OpenAI lanza GPT-6 Sol y Luna: API 50% más barata

OpenAI expande la familia GPT-6 con dos modelos de precio medio y bajo

OpenAI lanzó el 22 de septiembre de 2026 los modelos GPT-6 Sol y GPT-6 Luna, dos nuevas opciones dentro de la familia GPT-6 orientadas a cargas de trabajo empresariales repetitivas. La compañía los presenta como una bajada estructural de precios: un 50% o más respecto a sus equivalentes en GPT-5.6, y una portavoz de OpenAI confirmó a VentureBeat que se trata de tarifas permanentes, no promocionales.

El posicionamiento responde a una lógica clara: Sol ($2 input / $10 output por millón de tokens) se enfoca en trabajo complejo recurrente (construir funcionalidades, revisar código, depurar, analizar datos), mientras que Luna ($0.10 input / $0.50 output por millón de tokens) apunta a tareas de alto volumen y bien definidas como resúmenes, extracciones y preguntas directas. Astra, presentado a inicios de septiembre como el modelo estrella de la familia GPT-6, se mantiene como la opción de mayor capacidad para los problemas más exigentes.

Por qué importan los precios permanentes

La diferencia clave frente a movimientos anteriores de la industria es que OpenAI no está ofreciendo un descuento temporal. A diferencia de Gemini 3.8 Flash, cuya tarifa de US$0.75/US$3.75 está limitada hasta el 31 de diciembre de 2026 (luego sube a US$1.50/US$7.50 desde enero de 2027), los precios de Sol y Luna son estructuralmente permanentes.

🤖 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

Para los founders que construyen productos con agentes, esto significa que las proyecciones de unit-economics a 12-18 meses se pueden hacer sobre una base estable. El descuento del 80% sobre GPT-5.6 Luna en julio disparó su uso más de 10x según datos compartidos por OpenAI, y la mejora de precios en GPT-5.6 fue lo que permitió a Replit habilitar su modo gratuito para millones de usuarios sin consumir créditos de la suscripción. El patrón sugiere que una caída permanente de precio no solo abarata el coste, sino que habilita casos de uso que antes eran inviables económicamente.

Dónde se ubica GPT-6 Sol en el mapa competitivo

GPT-6 Sol aterriza exactamente en la franja de precio de Claude Sonnet 5, que Anthropic fijó permanentemente en US$2/US$10 por millón de tokens en agosto de 2026. La coincidencia no es casual: Sol se coloca como competidor directo en el segmento workhorse para desarrolladores.

El mismo día del anuncio, Anthropic presentó Claude Opus 5.5 (US$4/US$20 por millón de tokens, un 20% más barato en tokens que Opus 5 y alrededor de 40% más económico en cargas de trabajo típicas según la compañía). Esto deja a GPT-6 Sol 50% más barato que Opus 5.5 en precio por token, aunque todavía no existe una comparativa pública same-harness entre ambos modelos.

En el extremo de bajo costo, GPT-6 Luna a US$0.10/US$0.50 queda muy por debajo de Sonnet 5 (95% más barato en input y output) y de Gemini 3.8 Flash en su tarifa introductoria (aproximadamente 86.7% más barato). Frente a Grok 4.7 de xAI, lanzado un día antes, Luna es 95% más barato en input y cerca del 91.7% más económico en output, según la comparativa de VentureBeat.

La presión más interesante viene de los modelos open weights. Xiaomi presentó MiMo-V2.6-Pro y MiMo-V2.6-Flash bajo licencia MIT a precios de US$0.435/US$0.87 y US$0.14/US$0.28 por millón de tokens respectivamente, o directamente descargables para self-hosting. MiMo-V2.6-Flash es cerca de 93% más barato que GPT-6 Sol en input y 97% en output.

El benchmark real ya no es el puntaje, es el coste por tarea completada

OpenAI está pivotando explícitamente hacia una métrica de coste por tarea completada con éxito, en lugar de rankings de benchmarks aislados. En AutomationBench 1.0.6 (47 herramientas en ventas, marketing, finanzas, soporte y RR.HH.), GPT-6 Sol a esfuerzo xhigh alcanza 33.2% a US$0.27 por tarea, frente al 26.9% de Claude Opus 5 a máximo esfuerzo, que cuesta 11.1 veces más por tarea según las cifras publicadas por OpenAI.

