El 7 de octubre, Anthropic lanzó Claude Haiku 5.5 a $0.10 por millón de tokens de entrada y $0.50 por millón de salida para prompts de hasta 100K tokens. GPT-6 Luna figuraba exactamente a $0.10 y $0.50 desde el 22 de septiembre, y las tarifas de almacenamiento en caché también coinciden: $0.01 de lectura y $0.125 de escritura. Nueve días después de que Sonnet 5.5 igualara a GPT-6 Sol en $2 y $10, el nivel económico hizo lo propio.
Que los precios coincidan complica la elección en lugar de facilitarla, ya que el grueso del volumen se concentra en el nivel económico: triaje, resúmenes, scaffolding de pruebas... tareas que, como ya argumentamos, deberían ejecutarse en un Runtime económico. Si eliges entre ambos por simple intuición, al final acabarás teniendo los dos sobre el tablero: uno en Claude Code y el otro en Codex. A partir de ahí, nadie sabrá qué Agent se encarga de qué, qué ejecución ha terminado o cuál redactó el resumen de triaje que desvió un error el martes pasado.
En resumen
Claude Haiku 5.5 y GPT-6 Luna cuestan lo mismo solo por debajo de los 100K tokens de prompt. A partir de ahí, Haiku 5.5 pasa a $0.50/$2.50, mientras que Luna mantiene su precio de lista hasta los 272K y luego sube a $0.20/$0.75; por tanto, es en las sesiones largas de agentes donde las facturas difieren. La tabla de lanzamiento de Anthropic —la única de un proveedor que incluye ambos modelos— sitúa a Haiku 5.5 por encima en todas las filas comparadas. Sin embargo, sus gráficos de costes muestran que Luna resulta más económico por intento en cualquier nivel de esfuerzo para trabajo de conocimiento, y en todos los niveles salvo el medio para uso del ordenador, donde ambos cuestan lo mismo y Haiku 5.5 obtiene unos 16 puntos más. Conviene recordar que se trata de la tabla de un único proveedor y aún no hay resultados independientes para Haiku 5.5. Dirige el tráfico según el tamaño del prompt y según lo que midas en tus propios Tasks; mantener ambos Runtimes es una postura perfectamente defendible.
El precio es idéntico... hasta que el prompt se alarga
La paridad de precios solo se mantiene dentro de un rango específico de longitud de prompt. Ambos proveedores aplican recargos a los prompts extensos, aunque en umbrales distintos y con diferentes tarifas:
| Tokens de entrada en la solicitud | Haiku 5.5, por 1M entrada / salida | GPT-6 Luna, por 1M entrada / salida |
|---|---|---|
| Hasta 100K | $0.10 / $0.50 | $0.10 / $0.50 |
| De 100K a 272K | $0.50 / $2.50 | $0.10 / $0.50 |
| Más de 272K | $0.50 / $2.50 | $0.20 / $0.75 |
La documentación de precios de Anthropic lo deja muy claro: todo prompt que supere los 100.000 tokens tiene una tarifa más alta. Por su parte, la página del modelo Luna de OpenAI fija para los prompts de más de 272K tokens de entrada el doble de tarifa en entrada y caché, y un factor de 1.5x en salida, aplicados a la solicitud completa. El procesamiento por lotes reduce ambas a la mitad.
Esto influye mucho más en agentes que en chats convencionales, ya que en una sesión de agente el contexto se reenvía en cada turno. Anthropic señala que el 90% de las solicitudes a Haiku 4.5 no llegaban a 100K, pero una sesión de programación prolongada dista mucho de ser una petición habitual. Claude Code compacta automáticamente los modelos nativos con contexto de 1M, incluido Haiku 5.5, al alcanzar por defecto unos 967K tokens. Por tanto, una ejecución larga de Claude Code con Haiku 5.5 puede pasar la mayor parte de sus turnos por encima de los 100K, pagando cinco veces el precio base. Codex con Luna ofrece un margen adicional de 172K tokens antes de aplicar el recargo, y este resulta menor cuando entra en juego.
El recuento de tokens tampoco se puede comparar de forma directa entre proveedores. Anthropic afirma que un mismo texto genera aproximadamente un 30% más de tokens en Haiku 5.5 que en Haiku 4.5. Un comentarista en Hacker News estimó que 100K tokens del Claude actual equivalen aproximadamente a entre 60K y 65K tokens del GPT moderno. No deja de ser una estimación, no una medición exacta, pero apunta en la misma dirección: un mismo repositorio agotará antes el tramo económico de Haiku 5.5.
