El 8 de septiembre de 2026, OpenAI añadió una nueva generación de modelos de imagen con el nombre GPT Image 2.5, y llegó como dos modelos en lugar de uno: gpt-image-2.5-sunburst, el más capaz de la pareja, pensado para flujos de trabajo donde la precisión de la edición es lo más importante, y gpt-image-2.5-flare, el más rápido, para la generación diaria de imágenes de alta calidad. La conclusión práctica para un empresario: ahora puedes editar una zona concreta dentro de una foto de producto que ya tienes, en lugar de reservar una nueva sesión en estudio o regenerar toda la imagen y esperar que salga parecida.

Qué anunció realmente OpenAI

Según las páginas de los modelos en la documentación oficial de OpenAI, ambos modelos aceptan entradas de texto e imagen y solo producen imágenes como salida. Cada uno tiene una snapshot fijada con la fecha del propio día del lanzamiento: gpt-image-2.5-sunburst-2026-09-08 y gpt-image-2.5-flare-2026-09-08. Ese detalle importa a nivel operativo, porque fijar una snapshot significa que tus resultados no cambian sin que lo notes el día en que el proveedor actualiza el modelo.

Ambos modelos admiten seis niveles de calidad: low, medium, high, xhigh, max y auto. Y ambos funcionan por dos vías: la Image API con sus endpoints de generación y edición, o como herramienta dentro de la Responses API cuando quieres una experiencia de varios turnos en la que el usuario va refinando la imagen conversando con ella. La primera vía basta si necesitas una imagen a partir de un prompt. La segunda es la que necesitas si estás construyendo una pantalla en la que un empleado de marketing edita una imagen paso a paso.

¿Sunburst o Flare? La regla es sencilla

No elijas por el nombre, elige por la naturaleza del trabajo. Si la tarea exige precisión en la edición —cambiar el color de una botella, eliminar un elemento del fondo, sustituir el texto de un envase, mantener la forma del producto exactamente como es—, ese es terreno de Sunburst, el modelo que OpenAI describe como su más capaz para generar y editar imágenes. Si la tarea va de volumen y rapidez —decenas de fondos para campañas, ilustraciones para artículos, borradores visuales rápidos antes de aprobar una dirección—, Flare es la elección lógica.

En el uso real, la mayoría de los equipos necesitan ambos: Flare durante la exploración, donde lo que cuenta es la cantidad y los errores salen baratos, y luego Sunburst para la pasada final, cuando la imagen acaba en una página de producto que verá un cliente que paga.

El verdadero cambio es la edición parcial, no la generación

Generar imágenes a partir de texto ya no es algo nuevo ni raro. Lo que merece atención aquí es el soporte de inpainting: volver a dibujar una zona definida dentro de una imagen existente mientras el resto de la imagen queda intacto. Eso convierte la herramienta de un generador de imágenes en un editor de imágenes, y la diferencia entre ambos es la diferencia entre algo que entretiene al equipo de marketing y algo que entra en una línea de producción real.

Un ejemplo concreto: una tienda con trescientos SKU, todos fotografiados sobre fondo blanco, decide pasar a una identidad visual gris claro. La vía antigua es programar una nueva sesión, mover el inventario, pagar a un fotógrafo: dos semanas. La vía nueva es pasar las imágenes por la API con una sola instrucción y añadir una revisión humana de los resultados: un día laborable. La misma foto, el mismo producto, solo cambió el entorno.

El coste se cuenta en tokens, no en imágenes

Este punto confunde a muchos empresarios porque no se parece a los precios de los servicios de diseño. Según los precios de OpenAI para ambos modelos, la tarifa es idéntica en la pareja: entrada de texto a cinco dólares por millón de tokens y un dólar con veinticinco en caché, entrada de imagen a ocho dólares por millón de tokens y dos dólares en caché, y salida de imagen a treinta dólares por millón de tokens. La salida de texto no se factura en absoluto, porque estos modelos producen imágenes y no texto. OpenAI también señala que las tarifas por token coinciden con las de la generación anterior, GPT Image 2.

El consejo práctico: no hagas la estimación sobre el papel. Haz un lote de prueba de cien imágenes reales de tu propio catálogo con la configuración exacta que piensas usar, lee la factura y después multiplica. Una estimación basada en cien imágenes reales es más honesta que cualquier calculadora, sobre todo porque el nivel de calidad que elijas cambia directamente el consumo.

Cinco usos que se amortizan en la primera semana

  • Coherencia del catálogo: fondos, iluminación y ángulos uniformes en cientos de artículos fotografiados en momentos distintos y en condiciones diferentes.
  • Variantes de campaña: una versión de verano, una de Ramadán y una de White Friday de la misma foto, sin una sesión para cada ocasión.
  • Vista previa del envase antes de imprimir: prueba visualmente un texto en árabe o un logotipo nuevo sobre el envase antes de comprometerte con una tirada.
  • Restauración de imágenes antiguas: elimina elementos que distraen, reflejos o marcas obsoletas de las fotos de archivo en lugar de descartarlas.
  • Imágenes para contenidos: ilustraciones para tu blog y tu newsletter en lugar de las mismas fotos de stock que también usan tus competidores.

Tres notas antes de construir sobre esto

Primero, la verificación de la organización. La documentación de OpenAI indica que puede ser necesario completar la verificación de la organización de la API desde tu consola de desarrollador antes de usar los modelos GPT Image. Incluye ese paso en el calendario desde el principio para que no te sorprenda el día del lanzamiento.

Segundo, la revisión humana no es opcional. Cualquier imagen de producto que vaya a publicarse necesita que una persona la apruebe. El modelo no sabe que el color que ajustó es el registrado en tu identidad de marca, ni sabe que la edición hizo que el producto pareciera más grande de lo que es. Mostrar un producto con una imagen que no se corresponde con la realidad es un problema comercial y regulatorio antes que técnico.

Tercero, no subas fotos de personas. Las fotos de clientes o empleados no son materia prima para experimentos. Deja la regla clara a tu equipo: productos, lugares y material de marketing, sí; personas, no, salvo que tengas un consentimiento explícito documentado bajo una política clara de datos personales.

Cómo entra esto en tu sistema en lugar de quedarse como herramienta aparte

La diferencia entre una empresa que se beneficia de estos modelos y otra que solo habla de ellos está en dónde se usan. Si viven en una pestaña del navegador que un empleado abre para descargar un archivo a mano, la ganancia es pequeña y desaparece con las primeras vacaciones. El valor aparece cuando conectas la API a tu sistema: un artículo nuevo entra en el catálogo, sus variantes visuales se generan automáticamente en los tamaños que necesita cada canal, entran en una cola de revisión y se publican con un solo clic de aprobación. En ese momento no estás comprando imágenes, estás construyendo una línea de producción visual que funciona sin supervisión diaria.

En Origami construimos exactamente este tipo de conexión en los sistemas que desarrollamos para nuestros clientes: una API conectada a la base de datos de productos, una cola de revisión con permisos claros y un registro que muestra quién aprobó cada imagen y cuándo. La tecnología está disponible hoy, y el factor decisivo es la propia decisión: ¿la tratas como un juguete nuevo o como un paso dentro de un proceso operativo con un responsable y una métrica de éxito?

Fuentes