En coding, DeepSWE 1.1 muestra a Sol máximo esfuerzo en 68.8% frente a 69.9% de Claude Fable 5 a xhigh, con un coste por tarea aproximadamente 80% menor. Luna alcanza 66.6% en el mismo benchmark, con un coste 93% inferior a la configuración Opus 5 comparada y 96% inferior a Fable 5. En OSWorld 2.0, evaluación de computer-use, Sol a xhigh obtiene 60.5% versus 60.3% de Opus 5 a esfuerzo medio, con un coste por tarea aproximadamente 80% más bajo. En Agents’ Last Exam, Sol máximo esfuerzo logra 56.4% por encima de Opus 5 con un 60% menos de coste por tarea.

Hay dos matices importantes. Primero, los benchmarks publicados por OpenAI comparan a Sol contra Opus 5, no contra Opus 5.5 (lanzado horas antes). Anthropic presentó sus propios benchmarks de Opus 5.5 sin incluir a Sol, así que todavía no hay un resultado público mismo-harness que determine qué modelo entrega menor coste por tarea exitosa. Segundo, OpenAI no publicó comparativas same-harness contra Gemini 3.8 Flash, Grok 4.7 ni MiMo-V2.6, por lo que los precios por token pueden compararse directamente, pero las economics reales de tarea no.

Para referencia cruzada, según Mashable y TechCrunch, Opus 5.5 reporta 66.4% en Terminal-Bench 4.0 frente a 57.9% de GPT-6 Astra, mientras Anthropic también destaca un puntaje de 1.846 Elo en GDPval-AA v2.1 (Fable 5.1: 1.735; Opus 5: 1.708). Estos datos ilustran que Opus 5.5 eleva el techo de capacidad, pero no resuelven la pregunta de coste por tarea frente a Sol.

La caché de prompts se vuelve parte del coste total

El precio por token es solo una parte de la ecuación. En agentes de larga duración, los prompts del sistema, archivos, definiciones de herramientas y el historial de conversación se reenvían constantemente al modelo. OpenAI mejoró las tasas de acierto de la caché en GPT-6 y mantiene un descuento del 90% en lecturas de tokens cacheados. Los desarrolladores pueden cambiar el esfuerzo de razonamiento o las herramientas disponibles sin invalidar el contexto previamente cacheado.

La compañía reporta que las mejoras de caché redujeron la porción de tokens que requieren procesamiento fresco en más del 50% a través de miles de millones de requests de GitHub Copilot. Anthropic, Google y Xiaomi empujan la misma palanca con descuentos similares: Sonnet 5 anuncia ahorros de hasta 90% por caching, y MiMo-V2.6-Flash lista cache reads a US$0.0028 por millón de tokens, el precio nominal más agresivo del mercado según la tabla comparativa de VentureBeat.

Qué significa esto para tu startup

Si estás construyendo productos con agentes o workflows de IA que consumen muchos tokens, la bajada permanente de Sol y Luna redefine el techo de unit-economics que podías proyectar hace 30 días. Tres acciones concretas para aplicar esta semana:

Rehaz el coste por tarea de tus flujos principales. Si tu producto enruta todo a GPT-5.6 o anterior, mapea cada paso del flujo (resumen, extracción, generación, razonamiento) al modelo más barato que pueda resolverlo sin pérdida de calidad. GPT-6 Luna a US$0.10/US$0.50 es viable incluso para interacciones de bajo valor donde antes era prohibitivamente caro.
Diseña prompts pensando en caché desde el día uno. Con descuentos del 90% en lecturas cacheadas y la posibilidad de cambiar de modelo o de herramientas sin invalidar la caché, la estructura del prompt (prefijo estable + instrucciones dinámicas + contexto del usuario) impacta directamente la factura mensual.
Compara Sol contra Opus 5.5 cuando Anthropic publique los mismos-harness. Hasta entonces, si tu workload es sensible a capacidad bruta, Opus 5.5 sigue siendo la referencia a batir. Pero si tu workload es sensible a coste por tarea, GPT-6 Sol tiene el argumento más fuerte del segmento Sonnet-clase a US$2/US$10 por millón de tokens.

Para founders en LATAM y España, la caída permanente de precio abre una ventana para construir productos de IA con agentes que antes no cerraban la cuenta de resultados. La conversación en el ecosistema sobre cómo enrutar tráfico entre Astra, Sol y Luna — y cuándo conviene self-hostear MiMo — está en pleno desarrollo.