Parallel: mitad de tiempo y coste al investigar con GPT‑6 Astra
GPT‑6 Astra permitió a los agentes de Parallel investigar y sintetizar datos del mercado laboral en la mitad de tiempo y con la mitad de coste que los modelos anteriores.
50 %
Menos tiempo para completar tareas de investigación
50 %
Reducción del coste de código
Parallel(se abre en una ventana nueva) crea infraestructura para desarrolladores destinada a agentes de IA que realizan trabajos de conocimiento en la web. Sus herramientas abarcan desde el anclaje web para agentes de voz hasta la investigación para entidades financieras y clientes del sector jurídico, y combinan modelos de vanguardia con búsquedas web.
En las tareas de investigación más largas de Parallel, obtener una respuesta de alta calidad solía exigir un modelo más grande con razonamiento ampliado, lo que consumía más tiempo y recursos. La empresa ha logrado una gran mejora en tiempo y costes con GPT‑6 Astra.
«Con Astra, hemos demostrado que puedes obtener resultados de investigación de igual calidad mucho, mucho más rápido, con menos llamadas de investigación y menos tokens».
En una prueba de GPT‑6 Astra, Parallel pidió a su agente que investigara seis estadísticas distintas del mercado laboral en cuatro estados durante seis meses. El agente tenía que buscar en varios sitios web, recopilar información y reunir los resultados en un único informe de investigación.
GPT‑6 Astra completó el trabajo en la mitad de tiempo que los modelos anteriores y redujo cerca de un 50 % el coste de código, manteniendo la misma calidad de investigación.
Parallel también observó que GPT‑6 Astra realizaba búsquedas más específicas y necesitaba menos pasos para llegar a un resultado útil.
«Astra formuló consultas de búsqueda más específicas y se centró mejor en la tarea final, aprovechando mejor que los modelos anteriores sus conocimientos generales».
Esta mayor eficiencia también permite a Parallel repartir de forma más práctica la investigación entre varios agentes. GPT‑6 Astra puede delegar tareas de investigación específicas en subagentes, lo que permite trabajar en paralelo y reduce el tiempo dedicado a recorrer una única secuencia de búsquedas.
Ahora Parallel cuenta con un proceso más eficaz para pasar de una pregunta compleja a una respuesta fundamentada en una investigación, con menos esperas, menores costes y más capacidad para abordar tareas de investigación exigentes a gran escala.
