El 22 de septiembre pasó algo que no se ve todos los días en la industria de la IA: Anthropic lanzó Claude Opus 5.5 por la mañana, y noventa minutos después OpenAI respondió con dos modelos nuevos, GPT-6 Sol y GPT-6 Luna, con precios 50% más bajos que sus predecesores. No fue coincidencia de calendario, fue una respuesta calculada — y si construyes agentes de IA o decides qué modelo usar en producción, te conviene entender qué cambió.
Qué anunció cada uno
Opus 5.5 es el primer modelo de la nueva familia 5.5 de Anthropic. Según la propia compañía, rinde al nivel de Claude Fable 5.1 en la mayoría de tareas pero cuesta 40% menos correrlo que Opus 5, a 4 dólares por millón de tokens de entrada y 20 de salida. También es el primer Opus que sale con las mismas salvaguardas de seguridad que Fable 5.1 en ciberseguridad y biología — Anthropic viene frenando el ritmo de sus lanzamientos más potentes justamente por eso.
OpenAI no se quedó atrás. Sol quedó en 2 dólares de entrada y 10 de salida por millón de tokens, y Luna en apenas 0.10 y 0.50 — la mitad de lo que costaba la generación GPT-5.6. Un vocero de OpenAI confirmó que el precio es permanente, no una promoción de lanzamiento.
Por qué esto no es solo una guerra de precios
Con Sol y Luna, OpenAI completa una familia de tres niveles que cubre todo el espectro de costos: Astra (el modelo insignia, a 10/50 dólares, lanzado el 3 de septiembre) para razonamiento complejo, Sol para trabajo de producción estándar, y Luna para tareas de alto volumen y bajo margen — clasificación, extracción de datos, respuestas cortas. Es la misma lógica de tres niveles que ya usan Anthropic (Opus/Fable/Haiku) y Google (Gemini Pro/Flash), pero con la base todavía más barata.
- ▸Luna (0.10/0.50 USD por millón): clasificar tickets, extraer campos de un documento, resumir mensajes cortos — donde el volumen es alto y el margen de error tolerable.
- ▸Sol (2/10 USD por millón): agentes de producción que toman decisiones, escriben código o ejecutan tool calls con datos reales de tu negocio.
- ▸Astra / Opus 5.5 (10-20 USD el input): razonamiento de varios pasos, análisis legal o financiero, tareas donde una alucinación sale cara.
No es la única baja de precio del mes, pero sí la más simbólica
Gemini 3.8 Flash salió en disponibilidad general hace unas semanas enfocado en agentes de larga duración, y DeepSeek sigue empujando precios agresivos con su línea Flash. Lo distinto acá es el timing: Anthropic y OpenAI respondiéndose en menos de dos horas, en vivo, frente a toda la industria. Es la señal más clara hasta ahora de que compiten por volumen, no solo por benchmark.
Para un equipo en Perú o Colombia armando su primer agente de producción, esto se traduce directo en la factura: procesar 100,000 tickets de soporte con Luna cuesta un puñado de dólares al mes, algo que hace un año hubiera costado varias veces más con modelos de esa generación. La barrera para prototipar ya casi no es el precio — es saber diseñar bien el flujo.
El problema que el precio no resuelve
Bajar el precio no resuelve el problema real de quien construye agentes: decidir, en tiempo real, qué modelo usar para cada paso de una tarea. Lo que nadie te dice cuando lees estos anuncios es que la mayoría de equipos siguen mandando todo a un solo modelo — normalmente el más caro — porque cablear la lógica de enrutamiento a mano es trabajo extra que nadie prioriza hasta que llega la factura.
Acá aparece algo que pasó casi al mismo tiempo, el 20 de septiembre: LangChain lanzó su primer release typesafe, con un middleware experimental llamado ModelRouter. La idea es simple — defines reglas de complejidad, presupuesto y latencia esperada, y el framework decide si un paso va a un modelo barato tipo Luna o a uno caro tipo Opus, sin que tengas que escribir esa lógica desde cero cada vez.
Con tres niveles de precio por proveedor, y multiplicando por Anthropic, OpenAI y Google, la habilidad que más vale ahora no es 'saber usar un LLM' — es saber diseñar el enrutamiento entre varios.
Cómo se ve esto en un proyecto real
Si hoy armas un agente que atiende consultas de soporte: el triage inicial (¿es una queja, una pregunta de facturación, un bug?) puede ir a Luna sin problema. La respuesta al cliente con contexto de su cuenta, a Sol. Y si el caso escala a algo legal o de reembolso grande, recién ahí entra Opus 5.5 o Astra. Esa arquitectura de tres capas es exactamente lo que se construye paso a paso en Creación de Agentes con LangChain: cómo estructurar un agente que decide, ejecuta herramientas y mantiene estado, para que cuando aparezca el próximo modelo — y va a aparecer, esto se mueve cada semana — solo cambies una línea de configuración y no la arquitectura completa.
Si quieres ir más a fondo
Este tipo de decisiones — qué modelo, cuándo, con qué presupuesto — es el trabajo diario de un AI Agentic Engineer. Si te interesa esa ruta completa, la ruta AI Agentic Engineer cubre desde LangGraph hasta arquitecturas multi-agente en producción, con esta misma lógica de costos como parte central del diseño.
Si prefieres ir probando esto en vivo con otras personas que están armando lo mismo, cada semana hacemos un taller práctico en la Comunidad AI Builders — ahí discutimos justo estos anuncios apenas salen.
Explora todos nuestros cursos de IA o revisa la ruta completa de AI Agentic Engineer para dejar de perseguir cada anuncio de modelo y empezar a diseñar sistemas que se adaptan solos.
