Tres modelos frontera en tres días: el precio por tarea es la métrica que decide

En tres días han salido tres modelos frontera. El 28 de septiembre de 2026 Anthropic publicó Claude Sonnet 5.5. El 29, OpenAI presentó GPT-6.1 Sol en su DevDay. El 30, Google anunció Gemini 4 Argon. Y ese mismo 28 de septiembre, The Wall Street Journal publicó que OpenAI había cancelado el lanzamiento de GPT-6.1 Astra, el modelo que tenía previsto para octubre.

Cuatro noticias, un solo hilo: la inteligencia ya no es lo que decide. Decide el coste por tarea.

Lo que dicen los números

Sonnet 5.5 mantiene el precio de Sonnet 5 —2 dólares por millón de tokens de entrada y 10 de salida— y aun así Anthropic afirma que es más de un 30% más rápido y hasta un 30% más barato por tarea. La razón es que necesita menos tokens para el mismo trabajo. En Terminal Bench 4.0 con razonamiento alto marca el mejor resultado del grupo.

GPT-6.1 Sol también se queda en 2/10 y baja el descuento de caché del 90% al 95%. Según Artificial Analysis saca 1 punto menos que Astra en su índice de inteligencia, pero cuesta 0,72 dólares por tarea frente a 3,26 de Astra: menos de la cuarta parte. Y sube 12 puntos en Terminal-Bench 4.0 respecto a GPT-6 Sol, al que reemplaza solo siete días después de su salida.

Gemini 4 Argon iguala a Astra en inteligencia —53 puntos en el mismo índice— por 1,99 dólares por tarea, un 60% de lo que cuesta Astra. Ojo al asterisco: ese precio es con un 50% de descuento de lanzamiento. Cuando termine, sube a 3,98 y pasa a costar 2,7 veces lo que GPT-6.1 Sol. Además solo está disponible para testers seleccionados, no para todo el mundo.

Por qué el precio por token ya no te sirve

Fíjate en Argon y Astra. Cuestan lo mismo por millón de tokens de salida en precio estándar, pero Argon gasta unos 62.000 tokens de salida por tarea y Astra unos 27.000. Misma tarifa, facturas muy distintas.

Pasa lo mismo al revés: GPT-6.1 Sol consume entre un 10% y un 30% más de tokens que GPT-6 Sol y aun así sale más barato por tarea. El precio unitario te dice cada vez menos. Lo que importa es cuántos tokens consume tu carga de trabajo real.

Qué hacer en tu código

Instrumenta antes de decidir. Registra tokens de entrada y salida por petición, etiquetados por endpoint y por funcionalidad. Sin ese número estás eligiendo modelo a ciegas.

Ordena el prompt para que la caché pegue. Con el descuento de caché al 95%, el prefijo estático —instrucciones, esquema de base de datos, documentación— va delante y lo variable detrás. En agentes con prompts largos, eso es dinero cada día.

Prueba los niveles de esfuerzo. En GPT-6.1 Sol, el ajuste xhigh rindió 3 puntos más que max en el índice de agentes de código. El ajuste más caro no siempre es el mejor.

No acoples el producto al modelo. Astra era el buque insignia el 3 de septiembre y el 28 ya estaba cancelado, por regresiones en engaño y en pedir autorización. Una capa de abstracción y una configuración por endpoint te dejan cambiar de proveedor en una tarde, no en un sprint.

Cuidado con las promociones. El precio de lanzamiento de Argon caduca sin fecha confirmada. Si el cálculo de márgenes de tu producto depende de un descuento temporal, no es un cálculo: es una apuesta.

La conclusión

La frontera ya no la marca quien tiene el modelo más listo, sino quien entrega ese nivel de inteligencia al menor coste por tarea. La semana del 28 de septiembre de 2026 lo deja claro: tres laboratorios movieron la misma pieza en tres días.

Tu trabajo no es elegir el mejor modelo. Es medir tu coste real, cachear bien, enrutar por tarea y no casarte con ninguno.

Si te ha sido útil y crees que podría ayudar a más gente, comparte este artículo.

Artículos relacionados: