Guerra de precios: GPT-6 Sol y Luna recortan los costos a la mitad

El día concentró dos lanzamientos en la misma ventana. OpenAI anunció Sol y Luna junto a Astra para formar una familia de tres modelos; no hay Terra en la lista. La página del anuncio se refrescó con una animación dedicada mientras subrayaba que Astra sigue siendo el modelo más capaz en la cima. Ya había encontrado a la familia Astra fluida en trabajo multi-herramienta, y ahora observo si Sol y Luna alcanzan la misma naturalidad de colega. Anthropic aterrizó el mismo día con Opus 5.5; la industria pareció bloqueada en una fecha y la competencia de precios se encendió.

El precio está en el centro de la historia. GPT-6 Sol recorta a la mitad la generación anterior, de cuatro a dos dólares en entrada y de veinte a diez en salida — exactamente la mitad. Los tokens de entrada son lo que envías al modelo y los de salida lo que genera, como pedido y plato servido. GPT-6 Luna va más allá: ya con ochenta por ciento de descuento, añade otro cincuenta por ciento, con lecturas de caché rebajadas hasta noventa por ciento. La lectura de caché evita recalcular cuando se reutiliza el mismo contexto — cuando un agente lee cien veces el mismo archivo, noventa y nueve lecturas casi no cuestan. Para el día a día Luna se vuelve notablemente más barata y a la vez más inteligente, lo que reduce directamente la factura de la API.

El posicionamiento dentro de la familia es claro. Astra queda arriba como referencia para razonamiento exigente, Sol sirve flujos complejos de código y agentes, y Luna es la opción más eficiente para tareas focalizadas de alto volumen. Piensa en una cocina: Astra es el chef, Sol el sous-chef, Luna la asistente rápida y precisa — no necesitas toda la brigada para cada pregunta, interviene el especialista adecuado. La documentación describe a Sol para código complejo y a Luna para volumen, con cortes de conocimiento en abril de 2026 para Astra y mayo de 2026 para Luna. Si tomo mi experiencia previa con Astra — comunicación más rápida y eficaz que Fable — como base, si Sol y Luna alcanzan esa línea decidirá la comodidad diaria.

Uno de los lugares donde se midieron estas afirmaciones es AutomationBench. Creado por Zapier para flujos empresariales realistas, verifica si los agentes coordinan varias aplicaciones, descubren solos la API correcta y respetan la política. Una sola prueba tiene límites — el gráfico del proveedor pone arriba con razón lo que ve más eficaz, pero aún falta validación de campo. La pregunta que me importa es si un modelo con 33 puntos en laboratorio corre al mismo ritmo con datos reales de clientes. Así que un puntaje de AutomationBench solo no decide; debe leerse junto a pruebas compañeras de uso de computadora e ingeniería de software.

Empezamos por el miembro más pequeño, Luna. Frente a la Luna anterior hay un salto de 9,1 hacia 14 — casi el doble — mientras otra escala muestra 20 frente a 17, más modesto. El lado del costo es más claro: banda de 0,070 dólares contra 0,037 y alrededor de 0,021 con ventaja de cincuenta a cincuenta y cinco por ciento. Un pequeño ejemplo: si derivas decenas de miles de tareas cortas al día (etiquetado de tickets o resumen de informes) a Luna, cierras el mismo trabajo a aproximadamente mitad de costo y con mayor precisión. Luna ahora se comporta como un agente que recoge en segundo plano, y ese carácter encaja con los números: más trabajo, factura menor.

La brecha real aparece con Sol. En el gráfico de OpenAI el nuevo Sol en modo extra-high muestra 33,2 puntos por 0,27 dólares, mientras el Sol previo en su ajuste máximo solo logra veintiocho por ciento por 0,67 y veintiséis por ciento por 0,54 en extra-high. El nuevo Sol es por tanto más inteligente y cerca de dos veces más barato. Para hacerlo concreto en tres pasos: 1) definir el mismo trabajo de automatización, 2) ejecutar al mismo nivel de dificultad, 3) poner puntaje y factura lado a lado. El resultado es que Sol entrega un puntaje superior por menos dinero que su predecesor. Como el precio por millón de tokens se redujo a la mitad en entrada y salida, los ahorros se acumulan en cada bucle de agente.

