Anthropic y OpenAI apuestan por modelos más baratos con mejoras moderadas

22 de septiembre de 2026. Anthropic y OpenAI han presentado nuevos modelos centrados en reducir costes y mejorar la eficiencia, más que en introducir capacidades radicalmente nuevas. Las compañías compiten por clientes empresariales que buscan alternativas a los modelos de pesos abiertos y recurren cada vez más a sistemas que combinan distintos modelos según la tarea.

Anthropic anunció Opus 5.5, la nueva versión de su modelo principal para programación y otros trabajos complejos de conocimiento. La empresa afirma que supera modestamente a GPT-6 Astra en algunas pruebas de programación y conocimiento. Su precio es de 4 dólares por millón de tokens de entrada y 20 dólares por millón de tokens de salida, un 20% menos que Opus 5. Las lecturas de caché cuestan 0,20 dólares por millón de tokens, un 60% menos, y la generación es más de un 30% más rápida.

Anthropic calcula que el ahorro frente a Opus 5 se acerca al 40% en cargas de trabajo habituales, al combinar la reducción del precio de los tokens con un menor consumo de tokens. Opus 5.5 también está orientado a tareas en áreas de riesgo, como ciberseguridad y biología, y mantiene las protecciones aplicadas a Fable 5.1, incluido el posible desvío automático a un modelo anterior cuando una solicitud entra en un ámbito protegido.

OpenAI presentó GPT-6 Sol y Luna como una actualización incremental de sus modelos orientados a la eficiencia y la velocidad. Según la empresa, ambos fueron entrenados con métodos similares a los de GPT-6 Astra y ofrecen mejoras de varios puntos porcentuales frente a sus predecesores en determinadas pruebas, con un coste de uso equivalente a la mitad.

GPT-6 Sol tiene un precio de 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida. En GPT-6 Luna, las tarifas son de 0,10 y 0,50 dólares, respectivamente. Sol está planteado como una alternativa más eficiente para tareas exigentes, mientras que Luna prioriza la velocidad y el bajo coste.

La evolución refleja un interés creciente de desarrolladores y empresas por los costes previsibles y la operación diaria de los sistemas, además de por las mejoras en las pruebas de referencia. La contextualización, las herramientas de ejecución y las prácticas organizativas siguen siendo elementos relevantes para aprovechar estos modelos.

Fuente: Ars Technica.