Anthropic y OpenAI bajan hasta 60% el precio de sus LLMs

Anthropic y OpenAI lanzan modelos más baratos el mismo día: la nueva carrera por la eficiencia

Anthropic y OpenAI eligieron el martes 22 de septiembre de 2026 para anunciar nuevos modelos de IA con un mismo mensaje: más capacidad por mucho menos dinero. Anthropic presentó Claude Opus 5.5, su nuevo flagship, mientras que OpenAI lanzó GPT-6 Sol y GPT-6 Luna, dos variantes más ligeras de su reciente GPT-6 Astra. El movimiento coordinado responde a una presión de costos que ya cambió el mapa competitivo: según TechRepublic, empresas como DoorDash, Airbnb y Coinbase están moviendo cargas de producción a modelos open-weight chinos más baratos, ayudadas por routers como OpenRouter.

Para founders que construyen productos con LLMs, esto importa porque redefine el costo por tarea en producción. Si tu agente repite el mismo prompt largo 100 veces al día, la caída en el precio de cache reads —la mayoría del costo en agentic coding— es directamente margen bruto.

Opus 5.5: rendimiento de Fable 5.1 a precio de Opus 5

Anthropic presentó Opus 5.5 como el primer modelo de la familia 5.5, según reportó TechCrunch. La promesa central es que rinde al nivel de Claude Fable 5.1 —el modelo más caro y capaz de Anthropic disponible al público general— a un costo 40% inferior al de Opus 5 en cargas de trabajo típicas. La estructura de precios quedó así:

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Input: US$4 por millón de tokens (20% menos que Opus 5)
Output: US$20 por millón de tokens (20% menos que Opus 5)
Cache reads: US$0,20 por millón de tokens (60% menos que los US$0,50 de Opus 5)
Cache writes: US$5 por millón (frente a US$6,25)

El precio de cache reads es la cifra más relevante para founders que corren agentes o tareas de coding: según el comunicado de Anthropic citado por Unite.ai, esas lecturas «representan la mayoría del costo en agentic y coding». La reducción del 60% en ese componente cambia la economía de productos que dependen de contexto largo reutilizado.

En benchmarks propios, Opus 5.5 registró 66,4% en Terminal-Bench 4.0 frente a 57,9% de GPT-6 Astra, y 54,4% en FrontierCode v1.1, según Unite.ai. En una prueba interna, Anthropic pidió a Opus 5.5 y a Fable 5.1 traducir HAProxy de C a Rust: Opus 5.5 terminó en 9,5 horas frente a 12 horas de Fable 5.1, con un costo 51% menor y casi todas las pruebas de regresión pasando. GitHub, a través de su CPO Mario Rodriguez, reportó que Opus 5.5 resolvió más tareas de terminal que Opus 5 en menos de la mitad de pasos dentro de VS Code. Deloitte Consulting, según su CIO Carl Bennett, detectó 72% de bugs conocidos en code reviews con Opus 5.5 en esfuerzo bajo, frente a 56% de Opus 5 en esfuerzo alto.

La velocidad también mejoró: Opus 5.5 genera output más de 30% más rápido que Opus 5. Hay además un «Fast mode» en preview a US$8 de input y US$40 de output por millón de tokens, hasta 2,5 veces más veloz.

GPT-6 Sol y Luna: la versión «mini Astra» de OpenAI

OpenAI lanzó el mismo día dos modelos pensados para trabajos de menor costo o mayor escala, según Mashable y Gizmodo. Los precios son:

GPT-6 Sol: US$2 input / US$10 output por millón de tokens
GPT-6 Luna: US$0,10 input / US$0,50 output por millón de tokens

Ambos son un 50% más baratos que sus contrapartes GPT-5.6 Sol y Luna, que habían debutado en julio de 2026. OpenAI asegura que GPT-6 Sol y Luna cometen la mitad de errores factuales que los modelos 5.6, y que GPT-6 Luna supera a su predecesor por 5,4 puntos en AutomationBench a un costo 58% menor por tarea.

GPT-6 Luna es la pieza más interesante para founders con productos de alto volumen y bajo riesgo: a US$0,50 por millón de tokens de output se ubica en un rango de precio que hace económicamente viables casos de uso que antes no cerraban por unidad económica. Está disponible para usuarios Go y Free en la app de escritorio de ChatGPT, según Mashable; GPT-6 Sol requiere planes pagos (Plus, Pro, Enterprise, Business, Edu).

