GPT-5.6 Sol, Terra y Luna: comparativa profunda contra Claude Opus y Fable

No hay un «GPT-5.6» que recomendar a ciegas. OpenAI ha lanzado una familia con tres perfiles: Sol para capacidad máxima, Terra para el trabajo diario y Luna para volumen y precio. Si vienes de Claude, la comparación real no es solo Sol contra Fable 5: es qué combinación de modelo, esfuerzo, herramientas, controles y revisión humana te sale mejor en producción.

Esta guía separa tres cosas que a menudo se mezclan: hechos de producto verificables, resultados de evaluaciones publicadas y criterio editorial. Los números de benchmarks que verás proceden de las tablas de OpenAI o de sus fuentes declaradas; no son un test propio de Kroniq. Las recomendaciones, en cambio, son mi lectura práctica de esos datos y de cómo se compra capacidad de IA sin dejarse llevar por una gráfica.

Conclusión en 30 segundos: empieza una evaluación con Terra como control. Sube a Sol si el trabajo requiere planificación, herramientas y verificación prolongadas; baja a Luna si el flujo está acotado y puedes muestrear calidad. Frente a Claude, Opus 4.8 sigue siendo una referencia sólida para quien ya tiene flujos afinados; Fable 5 es la opción premium para autonomía larga, pero su precio y sus reglas de seguridad son parte de la comparación.

Qué cambia realmente con GPT-5.6

OpenAI define Sol como su modelo de frontera, Terra como el nivel que equilibra inteligencia y coste, y Luna como la alternativa para cargas sensibles al precio y de alto volumen. Los tres llegan a ChatGPT, Codex y API, y OpenAI ha convertido los nombres en niveles de capacidad persistentes: la generación es 5.6; Sol, Terra y Luna son la escalera de producto.¹

La parte importante para desarrolladores es que no estamos ante un modelo grande y dos versiones recortadas que solo sirven para tareas triviales. La página de Terra declara contexto de 1.050.000 tokens, hasta 128.000 tokens de salida, entradas de texto e imagen y soporte para búsqueda web, archivos, intérprete de código, shell alojada, apply patch, ordenador y MCP.² Sol comparte la ventana de contexto y los máximos de salida publicados.³ Eso permite plantear un agente con documentos, repositorio y herramientas en los tres niveles; lo que cambia es el margen de razonamiento, el rendimiento esperado y la factura.

También cambia la interfaz de trabajo. En Codex y ChatGPT Work, OpenAI ofrece niveles de esfuerzo y el modo max; para tareas de máxima complejidad describe ultra como una modalidad que usa subagentes. En API anuncia Programmatic Tool Calling y multiagente en beta dentro de Responses API.¹ No confundas esto con que cualquier prompt sea automáticamente un equipo de agentes: la capacidad existe en el producto, pero el resultado depende de cómo diseñes la tarea, las herramientas y las verificaciones.

Sol, Terra y Luna: diferencias que sí se pueden medir

Las tres tarifas GPT-5.6 están publicadas por OpenAI. Las de Fable 5, por Anthropic. El precio de Opus no se fija aquí porque una comparativa seria no debe congelar una cifra que puede variar por superficie, región o modalidad; la fuente de Anthropic debe ser la que mande al contratar.¹⁴

El coste útil no es el precio por millón de tokens

Aquí es donde se suele estropear la comparativa. Si un flujo consume 10 millones de tokens de entrada y 2 millones de salida al mes —un ejemplo didáctico, no una predicción— el coste de texto sin caché sería:

Esta tabla no decide nada por sí sola. Una respuesta más barata que obliga a tres reintentos, abre una incidencia o requiere 20 minutos de revisión puede ser más cara que Sol. A la inversa, pagar Fable para clasificar tickets claramente definidos es una forma elegante de quemar presupuesto. El dato que conviene medir es coste por resultado aceptado: tokens + herramientas + tiempo del modelo + tiempo humano + errores corregidos.

OpenAI publica descuentos de caché y advierte que prompts muy largos cambian de tarifa; Anthropic también aplica descuentos de caché en Fable.¹⁴ Si tu agente reenvía contexto repetido, esa arquitectura puede pesar más en la factura que la diferencia de precio base entre modelos.

Benchmarks de GPT-5.6: qué dice la tabla y qué no dice

La tabla de lanzamiento de OpenAI permite mirar la familia en varias dimensiones. Lo útil es leer los resultados por tarea y no convertirlos en una liga universal.

