Modelos de IA
Opus 5, Fable 5 y GPT-5.6: qué modelo de IA le conviene a una pyme
Comparativa con precios oficiales de Claude Opus 5, Fable 5, Sonnet 5 y GPT-5.6 (Sol, Terra y Luna), y el criterio para elegir sin pagar de más.
Equipo Kiwia 9 min de lectura
En este artículo
Resumen en 30 segundos
- En dos meses han salido cuatro modelos de Anthropic y una familia entera de OpenAI. La foto de precios ha cambiado.
- La diferencia entre el modelo más caro y el más barato es de diez veces en entrada y más de ocho en salida.
- Para el 80 % de lo que hace una pyme, el modelo caro es dinero tirado.
- Elegir modelo es la última decisión del proyecto, no la primera.
Cada pocas semanas aparece un modelo nuevo, una tabla de benchmarks y una oleada de publicaciones diciendo que esto lo cambia todo. Si diriges una empresa de veinte personas y tienes que decidir dónde meter el dinero, esa conversación no te sirve de nada.
Este artículo es el resumen que nos gustaría que alguien nos hubiera dado: qué hay disponible hoy, cuánto cuesta de verdad y con qué criterio se elige. Sin benchmarks sintéticos y con las fuentes enlazadas.
Qué ha pasado este verano
Julio de 2026 ha sido especialmente movido. Por un lado, OpenAI publicó GPT-5.6 el 9 de julio con una nomenclatura nueva: en lugar de un modelo único, tres variantes llamadas Sol, Terra y Luna, separadas por capacidad, velocidad y coste, tras una fase de acceso limitado y una revisión adicional de la administración estadounidense ( CNBC, Engadget).
Por otro, Anthropic ha encadenado cuatro modelos en menos de dos meses: Mythos 5, Fable 5 y Sonnet 5 en junio, y Claude Opus 5 el 24 de julio, que llega a un nivel cercano al del modelo más capaz de la casa por la mitad de precio ( Anthropic Newsroom).
Para una empresa, la noticia no es ninguno de esos lanzamientos por separado. Es esta: la capacidad que hace un año costaba un dineral ahora está en la franja media de precios, y eso mueve la línea de lo que sale rentable automatizar.
Los precios, uno al lado del otro
Los modelos se cobran por tokens (fragmentos de texto: aproximadamente unas 750 palabras por cada 1.000 tokens en castellano). Se paga por separado lo que entra —tu pregunta, los documentos, el historial— y lo que sale —la respuesta—. La salida siempre es más cara.
| Modelo | Entrada | Salida | Contexto | Para qué encaja |
|---|---|---|---|---|
| Claude Fable 5 | 10 $ | 50 $ | 1M | Razonamiento difícil y tareas autónomas largas |
| Claude Opus 5 | 5 $ | 25 $ | 1M | Trabajo agéntico y desarrollo complejo |
| GPT-5.6 Sol | 5 $ | 30 $ | ~1,05M | Tareas complejas, alternativa directa a Opus |
| Claude Sonnet 5 | 3 $ (2 $ hasta el 31/08/26) | 15 $ (10 $) | 1M | El equilibrio para la mayoría de casos |
| GPT-5.6 Terra | 2,50 $ | 15 $ | ~1,05M | Uso diario, volumen medio |
| GPT-5.6 Luna | 1 $ | 6 $ | ~1,05M | Alto volumen, tareas sencillas |
| Claude Haiku 4.5 | 1 $ | 5 $ | 200K | Clasificar, extraer, responder rápido |
Dos cosas que conviene mirar en esa tabla y que casi nadie mira. La primera: la columna de salida, porque es donde se dispara la factura de cualquier asistente que escriba respuestas largas. La segunda: el contexto, que es cuánta información puedes poner encima de la mesa de una vez. Un millón de tokens son varios miles de páginas; si tu caso es responder sobre tu catálogo, eso importa más que dos décimas en un benchmark.
Qué significa eso en dinero real
Vamos a un caso concreto y reconocible: un asistente que atiende 2.000 conversaciones al mes por WhatsApp, consumiendo unos 1.500 tokens de entrada y 400 de salida por conversación. Son 3 millones de tokens de entrada y 800.000 de salida al mes.
| Modelo | Coste mensual estimado |
|---|---|
| Claude Haiku 4.5 | ≈ 7 $ |
| GPT-5.6 Luna | ≈ 8 $ |
| Claude Sonnet 5 (precio introductorio) | ≈ 14 $ |
| GPT-5.6 Terra | ≈ 20 $ |
| Claude Opus 5 | ≈ 35 $ |
| Claude Fable 5 | ≈ 70 $ |
Léelo dos veces, porque aquí está la conclusión práctica del artículo: la diferencia entre el modelo más barato y el más caro, en este caso, son unos 63 dólares al mes. Menos de lo que cuesta una tarde de trabajo administrativo.
Es decir: en la inmensa mayoría de proyectos de pyme, discutir de modelos es discutir de calderilla. El presupuesto de verdad está en entender el proceso, construir la solución, integrarla con lo que ya usas y mantenerla viva. Por eso nosotros empezamos siempre por el proceso y dejamos la elección del modelo para el final, cuando ya sabemos qué tiene que hacer.