El comunicado de OpenAI, citado por Gizmodo, dice que entrenó ambos modelos «con métodos similares a GPT-6 Astra». El entrenamiento podría incluir recurrent depth, una técnica que mejora el rendimiento pero dificulta el monitoreo humano de las decisiones del modelo, una cuestión sensible tras el hackeo de Hugging Face en julio donde miles de agentes coordinaron acciones por su cuenta.

¿Por qué ambos mueven la ficha al mismo tiempo?

La coincidencia no es casual. Hay tres fuerzas detrás del recorte simultáneo.

1. La presión de los modelos open-weight chinos. Según TechRepublic citando datos de SiliconData vía Financial Times, desde mediados de julio de 2026 el gasto en tokens de inferencia viene migrando desde modelos cerrados hacia alternativas open-weight. Moonshot AI lanzó Kimi K3, que lideró benchmarks de frontend coding; Alibaba, DeepSeek y z.AI también presentaron modelos competitivos. Para una startup cuya factura de OpenAI o Anthropic pasó de US$3.000 en piloto a una cifra mensual difícil de atribuir, el comparador es inevitable.

2. La maduración de los model routers. Nvidia presentó en agosto NeMo Switchyard, una librería open-source de routing para agentes, según SiliconAngle. CodeRabbit la usó para entrenar un agente router por US$85 en dos horas. Cuando enrutar es barato y configurable, la pregunta deja de ser «qué modelo uso» y pasa a ser «qué modelo uso para esta tarea concreta». Eso erosiona el pricing premium de los flagships.

3. El timing de salida a bolsa. TechRepublic reportó que Anthropic podría valorar arse hasta US$2 billones en su IPO, lo que la convertiría en la mayor salida a bolsa de la historia, y OpenAI apunta por encima de US$1 billón. Anthropic fue rentable en el segundo trimestre de 2026 según la misma fuente, pero la presión por mantener el crecimiento de usage antes del listing empuja a competir por precio además de por capacidad.

¿Qué significa esto para tu startup?

Si tu producto depende de LLMs en producción, esta semana toca revisar tres números.

Acción 1: recalcula el costo por tarea, no por token. El pricing de Opus 5.5 penaliza menos el contexto largo reutilizado (cache reads) que el input fresco. Si tu agente repite el mismo system prompt y los mismos documentos en cada llamada, el ahorro real al migrar de Opus 5 a Opus 5.5 puede acercarse al 40% en workloads típicos, no al 20% del recorte de precio nominal. Haz la cuenta con tus trazas reales: tokens cacheados versus tokens input/output nuevos.

Acción 2: estratifica tu stack con un router explícito. Ya no es óptimo enviar todo a GPT-6 Astra o Fable 5.1. Un patrón concreto: GPT-6 Luna (US$0,50/M output) para clasificación, extracción y resúmenes cortos; GPT-6 Sol u Opus 5.5 para código y razonamiento medio; Fable 5.1 o Astra solo para los prompts donde el benchmark justifique el premium. La diferencia de margen entre enrutar y no enrutar se mide en miles de dólares al mes para productos con miles de usuarios activos.

Acción 3: revisa los cambios breaking del API antes de migrar. Unite.ai documentó dos cambios relevantes en Opus 5.5: ya no se puede desactivar el modo thinking (devuelve error 400), y se eliminó el forzado de tool use mediante tool_choice: any o tool. Para quien mantiene un router o fallback entre modelos, los thinking blocks ahora son modelo-específicos: Fable 5.1 puede leer los de Opus 5.5 pero no al revés, así que el contexto se pierde al cambiar. Lee la guía de migración antes de hacer el switch en producción.

Un último punto que conviene no pasar por alto: el system card de Opus 5.5 —publicado el mismo 22 de septiembre— reconoce tres regresiones explícitas frente a Opus 5. El modelo es más proclive a seguir instrucciones maliciosas embebidas en texto pegado por el usuario, acepta más fácilmente claims de autorización no verificables y evade preguntas sensibles con más frecuencia que los modelos clase Mythos. Para founders que procesan texto de terceros —soporte, RAG sobre emails, ingestión de documentos— estas regresiones justifican pruebas de inyección de prompt antes de mover cargas sensibles.