Fuente de todos los valores: tabla de OpenAI, publicada el 9 de julio de 2026.¹

Hay tres lecturas honestas. Primera: Sol no gana todo. En la tabla publicada por OpenAI, Fable 5 aparece por delante en SWE-Bench Pro y por un punto en el índice compuesto de Artificial Analysis; ocultarlo sería convertir una comparativa en publicidad. Segunda: Terra y Luna mantienen resultados cercanos a Sol en varias pruebas de código, algo que hace interesante probarlas antes de asumir que la opción cara es obligatoria. Tercera: Terminal-Bench y SWE-Bench no son equivalentes. Uno premia ejecución coordinada en terminal; el otro depende de un conjunto concreto de incidencias y de la configuración del agente.

La propia OpenAI atribuye a Sol 80 en el Coding Agent Index, 2,8 puntos por encima de Fable 5, y afirma que esa configuración usa menos de la mitad de tokens de salida, tarda menos de la mitad y cuesta aproximadamente un tercio menos dentro de esa evaluación.¹ Es una afirmación del proveedor sobre una evaluación concreta, no una promesa de que tu pull request costará un tercio. La diferencia importa: los benchmarks son señales para elegir qué probar, no una garantía de retorno.

Donde Sol parece más interesante

En la misma tabla, Sol destaca en Terminal-Bench (88,8%), BrowseComp (90,4%), BenchCAD (70,6%), GeneBench Pro (28,7%) y varios indicadores de ciberseguridad.¹ La señal coherente es de trabajo con herramientas, contexto extenso y secuencias largas. Si tu agente debe leer muchos ficheros, ejecutar comandos, comparar resultados y corregir el rumbo, Sol tiene más sentido que si solo completa un campo JSON.

Pero hay una advertencia importante en ciberseguridad: OpenAI describe salvaguardas reforzadas y afirma que Sol no cruza su umbral «Cyber Critical» en las condiciones evaluadas; también reconoce que un umbral de benchmark no recoge todas las combinaciones de herramientas y usos posibles.⁵ Para un equipo defensivo, esto exige más controles, no menos: entorno autorizado, permisos mínimos, registro y revisión humana de cualquier hallazgo.

GPT-5.6 contra Claude Opus 4.8: no es una pelea de un número

Opus 4.8 sigue siendo una alternativa lógica, especialmente para equipos que ya han construido su proceso alrededor de Claude Code. Anthropic documenta mejoras en código agente de largo recorrido, manejo de contexto y recuperación tras compactación. Además, Opus 4.8 usa razonamiento adaptativo: el modelo decide cuándo necesita pensar y la profundidad se controla con effort; el modo rápido, aún en research preview, promete hasta 2,5 veces más tokens por segundo a precio premium.⁶

Eso se traduce en una diferencia de ergonomía. GPT-5.6 ofrece una escalera explícita: puedes mantener el mismo contrato de herramientas y subir de Luna a Terra o Sol según el tipo de trabajo. Opus plantea un modelo premium cuyo razonamiento se ajusta con esfuerzo. Ninguna filosofía gana por defecto:

• Si tu problema es asignar presupuesto automáticamente a miles de peticiones, la escalera Sol/Terra/Luna es muy fácil de razonar y auditar.
• Si tu problema es mantener un agente de desarrollo ya estabilizado en Claude Code, cambiar de proveedor introduce una variable de comportamiento que un benchmark no va a absorber.
• Si el flujo requiere herramientas y continuidad de contexto, prueba ambos con el mismo repositorio, las mismas pruebas y el mismo límite de tiempo. La experiencia de conversación no sustituye esa prueba.

Mi recomendación no es abandonar Opus porque Sol saque más en Terminal-Bench, ni elegir Opus porque sea familiar. Es conservar Opus como control y exigir a Sol que gane en tasa de tareas aceptadas, tiempo de ciclo o coste total. Si no gana en al menos uno de esos tres, no hay caso de migración.

