GPT-6 Astra y Claude Fable 5.1: qué cambia de verdad para tu PYME

Actualizado a 16 de septiembre de 2026. Este mercado se mueve muy rápido: precios, disponibilidad y benchmarks son los vigentes en esta fecha. Confírmalos antes de tomar una decisión de gasto.

TL;DR

Entre el 1 y el 3 de septiembre de 2026, Anthropic lanzó Claude Fable 5.1 y OpenAI respondió con GPT-6 Astra: dos modelos de un millón de tokens de contexto, al mismo precio de API, con capacidades que hace un año no existían. Es la primera vez que los dos laboratorios más grandes se enfrentan dentro del mismo ciclo de noticias. Para una PYME, la lectura práctica es menos espectacular de lo que sugieren los titulares: el salto real no está en que escriban mejor —eso ya lo hacían—, sino en que ahora aguantan tareas largas sin perder el hilo y en que procesar documentación masiva ha dejado de ser caro. En esta guía verás qué se lanzó exactamente, en qué se diferencian de verdad los dos modelos, qué significa un millón de tokens en trabajo real, por qué la bajada del 75% en lecturas de caché de Fable 5.1 importa más que cualquier benchmark, qué puede hacer hoy tu negocio que en marzo no podía, y qué decisiones conviene no tomar todavía.

¿Qué se ha lanzado exactamente y cuándo?

Tres días. Ese es todo el margen que hubo entre los dos lanzamientos, y explica buena parte del ruido de las últimas semanas.

El 1 de septiembre de 2026, Anthropic publicó Claude Fable 5.1 y Claude Mythos 5.1. Fable 5.1 es la versión de disponibilidad general, la que puede usar cualquiera. Mythos 5.1 es la misma familia con salvaguardas distintas, reservada a organizaciones verificadas de ciberseguridad y ciencias de la vida a través de programas de acceso restringido. Si diriges una PYME, Mythos no te concierne: no vas a poder acceder y no lo necesitas.

El 3 de septiembre, OpenAI anunció GPT-6 Astra, al que describió como el modelo más inteligente y alineado del mundo. El despliegue empezó ese mismo día pero en forma escalonada: primero un grupo limitado de organizaciones dentro de Daybreak, el programa de ciberseguridad de OpenAI al que se accede por solicitud, y a partir del 5 de septiembre la apertura al público general en los planes ChatGPT Plus, Pro, Business y Enterprise, además de la API de OpenAI y de Amazon Web Services.

Ese despliegue por fases no es un detalle de calendario. OpenAI había retrasado el lanzamiento de su siguiente modelo después del incidente de Hugging Face de julio de 2026, precisamente para añadir salvaguardas, y acompañó el anuncio de Astra con una advertencia explícita sobre sus capacidades avanzadas en ciberseguridad. Anthropic hizo algo parecido con la separación Fable/Mythos. Los dos laboratorios están diciendo lo mismo con arquitecturas distintas: estos modelos hacen cosas que no queremos que haga cualquiera el primer día.

Para tu negocio, la traducción es sencilla. Ambos modelos están disponibles hoy, en producto de consumo y en API, y no hay lista de espera para el uso normal de marketing, atención al cliente o análisis interno.

¿Qué trae de nuevo Claude Fable 5.1?

Fable 5.1 es una actualización de la familia Fable 5, y su historia se cuenta mejor con dos números que con diez.

El primero es de capacidad. En Terminal-Bench-Science 0.1 —una prueba que mide si el modelo puede sostener tareas científicas largas de principio a fin en un entorno de terminal— Fable 5.1 obtiene un 52,6%, frente al 24,7% de Fable 5 y al 29,0% de Opus 5. No es una mejora incremental: es más del doble que la versión anterior. En Terminal-Bench 4.0 sube a 55,8% desde el 42,0%. En Humanity’s Last Exam, sin herramientas, marca 60,9% frente al 57,8% previo. En CursorBench 3.2.0, 73,4% desde 70,5%. En OSWorld 2.0 en modo estricto —control real de un ordenador— 41,7% desde 36,1%.

Lo que estos números describen, en conjunto, no es un modelo que escriba mejor. Es un modelo que aguanta. La diferencia entre el 24,7% y el 52,6% no es elocuencia: es capacidad de no perderse a mitad de una tarea de veinte pasos. Anthropic lo describe como mejor continuidad en flujos de trabajo agénticos largos y sin supervisión, y añade dos capacidades que sí tocan a una empresa normal: análisis de contratos y de documentación financiera.

