (trusted access) de OpenAI, a través de la API, Codex y ChatGPT Enterprise.

Para un laboratorio farmacéutico, una biotecnológica o una CRO, lo relevante no es la lista de precios. Es lo que un modelo especialista hace con la arquitectura: añade una capa aparte, con sus propias reglas de acceso, sus propios usos aprobados y su propia forma de demostrar valor.

Qué se ha publicado

La documentación de precios de OpenAI recoge el modelo de la API como gpt-rosalind-research, a 5 dólares por millón de tokens de entrada, 0,50 dólares por millón de tokens de entrada en caché y 25 dólares por millón de tokens de salida, con facturación desde el 5 de octubre de 2026 y sin coste de escritura en caché. La misma página fija el límite más importante: el acceso se restringe a investigación interna aprobada mediante trusted access. Las organizaciones elegibles siguen recibiendo los modelos GPT-Rosalind más recientes a medida que se publican.

Conviene dejar dos matices por escrito. Primero, no es disponibilidad general en el sentido habitual: la organización tiene que ser aprobada, y la aprobación cubre un uso, no solo una empresa. Segundo, el modelo se presenta para investigación. Nada en el anuncio convierte sus resultados en evidencia científica o clínica validada.

El precio no es lo difícil

Compárelo con los modelos generales de OpenAI. GPT-5.6 Sol cuesta 4 dólares de entrada y 20 de salida por millón de tokens en contexto corto; GPT-5.6 Terra, 2 y 12. GPT-Rosalind queda algo por encima de Sol. En la mayoría de cargas de investigación, el coste por token no decidirá si el especialista compensa.

Lo decide que el especialista haga mejor el trabajo científico por resultado validado. Un modelo que redacta una ruta de síntesis, un pipeline de genómica o un protocolo de ensayo solo sale más barato si se descartan menos salidas en la revisión. Es un problema de medición, el mismo que analizamos en nuestro artículo sobre el enrutamiento por tarea en la guía de GPT-6: coste por tarea resuelta, no por token.

El acceso de confianza es un objeto de gobernanza

La aprobación para “investigación interna” tiene consecuencias dentro de la empresa:

• Quién es elegible. Los equipos de investigación, sí. Un equipo comercial que quiera el mismo modelo para contenidos médicos, o el área de farmacovigilancia, puede quedar fuera del uso aprobado. Déjelo por escrito antes de que alguien construya encima.
• Claves y proyectos separados. Mantenga el acceso al especialista en un proyecto propio, con claves, responsables y logs propios, para poder demostrar qué personas y sistemas lo usaron.
• Cambio de finalidad. Un asistente de investigación que empieza a producir contenido para expedientes regulatorios ha cambiado de finalidad. Es un uso nuevo que requiere revisión, no una extensión natural.

En la Unión Europea, los datos genéticos son una categoría especial según el artículo 9 del RGPD. Si un flujo envía secuencias o datos de participantes en estudios al modelo, la base jurídica, la seudonimización y el lugar donde se procesan deben estar resueltos antes de activar la integración. OpenAI ofrece endpoints de residencia de datos regional, con un recargo del 10% para modelos publicados después del 5 de marzo de 2026 según su página de precios; confirme si GPT-Rosalind está disponible en la región europea antes de darlo por hecho.

Es el mismo patrón que vimos cuando Anthropic puso el acceso para ciencias de la vida detrás de un programa de verificación: en este sector, el acceso al modelo se está convirtiendo en un activo gobernado, concedido para una finalidad y auditable frente a ella.

1. Petición de investigación
2. Enrutamiento por tarea
3. Modelo generalista
4. Modelo especialista (acceso restringido)
5. Revisión del científico
6. Validación experimental o computacional

• Enrutamiento: Petición de investigación · Enrutamiento por tarea · Modelo generalista · Modelo especialista (acceso restringido)
• Evidencia: Revisión del científico · Validación experimental o computacional

Camino por defectoSolo en el uso aprobado

Qué cambia en la arquitectura

El enrutamiento necesita una regla, no una costumbre. Defina qué tareas van al especialista (biología de dianas, razonamiento químico, código de análisis ómico) y cuáles se quedan en el generalista (resúmenes, actas, cribado de literatura). Ponga la regla en el gateway o en la capa de orquestación, donde queda registrada.

La evaluación tiene que ser del dominio. Un benchmark genérico no dice si el modelo ayuda a sus químicos. Prepare un conjunto pequeño de problemas pasados de sus propios programas, con respuesta conocida, y compare especialista y generalista antes de ampliar el uso.

La frontera de la validación no se mueve. La salida del modelo es una hipótesis o un borrador. El resultado experimental, la comprobación computacional y la firma del científico siguen siendo la puerta. La EMA ya pide, en su documento de reflexión sobre la IA en el ciclo de vida del medicamento, un enfoque basado en el riesgo y que el uso de IA que influya en la evidencia regulatoria esté justificado y documentado. Si un resultado asistido por IA acaba en un expediente ante la AEMPS o la EMA, quien tendrá que explicarlo es la compañía, no el proveedor del modelo.

El registro acompaña a la investigación. Guarde prompts, versión del modelo y salidas de los trabajos que puedan acabar en patentes, publicaciones o solicitudes regulatorias.

Qué hacer ahora

1. Confirme por escrito la elegibilidad y el uso aprobado, y asígnelos a equipos concretos.
2. Cree un proyecto dedicado, con claves, responsables e informes de uso separados.
3. Escriba la regla de enrutamiento entre generalista y especialista y registre cada llamada enrutada.
4. Resuelva el RGPD antes de integrar: base jurídica, seudonimización y región de procesamiento para datos genéticos y de participantes.
5. Mida el coste por resultado aceptado (protocolo, pipeline, lista de candidatos), no solo el gasto en tokens.
6. Mantenga el laboratorio como puerta. Ninguna salida del modelo avanza sin la validación que se exigiría si la hubiera producido una persona.

En resumen

El precio de GPT-Rosalind parece corriente, y precisamente ahí está la clave. La pregunta ya no es si un modelo especialista cabe en el presupuesto. Es si la organización puede concederlo para una finalidad, enrutar trabajo hacia él de forma deliberada y demostrar que produce resultados que sus científicos conservan.