OpenAI y Anthropic han presentado nuevos modelos más baratos en una señal clara de hacia dónde se mueve la competencia empresarial en inteligencia artificial. CNBC informó de que OpenAI incorpora GPT-6 Sol y GPT-6 Luna a su familia de modelos, con una reducción de precios de API del 50% frente a la promoción de GPT-5.6. Anthropic, por su parte, lanzó Claude Opus 5.5 con un coste de ejecución alrededor de un 40% inferior al de Opus 5.
La novedad llega poco después de que el debate sobre seguridad de IA volviera a tensionar al sector. Dario Amodei, Sam Altman y otros líderes han pedido más cautela en el desarrollo de sistemas avanzados, pero las compañías no han detenido los lanzamientos. Lo que cambia es el mensaje: no solo modelos más capaces, también modelos más eficientes.
Para muchas empresas, el problema ya no es acceder a IA avanzada, sino pagarla de forma sostenible cuando pasa de piloto a uso diario. Un asistente interno que resume miles de documentos, genera código o atiende consultas de clientes puede multiplicar costes si cada interacción consume demasiados tokens o exige siempre el modelo más caro.
OpenAI posiciona GPT-6 Sol como una opción para cargas complejas, incluidas tareas de programación, mientras GPT-6 Luna apunta a trabajos de alto volumen como extracción de información y resúmenes. Esa segmentación refleja una madurez del mercado: no todo necesita el modelo más potente. En muchos flujos, elegir el nivel adecuado importa tanto como afinar el prompt.
Anthropic destaca la eficiencia en consumo de tokens de Claude Opus 5.5. Dianne Penn, responsable de producto en áreas de investigación y labs, explicó a CNBC que la compañía está trabajando para que el razonamiento use menos tokens según el esfuerzo requerido. La idea es sencilla: si el modelo piensa menos cuando la tarea es fácil y más cuando lo necesita, el coste por resultado baja.
La presión viene también de modelos abiertos y más baratos, incluidos competidores chinos como Alibaba, Moonshot AI y DeepSeek. Estas alternativas obligan a los laboratorios cerrados a defender su prima de precio con seguridad, herramientas, estabilidad y rendimiento medible. Si el diferencial no es claro, los compradores empresariales probarán opciones más económicas.
La noticia tiene implicaciones directas para directores de tecnología y finanzas. La evaluación de modelos ya no puede limitarse a una tabla de benchmarks generales. Conviene medir coste por documento procesado, incidencia resuelta, ticket clasificado o cambio de código aceptado. Esa métrica permite comparar modelos con una unidad que entiende negocio.
También crece la importancia de arquitecturas híbridas. Una empresa puede usar un modelo barato para clasificación inicial, otro más capaz para casos complejos y un tercero especializado para código o datos sensibles. Ese enfoque reduce gasto, pero exige gobierno, observabilidad y equipos capaces de mantener reglas claras de enrutamiento.
La rebaja de precios no elimina la pregunta de seguridad, pero sí recuerda que la adopción real de IA depende de economía operativa. Los modelos que ganen en 2027 no serán necesariamente los que impresionen más en una demo, sino los que resuelvan tareas repetidas con calidad suficiente, latencia aceptable y una factura que el CFO pueda defender.