El segundo número es de coste, y es el que de verdad debería interesarte. El precio base no se movió: sigue en 10 dólares por millón de tokens de entrada y 50 por millón de salida. Pero las lecturas de caché bajaron un 75%, de 1,00 a 0,25 dólares por millón. Anthropic estima que eso se traduce en un ahorro de en torno al 25% en cargas de trabajo típicas y de hasta el 45% en tareas muy agénticas.

Volveré sobre esto más adelante porque es, con diferencia, el cambio con más consecuencias prácticas para una PYME. Y es también el que ningún titular ha contado bien.

En cuanto a las salvaguardas, hubo dos ajustes que conviene conocer. En ciberseguridad, el modelo ahora permite el descubrimiento de vulnerabilidades pero no el desarrollo de exploits: una línea deliberada entre defensa y ataque. Y en biología, los filtros se disparan un 85% menos en peticiones inofensivas, lo que resuelve el problema de los falsos positivos que hacía inutilizable el modelo para cualquiera que trabajase con contenido sanitario, farmacéutico o alimentario. Si gestionas comunicación de una clínica, una parafarmacia o una empresa de alimentación, esto último te afecta de forma directa y para bien.

¿Qué trae de nuevo GPT-6 Astra?

Astra es la respuesta de OpenAI, y su perfil es distinto.

En contexto, Astra reclama alrededor de 1.050.000 tokens, marginalmente por encima del millón de Fable 5.1. En la práctica están empatados: ninguna carga de trabajo real distingue un 5% de diferencia en la ventana. Más relevante es cómo se comporta dentro de ella. En una prueba de recuperación de ocho agujas en el pajar, Astra mantiene 100% de acierto entre 256K y 512K tokens y 96,3% entre 512K y un millón. Es decir: la ventana no es decorativa. El modelo encuentra de verdad lo que le metes al principio de un documento gigantesco.

En precio de API, Astra sale a 10 dólares por millón de entrada y 50 por millón de salida: exactamente el mismo que Fable 5.1. Los dos laboratorios convergieron en la misma etiqueta, lo cual dice bastante sobre el estado del mercado.

En benchmarks, el perfil de Astra es más irregular y más interesante de leer con cuidado. En ARC-AGI 3 marca un espectacular 99,9%, pero con una advertencia importante: ese resultado requiere un adaptador propio de OpenAI que preserva estado de razonamiento opaco entre peticiones, una configuración especializada que no está disponible en el acceso estándar. Con el harness por defecto —el que usarías tú— el resultado baja a 62,7%. Es un recordatorio útil de cómo leer benchmarks: la cifra del titular y la cifra que vas a experimentar no siempre son la misma.

En ExploitBench, una prueba de seguridad ofensiva, Astra alcanza el 100%. De ahí la advertencia de OpenAI sobre capacidades cyber y el despliegue escalonado a través de Daybreak.

Y en el índice agregado de Artificial Analysis, Astra puntúa 61, cinco puntos por debajo de Claude Fable 5.1. Un índice agregado no decide nada por sí solo, pero conviene tenerlo presente cuando se lea que Astra “supera” a la competencia: en el compuesto de inteligencia general, no lo hace.

¿En qué se diferencian de verdad?

Puesto en una tabla, el enfrentamiento es más aburrido de lo que sugieren los titulares, y eso es exactamente lo que necesitas saber.

	Claude Fable 5.1	GPT-6 Astra
Lanzamiento	1 septiembre 2026	3 septiembre 2026 (público el 5)
Contexto	1M tokens	~1,05M tokens
Salida máxima	128K tokens	128K tokens
Entrada (API)	10 $/M	10 $/M
Salida (API)	50 $/M	50 $/M
Lecturas de caché	0,25 $/M	1,00 $/M
Índice Artificial Analysis	66	61
Fuerte en	Tareas agénticas largas, código, análisis documental	Matemáticas, ciberseguridad, uso de ordenador, razonamiento abstracto
Disponibilidad	General	Escalonada (Daybreak primero)

La lectura honesta: en precio de entrada y salida están empatados, en contexto están empatados, en salida máxima están empatados. Se diferencian en dos sitios. Astra rinde mejor en matemáticas de nivel investigación, ciberseguridad y razonamiento abstracto. Fable 5.1 rinde mejor en tareas agénticas sostenidas, en trabajo de código y —esto es lo importante— en economía de caché, donde hay una diferencia de cuatro veces.