La comparación con Astra resulta aún más elocuente. Astra Medium corre 34,1 puntos por 1,27 dólares mientras GPT-6 Sol se ubica muy cerca — cerca de 33 puntos — por 0,27, es decir puntaje similar a un quinto del costo. En el gráfico Sol queda entre Astra Light y Astra Medium, lo cual importa porque muchos equipos consideran Medium suficiente. Del lado rival Fable 5.1 gasta 2,45 dólares por 31,4 puntos cuando Sol gasta 0,27 por 33 — nueve veces más caro y por detrás. La propia Anthropic presenta Fable 5.1 como su modelo más capaz y Opus 5.5 como alternativa cuarenta por ciento más barata para trabajo nivel Fable; qué se sostiene de forma duradera en campo solo se verá con pruebas repetidas más allá de un único gráfico.

Otros frentes son mixtos pero instructivos. En pruebas de código de frontera el ranking se mueve rápido; los costos suben mientras los puntajes se mantienen cercanos. En uso de computadora el gráfico muestra a 5.6 Sol superando a Astra Light en un punto — la capacidad del modelo de operar solo un navegador o escritorio, como rellenar formularios, mover archivos o hacer clic dentro de apps. OpenAI describe un tono de colega más nativo para Sol y Luna en ese terreno — menos verborrea innecesaria, más brevedad contextual — que ahorra tiempo en flujos diarios. Para suites de largo horizonte como OSWorld 2.0 con 108 tareas de escritorio, aún necesitamos resultados independientes para ver cuán durable es la ventaja.

La tasa de error y la economía de caché cuentan una historia más silenciosa pero más importante que el solo precio. Luna cae a una banda de error muy baja mientras Astra permanece en la banda más baja; por error entiendo engañar o desorientar. Cuando diriges una empresa no dominas cada oficio paso a paso — importan resultados y confianza — así que una pequeña desorientación de un agente que produce rápido sobre un tema desconocido puede salir cara. De ahí el vínculo directo entre caída de error y ganancia de confianza. Del lado del caché el descuento de hasta noventa por ciento recorta la línea que domina las facturas de agente cuando el mismo contexto se relee cientos de veces; releer el mismo archivo de investigación a lo largo de diez pasos de agente ahora cuesta aproximadamente una sola lectura.

El acceso está explicitado: GPT-6 y Luna están disponibles en ChatGPT Work, Codex, Plus, Pro, Enterprise y Education y para usuarios Go y abiertos vía app de escritorio; no en cada superficie de chat, pero directamente por identidad de modelo en la API. Según páginas de ayuda de OpenAI, GPT-6 Astra se despliega en chat como GPT-6 Pro para Pro 100 y Pro 200 además de Business y Enterprise en despliegue gradual; sin inclusión de chat para Plus. Para desarrolladores los identificadores son distintos, con cortes en mayo y abril de 2026. La tarifación también lista líneas separadas para contexto largo y escrituras de caché, así que conviene contar entrada más salida más lecturas y escrituras de caché juntas al presupuestar.

¿Qué significa esto en la práctica? Para trabajo diario, investigación y tareas intermedias Luna es ahora la candidata obvia; ofrece inteligencia similar por mucho menos costo así que el precio de experimentar baja y servir a más personas se vuelve realista. Sol, cercano a Astra por un quinto de la factura en bucles de código y agente, está llamado a volverse el defecto para equipos. Del lado de Anthropic Opus sigue caro y a menudo excesivo; los dos proveedores apuntan claramente a lugares distintos. El ganador del día es el usuario — opciones barata, premium e inteligente sobre la misma mesa. Haré correr a Sol y Luna contra Opus 5.5 en escenarios útiles para tu trabajo y compartiré resultados en los próximos días; juntos ordenaremos dónde buscar lo barato y dónde buscar el razonamiento sólido.