Qué permite comparar la tabla de Anthropic
La publicación de lanzamiento de Haiku 5.5 incluye seis filas con datos de Luna. Las cifras de Haiku 5.5 corresponden al esfuerzo máximo:
| Fila | Haiku 5.5 | GPT-6 Luna | Origen del dato de Luna |
|---|---|---|---|
| GDPval-AA v2.1 (knowledge work) | 1620 | 1437 | Dato publicado y citado por Anthropic |
| AA-Briefcase v1.1 | 1578 | 1336 | Dato publicado y citado por Anthropic |
| OSWorld 2.1, offline subset | 72.4% | 48.9% | Ejecutado por Anthropic a través de la API de OpenAI, 82 tareas |
| Terminal-Bench 4.0 | 39.2% | 16.4% | Clasificación pública, Codex CLI con esfuerzo máximo |
| FrontierCode 1.1 (Main) | 46.4% | 42.4% | Dato publicado y citado por Anthropic |
| Chartography, no tools | 46.4% | 29.1% | Según los datos comunicados por Surge AI |
Haiku 5.5 se impone en todas las filas. Sin embargo, dos matices impiden que esto se considere un veredicto definitivo: se trata de la tabla de Anthropic, y los gráficos de la página de lanzamiento comparan la puntuación con el coste por intento, lo que ofrece una perspectiva muy distinta a la de las puntuaciones por sí solas:
| Esfuerzo | OSWorld: Haiku 5.5 | OSWorld: Luna | GDPval-AA: Haiku 5.5 | GDPval-AA: Luna |
|---|---|---|---|---|
| low | 42.0%, $0.07 | 19.2%, $0.04 | 1125, $0.012 | 1036, $0.004 |
| medium | 53.3%, $0.13 | 37.5%, $0.13 | 1277, $0.030 | 1262, $0.020 |
| high | 61.3%, $0.18 | 42.3%, $0.14 | 1420, $0.089 | 1344, $0.030 |
| xhigh | 67.6%, $0.28 | 44.8%, $0.17 | 1513, $0.267 | 1364, $0.050 |
| max | 72.4%, $0.61 | 48.9%, $0.21 | 1620, $0.866 | 1437, $0.090 |
En GDPval-AA, Luna resulta más barato por tarea en todos los niveles de esfuerzo. En OSWorld es más económico en todos los niveles excepto en medium, donde ambos cuestan aproximadamente 13 centavos por intento. En uso del ordenador, la diferencia de puntuación es tan amplia que el coste pasa a un segundo plano: Haiku 5.5 en medium supera a Luna en max por menos dinero. En trabajo de conocimiento, en cambio, la distancia casi desaparece: Haiku 5.5 en high y Luna en max cuestan unos nueve centavos por tarea y se sitúan a apenas 17 puntos Elo de distancia, mientras que el nivel max de Haiku 5.5 cuesta casi diez veces más que el de Luna.
Hay dos limitaciones más a tener en cuenta. La cifra destacada de OSWorld incluye créditos parciales; la system card de Anthropic sitúa la tasa de éxito estricta de Haiku 5.5 en el 37.1% y no publica ningún dato estricto para Luna. El impacto que esto tiene en la cola de revisión es el tema central de nuestro artículo sobre agentes de navegador. Por otra parte, ninguno de los dos modelos lidera en programación: la propia Anthropic reconoce que Sonnet 5.5 y Opus 5.5 siguen siendo mejores opciones para tareas de codificación complejas con agentes.
El Runtime que rodea a cada modelo
El modelo representa solo la mitad de la decisión. Por lo general, cada uno viene integrado en un Runtime distinto, y estos Runtimes se comportan de forma diferente en el tablero.
Claude Code con claude-haiku-5-5. Requiere Claude Code v2.1.293 o posterior; inícialo con claude --model claude-haiku-5-5 o cambia de modelo con /model. El alias haiku solo apunta a Haiku 5.5 en la API de Anthropic y sigue resolviendo a Haiku 4.5 en Bedrock, Google Cloud, Microsoft Foundry y Claude Platform en AWS, por lo que conviene fijar el id completo. El esfuerzo predeterminado es medium y Claude Code no permite desactivar el razonamiento en Haiku 5.5. Los nuevos créditos mensuales de API para los planes Max y Team no cubren Claude Code, de modo que no sirven para financiar este Runtime.