Si tu uso es escribir textos, responder emails y resumir documentos, la diferencia entre ambos es irrelevante para tu negocio. Cualquiera de los dos hace ese trabajo sobradamente, y también lo hacían sus versiones anteriores.

¿Qué significa un millón de tokens de contexto en trabajo real?

Aquí es donde la conversación se vuelve útil, porque “un millón de tokens” no significa nada hasta que se traduce.

Un millón de tokens son, muy aproximadamente, entre 700.000 y 750.000 palabras en español. Para dar una escala manejable: es toda la documentación de producto de una PYME mediana, con sus manuales, sus tarifas históricas, sus condiciones de servicio y tres años de correspondencia comercial, todo dentro de una sola conversación. Es el histórico completo de tickets de soporte de un año. Es el contenido íntegro de una web de doscientas páginas más su blog entero.

Lo que cambia no es que quepa. Lo que cambia es que el modelo puede razonar sobre todo eso a la vez, sin que tú tengas que trocearlo, resumirlo previamente y perder matices en cada corte. Hasta hace poco, cualquier trabajo con volúmenes así exigía montar una arquitectura de recuperación —trocear los documentos, indexarlos, recuperar solo los fragmentos relevantes— que era cara de construir y frágil de mantener. Para una PYME sin equipo técnico, sencillamente no estaba al alcance.

Casos concretos donde esto cambia el resultado, no solo la comodidad:

• Auditoría de coherencia de mensaje. Metes tu web entera, tus fichas de producto, tus últimas veinte campañas y tu perfil de marca, y preguntas dónde te contradices. Antes esto era imposible sin trocear; troceado, el modelo no ve la contradicción porque las dos mitades nunca coincidían en la misma ventana.
• Análisis de contratos y condiciones. Fable 5.1 mejoró específicamente aquí. Un pliego de licitación de cuatrocientas páginas cabe entero, y las referencias cruzadas entre cláusulas —que es donde están los problemas— se mantienen visibles.
• Explotación del histórico de atención al cliente. Un año de tickets completo, buscando patrones de fricción que no aparecen en ningún informe porque nadie los ha etiquetado nunca.
• Migraciones y auditorías de web. Toda la estructura de URLs, los redirects y el contenido a la vez, que es la única forma de detectar canibalizaciones reales entre artículos que compiten por la misma búsqueda.

El punto de recuperación de Astra —96,3% de acierto entre 512K y un millón de tokens— importa aquí. Una ventana grande en la que el modelo se olvida de lo que había al principio es marketing. Una en la que encuentra el dato en la página 300 es una herramienta.

¿Por qué la bajada de caché importa más que cualquier benchmark?

Esta es la parte que casi nadie ha contado bien, y es la que más dinero mueve.

Cuando montas cualquier automatización con IA —un chatbot en tu web, un clasificador de correos entrantes, un asistente interno que responde con tu documentación— hay una parte del prompt que se repite en cada llamada: tus instrucciones de sistema, tu catálogo, tu tono de marca, tus preguntas frecuentes, tus condiciones. Puede ser el 80% o el 90% de todo lo que envías, y no cambia nunca.

El caché de prompt existe para eso: la primera vez pagas por procesar ese bloque, y las siguientes pagas mucho menos por releerlo. Hasta ahora esa relectura costaba 1,00 dólar por millón de tokens. Con Fable 5.1 cuesta 0,25. Cuatro veces menos. Astra mantiene el precio en 1,00.

Traducido a un caso realista. Imagina un chatbot de atención en tu web con un contexto fijo de 50.000 tokens —tu catálogo, tus políticas, tu tono— que atiende 3.000 conversaciones al mes, con unas cinco llamadas al modelo por conversación. Son 15.000 llamadas releyendo 50.000 tokens cacheados: 750 millones de tokens de lectura de caché al mes.

• A 1,00 $/M: 750 $/mes solo en releer lo que ya sabía.
• A 0,25 $/M: 187,50 $/mes.

Más de 560 dólares al mes de diferencia, unos 6.700 al año, en un caso deliberadamente modesto. Y todo el ahorro sale de la parte del gasto que no aporta nada nuevo: releer tu propia documentación una y otra vez.

