OpenAI lanza GPT-6 Astra contra el código heredado: 800 mil líneas menos en dos semanas

El equipo de Core Experimentation de OpenAI es responsable del sistema de experimentos de toda la compañía. Ha mostrado cómo GPT-6 Astra limpia código antiguo en lugar de escribir código nuevo. En dos semanas, cinco ingenieros fusionaron más de 1 400 PR y eliminaron más de 800 mil líneas. La imagen de un servicio se redujo de 3,31 a 1,72 GB y el tiempo de CI cayó casi a la mitad. La historia se publicó en el blog de OpenAI para desarrolladores y es uno de los casos más terrenales de uso de agentes en una base de código grande.

Un prompt con erratas en lugar de análisis estático

Hasta ahora, el código muerto se buscaba con análisis estático y logs de ejecución. Aun así, se producían incidentes por eliminaciones erróneas. Esta vez los ingenieros enviaron al modelo una petición descuidada, con erratas, y la dejaron tal cual en el blog: «Can you help identify and clean up dead code in the repo please, feel free to check slack, statsig [a feature flag and experimentation platform we use], or any other source you need to confirm that things are indeed no longer being used and can be cleaned up or simplified».

El modelo no se limitó al repositorio. Por su cuenta consultó PR antiguos, hilos de Slack, gestores de tareas y perfilado en producción, y acompañó cada eliminación con una explicación de por qué el código se consideraba muerto. El revisor recibía argumentos y fuentes, no un diff pelado. De los tests desaparecieron unas 400 variantes de snapshots visuales.

El flag «Permanent» que llevaba años consumiendo CPU

Los experimentos y feature flags obsoletos son más complicados: ese código aún puede ejecutarse en producción. Los ingenieros encargaron al propio modelo escribir el prompt de la auditoría completa. Él mismo calculó también el coste en CPU de cada flag.

Apareció un flag que, durante años y sin que nadie lo notara, multiplicaba las comprobaciones en todas las funcionalidades a la vez. El modelo no lo eliminó por sí solo porque estaba marcado como «Permanent», y planteó la cuestión a un revisor humano. Tras su eliminación, el servicio ahorró en torno al 0,42% de CPU. A la escala de OpenAI, es dinero relevante, y el límite de autonomía parece razonable.

La aritmética de la auditoría:

Astra, Sol y el coste por hallazgo

La parte más práctica del caso es la comparación de modelos sobre una misma auditoría: 6 000 archivos, 1 millón de líneas en Python, TypeScript, Go y Rust.

• GPT-6 Astra Ultra: $109,06, 142 hallazgos, $0,77 por hallazgo
• GPT-6.1 Sol Ultra: $15,12, 131 hallazgos, $0,12 por hallazgo
• GPT-6.1 Sol Medium: $5,27, 86 hallazgos, $0,06 por hallazgo

Sol Ultra logra el 92% de los hallazgos por el 14% del precio. El análisis de la diferencia mostró que Sol pasaba por alto flags de los que dependen otros flags. Se compensó ajustando el prompt. De ahí se desprende una conclusión práctica: un modelo intermedio con una instrucción cuidada alcanza al modelo de gama alta en tareas de este tipo.

Con el mismo método se aceleró el CI. Se pidió al modelo que propusiera optimizaciones y las ordenara por el ahorro esperado de minutos de CI al día, a partir del historial de ejecuciones del repositorio. La petición fue esta: «What ideas do you have to relieve CI load in this repository? List your ideas in a table and rank all of them by estimated CI minutes saved per day based on this repo's CI run history». Resultados:

• se fusionaron unos 30 PR
• la mediana de CI bajó de ~10 a 4,5 minutos
• el p90 se redujo de 12,5 a 6 minutos
• un conjunto de 63 tests pasó de 592,6 a 29,8 segundos, unas 20 veces más rápido

Los autores reconocen con franqueza que parte de las propuestas añadía más complejidad que beneficio. El modelo encuentra tantas optimizaciones que, sin priorización ni métricas, uno se ahoga en ellas.

Si tiene código heredado, la receta es sencilla. Elija una tarea pequeña: código muerto, un flag obsoleto o un test inestable (flaky). Ejecútela en varios modelos y niveles de effort y compare el coste por hallazgo.

Añada los comentarios de la revisión al siguiente prompt para que el modelo aprenda de sus reglas, por ejemplo sobre flags con dependencias. Cuando el resultado sea estable, escale a partes grandes de la base de código. Marque los puntos críticos, como se hizo con «Permanent», para que la decisión siga en manos de una persona.

Para las empresas con deuda técnica acumulada, este es probablemente el ROI más rápido de los agentes: el resultado se mide en líneas, gigabytes de imagen y minutos de CI.