La tabla de precios del 22 de septiembre de 2026 deja entrever una forma obvia. Poner GPT-6 Luna a $0,10 por millón de tokens de entrada en el trabajo que nadie quiere hacer, poner Claude Opus 5.5 a $4 en el Agente que lo revisa, y conservas la mayor parte del rendimiento por una fracción de la factura. Muchos equipos están montando eso esta semana, y la mayoría construirá algo que parece una revisión pero no lo es.
El fallo no está en ninguno de los dos modelos. Está en lo que cruza la brecha entre ellos. Un revisor que lee el resumen que un trabajador hace de su propio trabajo está leyendo una afirmación, y lo único que puede devolver es un juicio sobre una afirmación. El diff pasó, dice el trabajador. Parece bien, dice el revisor. Una persona lo aprueba porque dos modelos coincidieron, que es el tipo de coincidencia menos informativo que existe.
Así que la pregunta interesante en un Crew de modelos mixtos no es qué modelo va dónde. Es qué tiene que llevar el traspaso.
Qué es un Crew de modelos mixtos
Un Crew de modelos mixtos es un grupo de Agentes en el que el Runtime se elige por rol en lugar de por equipo, y en el que al menos un rol existe únicamente para comprobar la salida de los demás.
Un Agente revisor no es una aprobación. Es una segunda opinión con un coste, producida antes de que una persona mire, para que la persona lea una lista más corta. Los Agentes investigan, ejecutan, prueban e informan. Las personas marcan la dirección, otorgan autoridad y aceptan el resultado. Añadir un modelo caro en medio de esa frase no mueve la última cláusula.
Los tres niveles, tal como los publicaron los proveedores
| Claude Opus 5.5 | GPT-6 Sol | GPT-6 Luna | |
|---|---|---|---|
| ID de API | claude-opus-5-5 |
gpt-6-sol |
gpt-6-luna |
| Entrada / salida por 1M | $4 / $20 | $2 / $10 | $0,10 / $0,50 |
| Entrada en caché | $0,20 lectura, $5 escritura | 90% de descuento en lecturas | 90% de descuento en lecturas |
| Contexto | 1M | 872k | 1M |
OpenAI describe Sol y Luna como un 50% más baratos que el precio promocional de GPT-5.6, y «promocional» es una palabra elocuente: la base es una tarifa con descuento. OpenAI también dice que GPT-6 Astra «sigue siendo nuestro mejor modelo en todos los aspectos».
Una advertencia antes de que alguien lea ahí un ranking. La publicación de lanzamiento de OpenAI compara Sol y Luna con Claude Opus 5, porque Opus 5.5 no existía cuando se escribió ese texto y se lanzó unas horas después a un 40% menos de coste de ejecución que Opus 5, según la propia Anthropic. Nadie ha repetido esa comparación, y los dos proveedores no comparten banco de pruebas. Elige los roles por precio y por el comportamiento observado en tu propio repositorio.
Lo que cada proveedor sí dice sobre su propio modelo basta para asignar roles. Sobre Luna, OpenAI reporta un 66,6% en DeepSWE 1.1 con el máximo esfuerzo de razonamiento, un 93% más barato por tarea que Claude Opus 5 y un 96% más barato que Fable 5, y con un esfuerzo mayor un resultado de factualidad que iguala a GPT-5.6 Sol a alrededor de una centésima parte del coste. Eso es un modelo al que puedes apuntar con volumen. Sobre Opus 5.5, Anthropic reporta un 66,4% en Terminal-Bench 4.0, un 54,4% en FrontierCode v1.1, un 81,8% en OSWorld 2.0, 128k de salida máxima y mantenerse en la tarea 18 horas o más. Eso es un modelo al que puedes apuntar con criterio.
Leer es la mitad barata de un modelo caro
La razón por la que esta forma sobrevive al contacto con una factura es el almacenamiento en caché, y la asimetría decide el diseño.