Esa es la razón por la que Anthropic habla de ahorros de hasta el 45% en cargas muy agénticas. Cuanto más automatizado y repetitivo es tu uso, más pesa el caché en la factura y más se nota el recorte.

Si estás valorando montar automatización con IA de verdad —no probar el chat, sino poner algo en producción que atienda a clientes— este número debería pesar más en tu decisión que cualquier benchmark de matemáticas. La conversación completa sobre qué automatizar y en qué orden la desarrollamos en la guía de automatización de pymes con IA sin saber programar, y la parte de montaje concreto con herramientas visuales en n8n para pymes.

¿Qué puede hacer hoy tu PYME que en marzo no podía?

Conviene separar lo que es genuinamente nuevo de lo que ya funcionaba y ahora funciona algo mejor.

Ya funcionaba bien antes —y si aún no lo estás usando, tu problema no es el modelo—: redactar borradores, resumir reuniones, traducir, responder correos rutinarios, generar variantes de anuncios, transcribir. Todo eso lo hacía GPT-4 en 2024. Cambiar de modelo aquí no te va a mover ningún número.

Es nuevo o ha pasado de frágil a fiable:

1. Tareas largas sin supervisión. El salto de Fable 5.1 en pruebas de terminal significa que un flujo de quince o veinte pasos encadenados tiene ahora una probabilidad razonable de terminar bien. Antes se rompía a mitad y había que reiniciarlo a mano, lo cual anulaba el ahorro. Es la diferencia entre “asistente al que superviso” y “proceso que corre solo”.
2. Trabajo sobre corpus completos. Lo descrito en el apartado del millón de tokens. Auditar todo tu contenido de golpe ya no requiere arquitectura.
3. Análisis documental de verdad. Contratos, pliegos, condiciones de proveedores, documentación financiera. Fable 5.1 mejoró aquí de forma explícita.
4. Contenido sanitario y de alimentación sin pelearse con los filtros. La reducción del 85% en falsos positivos de biología resuelve un problema real y muy concreto para quien comunica en esos sectores.
5. Automatización en producción a coste sostenible. Por el caché.

Lo que sigue sin funcionar, digan lo que digan:

• Publicar sin revisión humana. Los dos modelos siguen inventándose datos, nombres y cifras con total aplomo. Nada en estos lanzamientos cambia eso.
• Sustituir criterio. Un modelo mejor genera contenido correcto más rápido; no decide qué merece la pena decir. Esa distinción la desarrollamos en content velocity con IA, y es la que separa una web que crece de una que se llena.
• Arreglar un negocio con un problema de oferta, de precio o de producto.

¿Cambia esto tu estrategia de SEO y de contenidos?

Cambia menos de lo que parece, pero cambia algo, y merece la pena precisar qué.

Lo que no cambia: la mecánica de aparecer citado en respuestas generadas por IA sigue siendo la misma. Contenido que responde preguntas concretas con claridad, estructura limpia, datos verificables, autoría reconocible y marca con presencia suficiente para que el modelo la asocie a un tema. Nada en Fable 5.1 ni en Astra altera esos incentivos. Si tu plan de visibilidad en buscadores con IA estaba bien planteado, sigue estándolo. Está desarrollado en la guía de AEO y en cómo aparecer citado en ChatGPT y Perplexity.

Lo que sí cambia, en dos frentes:

Primero, el listón de calidad sube. Cuando el coste marginal de producir un texto correcto tiende a cero para todo el mundo, el texto correcto deja de ser un diferencial. Lo que queda como diferencial es lo que un modelo no puede fabricar: datos propios, casos reales con cifras, criterio profesional que contradice el consenso, experiencia de campo. Un artículo genérico bien escrito valía algo en 2023 y no vale nada en 2026, porque tu competencia produce diez iguales cada semana sin esfuerzo.

Segundo, la superficie de búsqueda se sigue moviendo. Modelos más capaces dentro de los buscadores implican respuestas más completas y, por tanto, menos necesidad de hacer clic. Esa tendencia venía de antes y estos lanzamientos la refuerzan. La consecuencia práctica es que medir solo tráfico orgánico se vuelve engañoso: puedes perder visitas y ganar negocio si tu marca aparece citada en las respuestas. La forma de medirlo está en Google AI Overviews: cómo aparecer y qué mide tu marca.