Codex con gpt-6-luna. Luna se ejecuta en Codex dentro de los planes Plus, Pro, Business, Enterprise y Edu. El esfuerzo de razonamiento de su API va de none a max, con medium como valor predeterminado, por lo que ambos modelos parten de medium a menos que alguien lo modifique.
Existe una discrepancia de comportamiento que merece estar a la vista en el tablero y no relegada a una nota al pie: Haiku 5.5 incorpora clasificadores de seguridad que pueden rechazar una solicitud sin aplicar ningún fallback en el servidor, y la propia system card de Anthropic señala que incurrió en más rechazos indebidos que cualquier otro modelo en su auditoría de comportamiento automatizada. Una denegación equivale a una ejecución que concluye sin resultados. Debe reflejarse en la Task como un fallo visible, no desvanecerse en una terminal que nadie está monitorizando.
Cómo compararlos en tus propios Tasks
Sharkly no elige los modelos por ti. La documentación de Agents señala: «El Agent adopta el modelo predeterminado del Runtime. No promete ni muestra el nombre de un modelo específico. Para cambiar de modelo, indica uno en Custom arguments dentro del Agent o Runtime, por ejemplo specify model: model-name». No existe un menú desplegable de modelos en el Agent. Por tanto, la configuración consiste en crear dos Agents, uno por Runtime, identificados según su función:
Agent A: Claude Code Runtime, Custom arguments model: claude-haiku-5-5
Agent B: Codex Runtime, Custom arguments model: gpt-6-luna
Tasks: the same description and starting commit, one Task per Agent,
drawn from jobs you actually hand the cheap tier
Accept: one acceptance check, written before either run starts
Record: accepted y/n, review minutes, reruns, refusals,
whether the run crossed 100K (Haiku) or 272K (Luna) input tokens,
provider cost from your own Anthropic and OpenAI bills
El consumo del modelo se factura a través de las suscripciones o claves de API configuradas en dichas herramientas, de modo que ambas facturas proceden directamente de los proveedores. La metodología completa, incluido el análisis de los minutos dedicados a revisión, se detalla en nuestra comparativa entre Sonnet 5.5 y GPT-6 Sol y en la guía sobre cómo comparar agentes de programación en tu propio código base. La configuración específica para Haiku se explica en el artículo sobre ejecución de agentes Claude Haiku 5.5 en Sharkly.
La columna adicional que necesita este par es la del tamaño del prompt. Una ejecución «económica» que superó los 100K tokens en Haiku 5.5 dejó de costar diez centavos, y una ejecución económica que necesitó dos reintentos no resultó nada barata, tal como explicamos en cuándo los modelos económicos salen más caros.
Por qué optar por «ambos» es una respuesta perfectamente válida
Las pruebas publicadas no arrojan un vencedor indiscutible, y la estructura de precios prácticamente garantiza una división de casos de uso.
Utiliza Haiku 5.5 cuando los prompts no superen los 100K tokens, cuando la tarea consista en acciones en el navegador o el escritorio (donde su ventaja en OSWorld es mayor) o cuando la tarea económica se ejecute como un subagente bajo el control de un modelo Claude principal (el artículo sobre subagente o Agent independiente analiza dónde conviene ubicar esa carga de trabajo). Utiliza Luna cuando las tareas manejen habitualmente entre 100K y 272K tokens de contexto —como resúmenes extensos de logs o diffs voluminosos— o cuando el criterio decisivo sea el coste mínimo por intento. Si únicamente utilizas Claude Code y tus tareas de bajo coste son breves, es muy probable que no necesites un segundo Runtime económico en absoluto.
Mantener ambos solo funciona si el registro central es la Task y no el Runtime. Los agentes investigan, ejecutan, prueban y reportan. Las personas definen el rumbo, otorgan autorizaciones y validan el resultado. Dos laboratorios igualaron sus precios en la gama económica con tres semanas de diferencia, y cualquiera de ellos podría dar el siguiente paso; el contexto, el progreso, los bloqueos, los resultados y la revisión humana deben permanecer visibles desde la solicitud inicial hasta el despliegue final, sin importar qué Runtime gane la próxima ronda. Si prefieres seguir utilizando múltiples agentes de desarrollo en lugar de atarte a un único ecosistema, ese es precisamente el problema para el que se diseñó Sharkly.