GPT-5.6 contra Claude Fable 5: capacidad máxima, precio máximo y condiciones reales

Fable 5 es el rival que cambia más la conversación. Anthropic lo presenta como un modelo de clase Mythos para tareas ambiciosas, asíncronas y de larga duración, y publica una tarifa de 10 dólares por millón de tokens de entrada y 50 de salida.⁴ En la tabla de OpenAI vence a Sol en SWE-Bench Pro (80% frente a 64,6%) y en el índice de Artificial Analysis por un punto (59,9 frente a 58,9); Sol, por su parte, adelanta a Fable en Terminal-Bench, DeepSWE, Agents’ Last Exam y el Coding Agent Index.¹

Eso no autoriza una conclusión grandilocuente. Fable puede ser excelente cuando un agente necesita sostener un proyecto largo, validar su propio trabajo y recuperar contexto; Anthropic subraya precisamente esos casos. Pero incorpora un detalle operativo que una tabla de capacidades no revela: consultas en ciberseguridad y biología pueden redirigirse automáticamente a Opus 4.8, y Anthropic indica una retención de datos de 30 días para monitorización de seguridad.⁴ En un equipo regulado, eso puede ser decisivo antes de mirar un solo punto porcentual.

Fable tampoco debe juzgarse solo por su precio por token. Si resuelve una migración difícil con menos supervisión, puede amortizarse. La manera seria de saberlo es recoger el número de intervenciones humanas y correcciones de cada ejecución. Si no tienes ese registro, estás comparando narrativas de proveedor.

Qué modelo elegir en seis escenarios concretos

Esta tabla es una hipótesis operativa. No afirma que Luna sea «mejor» para extracción en todos los documentos ni que Fable arregle cualquier migración. Ofrece una cola de pruebas razonable para no empezar siempre por el modelo más caro.

La prueba comparativa que haría antes de firmar un contrato

Una comparativa real no necesita ser enorme, pero sí debe ser repetible. Mi protocolo tendría 30 tareas: diez de extracción estructurada, diez de análisis o investigación con fuentes y diez de código con pruebas. Cada tarea tendría una respuesta de referencia o pruebas automatizadas. Haría correr Luna, Terra, Sol, Opus 4.8 y, si el presupuesto lo permite, Fable 5, con las mismas herramientas, permisos, temperatura cuando la API lo permita y límite de tiempo.

Mediría cinco variables: tasa de éxito, tasa de resultado aceptado sin editar, tiempo hasta resultado aceptado, coste total de API/herramientas y minutos de revisión humana. Añadiría una sexta: incidentes de seguridad o de cumplimiento. Publicaría el harness, los prompts y las exclusiones. Sin eso, llamar «comparativa real» a cinco capturas de pantalla es vender una sensación.

No conviertas una sola pasada en verdad. Ejecuta varias corridas cuando haya aleatoriedad, revisa muestras de fallos y separa el error de modelo del error de integración. El agente puede tener razón y fallar porque no tenía permiso para ejecutar una prueba; eso habla de tu harness, no necesariamente del modelo.

Veredicto: GPT-5.6 abre una decisión más madura

Sol es un modelo de frontera serio en los datos publicados y una referencia obligada para agentes de herramientas. Pero la novedad que probablemente más importa es la segmentación. Terra permite probar capacidad amplia sin convertir cada flujo en una factura de modelo premium; Luna hace viable reservar el gasto para los pasos que de verdad necesitan razonamiento profundo.

Frente a Claude, la foto es competida: Opus 4.8 conserva valor para equipos ya asentados; Fable 5 aparece muy fuerte en determinadas evaluaciones y tiene un posicionamiento de autonomía larga; GPT-5.6 ofrece una escalera especialmente clara en coste y despliegue. La evidencia pública no da un ganador universal. Da una lista mejor de candidatos para evaluar.

Mi decisión práctica: Terra por defecto, Luna para tareas acotadas de alto volumen, Sol para los casos que van a pasar por herramientas y revisión compleja. Mantendría Opus o Fable como control en las tareas donde ya han demostrado valor. Cambiaría el estándar de discusión de «qué modelo es mejor» a «qué modelo produce más resultados aceptados por euro y por hora humana».

Lecturas relacionadas

• guía de LLM locales
• agentes de código en el mundo real
• Cursor vs Copilot en 2026

Fuentes y metodología

Todas las cifras de precio, disponibilidad y evaluaciones GPT-5.6 de este artículo se tomaron de material oficial de OpenAI. Las descripciones de Claude Opus 4.8 y Fable 5 proceden de la documentación oficial de Anthropic. Los resultados comparativos de la tabla son cifras publicadas por OpenAI y se muestran con esa atribución; no son pruebas independientes de Kroniq.