Y una nota sobre publicidad, porque las dos cosas están conectadas. OpenAI abrió su plataforma de anuncios en ChatGPT en mayo de 2026. Modelos más capaces significan más uso, más uso significa más inventario publicitario, y más inventario significa que ese canal se va a poner serio antes de lo previsto. Si estás valorando entrar, la conversación completa —formatos, presupuesto mínimo, a quién le compensa hoy— está en el análisis de publicidad en ChatGPT para PYMEs.

¿Cuál elegir si solo vas a pagar uno?

Para la inmensa mayoría de PYMEs, la respuesta honesta es que da bastante igual, y desconfía de quien te diga lo contrario con mucha seguridad. Ambos escriben bien, ambos resumen bien, ambos traducen bien, y ambos cuestan lo mismo en suscripción de consumo.

Dicho eso, hay criterios que sí discriminan:

Elige Claude Fable 5.1 si:

• Vas a montar automatización en producción con un contexto fijo grande. El caché a 0,25 $/M decide por ti.
• Tu uso principal es análisis documental: contratos, pliegos, documentación financiera.
• Trabajas con contenido sanitario, farmacéutico o alimentario y te han bloqueado peticiones inofensivas antes.
• Tienes desarrollo propio o trabajas con quien lo tiene.

Elige GPT-6 Astra si:

• Tu equipo ya vive dentro de ChatGPT y el coste de cambiar de herramienta supera cualquier ventaja técnica. Este criterio es más decisivo de lo que suena.
• Necesitas razonamiento matemático o cuantitativo serio.
• Quieres el ecosistema más amplio de integraciones de terceros.
• Te interesa la publicidad en ChatGPT y prefieres estar dentro de esa plataforma.

Y una tercera opción que casi nadie plantea: ninguno de los dos, todavía. Si tu empresa aún no tiene un proceso claro donde la IA encaje —no “queremos usar IA”, sino “estas tres tareas nos comen doce horas a la semana”— cambiar de modelo no te va a resolver nada. El cuello de botella no es la capacidad del modelo. Lo es desde hace bastante tiempo.

¿Qué no cambia, por mucho titular que veas?

Merece la pena decirlo explícitamente, porque la semana del 1 al 5 de septiembre generó bastante ansiedad innecesaria entre empresas pequeñas.

• Tu web sigue teniendo que cargar rápido y convertir. Ningún modelo arregla un formulario de nueve campos ni una página que tarda seis segundos. Sigue siendo trabajo de CRO.
• Tu medición sigue teniendo que estar bien montada. Si no sabes qué canal te trae clientes, un modelo mejor te va a ayudar a no saberlo más rápido. Está en GA4 para pymes.
• Las alucinaciones siguen ahí. Menos frecuentes, igual de convincentes. Todo dato publicable se verifica.
• El RGPD sigue aplicando. Meter datos de clientes en un modelo de terceros tiene implicaciones que no desaparecen porque el modelo sea más listo.
• Nadie va a comprarte porque uses IA. Te compran porque resuelves un problema. La IA es cómo lo resuelves más barato, no la razón por la que te eligen.

¿Qué deberías hacer esta semana?

Cuatro cosas concretas, en orden, ninguna de las cuales requiere presupuesto:

1. Escribe las tres tareas repetitivas que más horas consumen en tu empresa. No pienses en IA mientras lo haces. Solo cuenta horas. Sin esta lista, todo lo demás es ruido.
2. Prueba las dos en un caso real tuyo, el mismo día. No un caso de demostración: un correo real, un documento real, un análisis real. Media hora en cada una. Vas a aprender más que leyendo veinte comparativas de benchmarks, esta incluida.
3. Si ya tienes algo automatizado con API, revisa tu factura de caché. Si el grueso está en lecturas de contexto repetido, tienes una decisión de ahorro sobre la mesa que no depende de ninguna estrategia.
4. No reescribas tu plan de contenidos. Sube el listón de lo que publicas, que es otra cosa. Menos artículos y con más criterio, datos y experiencia propia.

Próximos pasos: si quieres aterrizar esto en tu negocio

La brecha en las PYMEs españolas ya no es de acceso a la tecnología. Los dos mejores modelos del mundo cuestan veinte dólares al mes en su versión de consumo y están disponibles hoy. La brecha es de criterio: saber qué automatizar, en qué orden, y cómo medir si ha servido de algo.