La entrada en caché de Opus 5.5 se lee a $0,20 por millón. Eso es una vigésima parte de su propia tarifa de entrada sin caché y el doble de la tarifa sin caché de Luna. Su salida es de $20 por millón, cuarenta veces los $0,50 de Luna. Así que un revisor que lee una cantidad enorme y escribe veinte líneas sale casi gratis, y uno que narra largo y tendido, no.
Eso te da una regla con un recibo detrás: el revisor lo lee todo y no dice casi nada. Dale el prefijo del repositorio, las convenciones, el diff y el paquete de abajo, y luego limita lo que devuelve.
El lado del trabajador también cachea. GPT-6 eleva las tasas de acierto por defecto con un 90% de descuento en las lecturas de entrada en caché, añade puntos de corte explícitos para que tú elijas dónde termina un prefijo en caché, y ya no invalida la caché cuando cambias el esfuerzo de razonamiento o la disponibilidad de herramientas. GitHub reporta más de un 50% menos de tokens de prompt que necesitan procesarse de nuevo en miles de millones de solicitudes. Para una flota de trabajadores Luna releyendo el mismo repositorio todo el día, eso es la mayor parte de la factura.
Qué tiene que llevar el traspaso
Aquí está el artefacto, una plantilla de traspaso pensada para un lector que es un modelo. Un trabajador la devuelve a la Task cuando se detiene, y el revisor lee solo esto más el diff.
SH-312 Add retry with backoff to the webhook sender
Worker: Agent "backend-worker" - Runtime Codex on gpt-6-luna
Attempts: 2 (attempt 1 failed on lint)
Diff: 4 files, +118 / -12 (worktree sh-312, commit a91f4c2)
Commands run, verbatim:
$ pnpm lint exit 0
$ pnpm typecheck exit 0
$ pnpm test -- sender exit 0 14 passed, 0 failed, 3 skipped
$ pnpm build exit 0
Not done:
- The 3 skipped tests need a live webhook endpoint. Not run.
- Did not touch the queue consumer, which has the same bug.
Assumptions made:
- Max 5 retries, ceiling 30s. No spec said. Copied the values
already used in payments/retry.ts.
Stopped because: acceptance criteria met.
Cuatro propiedades hacen que ese paquete valga sus tokens.
Son artefactos, no narrativa. Los comandos y los códigos de salida se pueden volver a ejecutar. «Verifiqué el comportamiento» no lo puede comprobar nadie.
Declara lo que no se hizo. Las pruebas omitidas y el consumidor que no se tocó son las dos cosas que un resumen habría dejado fuera, y son las dos cosas que un revisor más necesita. Pide las ausencias de forma explícita, o un resumen pulcro no las incluirá.
Registra los supuestos. Toda Task acotada contiene una decisión que la especificación no tomó. Si se escribe, es un punto de revisión. Si se omite, es una sorpresa en producción un mes después.
Nombra un motivo de parada. Terminado, bloqueado, sin presupuesto y falló dos veces se ven idénticos en un repositorio y significan cosas distintas en un tablero.
Qué devuelve el revisor
REVIEWER Agent "review" - Runtime Claude Code on claude-opus-5-5
Reads: repository prefix (cached), the packet, the full diff
Writes: at most 20 lines
VERDICT changes requested
CHECKED 4 commands re-run, all exit 0. Backoff ceiling honoured.
UNVERIFIED 3 skipped tests. No evidence the retry path ever runs.
BLOCKING Retry wraps the 4xx branch. A 422 will be retried 5 times.
FOR A PERSON Queue consumer has the same bug and is out of scope.
Split SH-312, or widen it?
La línea UNVERIFIED es lo que le hace ganarse su precio al revisor. Un trabajador barato no te dirá cuáles de sus afirmaciones no se apoyan en nada, en parte porque no lo sabe. Un modelo caro que lee un paquete estructurado puede separar lo que confirmó de lo que dio por bueno, y esa separación es el producto del paso de revisión. La línea FOR A PERSON es la otra mitad: el revisor no decide el alcance, devuelve la pregunta a la Task.