El criterio: elige por tarea, no por benchmark
Un modelo grande resolviendo una tarea pequeña es como poner a un ingeniero a fotocopiar: hace el trabajo, pero pagas de más y tardas más. Nuestra regla es empezar por el modelo pequeño y subir solo cuando los resultados no lleguen al listón que hayamos fijado antes.
| Lo que necesitas hacer | Por dónde empezar | Por qué |
|---|---|---|
| Clasificar correos o incidencias | Modelo pequeño | Es una decisión entre pocas opciones: la capacidad extra no aporta |
| Extraer datos de facturas y albaranes | Modelo pequeño o medio | Lo que manda es la calidad del documento, no el tamaño del modelo |
| Responder a clientes por WhatsApp | Modelo medio | Necesita tono, contexto del negocio y saber cuándo pasar a una persona |
| Redactar informes o propuestas | Modelo medio o grande | Aquí el salto de calidad sí se nota en el resultado final |
| Analizar un contrato largo o un histórico | Modelo grande con contexto amplio | Tiene que sostener mucha información a la vez sin perder el hilo |
| Programar o migrar sistemas | Modelo grande | Es donde la diferencia entre modelos es más evidente |
Un asistente que responde mal con el mejor modelo del mundo no tiene un problema de modelo. Tiene un problema de que nadie le explicó cómo trabaja la empresa. Regla de campo, aprendida a base de arreglar proyectos ajenos
Tres errores caros que vemos repetirse
1. Elegir el modelo antes de definir la tarea
Es el orden invertido. Primero se decide qué tiene que pasar y cómo se va a medir si ha salido bien; después se prueba con qué modelo se consigue eso al menor coste. Al revés se acaba pagando capacidad que nadie usa.
2. Pagar por razonar lo que se puede resolver con una consulta
Si la respuesta está en tu base de datos, no hace falta que un modelo la deduzca: hace falta que la consulte. Buena parte de nuestro trabajo de automatización de procesos consiste precisamente en eso, en quitar de en medio la IA donde una integración bien hecha es más barata, más rápida y más fiable.
3. No medir nada después de lanzar
Sin medición no sabes si el asistente acierta el 95 % o el 60 % de las veces, ni si el cambio de modelo del mes pasado mejoró algo. Es la diferencia entre tener una herramienta y tener una apuesta.
Lo que no cambia por mucho que cambien los modelos
En los últimos doce meses hemos visto cambiar precios, nombres y capacidades varias veces. Lo que no ha cambiado ni una vez es lo que hace que un proyecto funcione o fracase:
- Que el proceso esté entendido antes de automatizarlo, con sus excepciones y sus manías.
- Que los datos estén accesibles y sean fiables. Un asistente conectado a un Excel desactualizado miente con mucha convicción.
- Que alguien de la empresa valide el resultado y pueda decir «esto no es lo que hacemos».
- Que haya una métrica acordada de antemano: horas ahorradas, errores evitados, llamadas atendidas.
Si esas cuatro cosas están, cambiar de modelo es tocar una línea de configuración. Si no están, ningún modelo lo va a arreglar. Por eso en nuestras conversaciones con empresas de Lleida la primera reunión no va de tecnología: va de dónde se te escapa el tiempo.
Preguntas frecuentes
¿Tengo que cambiar de modelo cada vez que sale uno nuevo?
No. Si la solución está bien construida, el modelo es una pieza intercambiable: se cambia una línea de configuración y se vuelve a medir. Lo que no se puede improvisar es el proceso, los datos y las integraciones que hay alrededor.
¿El modelo más caro da mejores resultados?
Para razonamiento difícil y trabajo autónomo largo, normalmente sí. Para clasificar correos, extraer datos de una factura o responder preguntas frecuentes, no: un modelo pequeño acierta igual y cuesta entre cinco y diez veces menos.
¿Cuánto cuesta al mes un asistente de WhatsApp para una pyme?
El coste del modelo suele ser la parte pequeña: en el ejemplo de este artículo, entre 7 y 70 dólares al mes según el modelo elegido. El grueso del presupuesto está en construir la solución, integrarla con tus sistemas y mantenerla.
¿Los datos de mi empresa se usan para entrenar estos modelos?
Depende del proveedor y del plan contratado, y es una de las cosas que hay que dejar por escrito antes de empezar. En un proyecto serio se define qué datos salen de tu casa, hacia dónde y con qué garantías.
Fuentes de este artículo
- Precios y características de los modelos Claude: documentación oficial de la plataforma de Anthropic (Models overview) y sala de prensa de Anthropic.
- Publicación de GPT-5.6 y sus tres variantes: CNBC, 8 de julio de 2026 y Engadget.
- Cálculos de coste mensual: elaboración propia de Kiwia sobre las tarifas publicadas.
Sobre esto trabajamos
En Kiwia no publicamos cifras que no podamos enlazar. Todos los datos de este artículo llevan su fuente; si algo cambia o se queda desactualizado, avísanos y lo corregimos .