En Digitalvar trabajamos con empresas desde nuestras oficinas de Oviedo, Gijón y Madrid y la conversación es siempre la misma. No empieza por qué modelo usar. Empieza por qué proceso duele y cuánto cuesta hoy en horas de tu equipo. El modelo se elige después, y casi siempre es la parte más fácil de la decisión.

Si tienes identificado un proceso que se come tiempo y quieres una segunda opinión sobre si la IA lo resuelve de verdad o solo lo desplaza, hablemos. Media hora suele bastar para saber si hay algo ahí.

Preguntas frecuentes

¿Tengo que pagar para usar GPT-6 Astra o Claude Fable 5.1?

Para uso profesional continuado, sí. Astra está disponible en los planes ChatGPT Plus, Pro, Business y Enterprise, además de la API y AWS. Fable 5.1 está en los planes de pago de Claude y en la API. Las capas gratuitas de ambos servicios suelen dar acceso limitado a modelos anteriores o cupos muy reducidos. Para una PYME que use la herramienta a diario, el plan de consumo de unos veinte euros al mes por usuario es el punto de entrada razonable, y sale barato comparado con casi cualquier otra herramienta de trabajo.

¿Cuál de los dos es mejor?

Depende de para qué, y la respuesta sincera es que para el uso de marketing y gestión de una PYME están muy igualados. En el índice agregado de Artificial Analysis, Fable 5.1 puntúa 66 frente a los 61 de Astra. Astra rinde mejor en matemáticas de nivel investigación, ciberseguridad y razonamiento abstracto. Fable 5.1 rinde mejor en tareas agénticas largas, código y economía de caché. Si tu trabajo es escribir, analizar y resumir, cualquiera de los dos te sobra.

¿Qué es exactamente el caché de prompt y por qué debería importarme?

Es un mecanismo que permite reutilizar la parte fija de tus peticiones sin pagarla entera cada vez. Si tu automatización envía siempre el mismo catálogo, las mismas instrucciones y las mismas condiciones antes de cada pregunta, el caché guarda ese bloque y cobra mucho menos por releerlo. Fable 5.1 bajó ese precio de 1,00 a 0,25 dólares por millón de tokens; Astra lo mantiene en 1,00. Solo te afecta si usas la API para automatizar algo en producción: si usas la aplicación de chat, es transparente para ti.

¿Un millón de tokens de contexto significa que puedo meterle toda mi empresa?

Puedes meterle mucho más de lo que podías antes: en torno a 700.000 palabras en español, que es toda la documentación de una PYME mediana. Pero conviene no confundir capacidad con criterio. Meter mil documentos sin orden produce respuestas mediocres igual que antes. La ventana grande sirve cuando el material es relevante y está mínimamente estructurado; no sustituye a saber qué preguntar.

¿Esto cambia mi estrategia de SEO?

La mecánica no cambia: contenido útil, bien estructurado, con datos verificables y autoría clara. Lo que cambia es el listón. Cuando producir texto correcto es gratis para todos, el texto correcto deja de diferenciarte. Lo que queda son datos propios, casos reales y criterio profesional. En la práctica esto suele significar publicar menos y mejor, no más.

¿Debería esperar al siguiente modelo antes de invertir?

No, y esa espera es el error más caro que vemos. Siempre va a haber un modelo mejor en tres meses: los dos laboratorios llevan dos años lanzando a este ritmo y no hay señal de que pare. Lo que no caduca es el trabajo previo: identificar qué procesos duelen, tener los datos ordenados, saber qué quieres medir. Ese trabajo es independiente del modelo y es el que de verdad determina si la IA te sirve para algo. Hazlo ahora y el modelo que toque enchufar será una decisión de una tarde.

¿Es seguro meter datos de clientes en estas herramientas?

Depende del plan y de la configuración. Los planes de empresa de ambos proveedores ofrecen compromisos contractuales sobre no entrenar con tus datos, cosa que los planes de consumo no siempre garantizan del mismo modo. Con datos personales de clientes aplican las obligaciones del RGPD igual que con cualquier otro proveedor: base legal, información al interesado y contrato de encargado de tratamiento. Revísalo con tu asesoría antes de subir nada sensible; que el modelo sea más capaz no cambia el marco legal.