El límite que mantiene esto honesto: un Agente revisor puede volver a ejecutar comandos, leer el diff y señalar la diferencia entre evidencia y afirmación. No puede decirte si esta era la funcionalidad correcta. Lo que un Agente de revisión puede y no puede verificar es una lista fija, y se acorta, no se alarga, cuando el revisor es caro.
Dos modos de fallo a los que prestar atención
La latencia es el primero, y es contraintuitivo. Artificial Analysis, un tercero y no ninguno de los dos proveedores, midió las variantes de razonamiento «max» en 124,23 segundos hasta el primer token para Luna y 102,15 segundos para Sol. [VERIFY] Confírmalo con el listado actual antes de fiarte de esos datos. La forma importa más que los dígitos: con un esfuerzo de razonamiento alto, los modelos baratos no son los que arrancan rápido, así que un Crew de modelos mixtos tiene trabajadores que parecen colgados y un revisor esperándolos. Eso es un problema de estado, no un problema de modelo.
El volumen de revisión es el segundo. Diez trabajadores Luna producen diez paquetes. Si el revisor aprueba nueve y escala uno, has convertido diez ejecuciones de agentes en una decisión humana, que es de lo que se trata. Si escala seis, has pagado la revisión y sigues debiendo seis decisiones, y la cola de revisión ya era el cuello de botella. Registra la tasa de escalado por Agente trabajador durante un Sprint. Te dirá si el paquete es demasiado escaso o las Tasks demasiado grandes, mucho antes de que lo haga la factura.
Cuándo no hacer esto
Usa un solo modelo para todo cuando una sola persona ejecuta uno o dos Agentes en un repositorio. El paquete es sobrecarga, el revisor es una segunda factura, y el revisor eres tú de todas formas.
Usa un Crew de modelos mixtos cuando varios Agentes se ejecutan en paralelo, cuando más de una persona puede iniciar una ejecución, o cuando el trabajo terminado ha superado el tiempo que alguien tiene para leerlo.
Y no pongas el modelo caro en la revisión cuando el trabajo en sí es la parte difícil. Una migración que debe mantener contexto durante horas va directamente en Opus 5.5, con un Agente barato escribiendo el paquete después. Elegir por rol significa elegir por Task, no una vez por equipo, y por eso emparejar modelos con roles de agente es una regla que escribes en algún sitio en lugar de un hábito que seis personas guardan en privado.
El número que no se movió
El coste por tarea completada cayó con fuerza en ambos lados de este lanzamiento. OpenAI reporta que su investigador medio gasta más de $600 al día en agentes de programación, y que el percentil 90 supera los $7.000. Los equipos por debajo de esa línea ahora pueden permitirse varias veces más trabajo de agentes que la semana pasada.
Las horas de revisor están exactamente donde estaban. Un Crew de modelos mixtos se justifica convirtiendo más salida barata en menos decisiones humanas, y eso solo ocurre si el traspaso lleva evidencia en lugar de un resumen. Mantén el objetivo, el diff, los comandos, los bloqueos, las afirmaciones sin verificar y la revisión humana volviendo a la Task desde la solicitud hasta el lanzamiento, y el reparto de modelos se convierte en un ajuste que puedes cambiar el próximo trimestre sin cambiar cómo trabaja nadie.
Sharkly no ejecuta el modelo ni lo elige por ti. Es la capa compartida de Task, Computer, contexto y revisión en torno a las herramientas que sí lo hacen, que es donde tiene que vivir un traspaso si tanto un revisor como una persona van a leerlo. Si ya ejecutas varios agentes de programación: conecta un Computer, crea un Agente trabajador y un Agente revisor, y haz que el trabajador devuelva ese paquete con algo aburrido.
