Claude Opus 5.5 vs. GPT-6 Sol: cómo elegir el runtime predeterminado de tu equipo

Una sola línea en un archivo de configuración decide a dónde van la mayoría de los tokens de tu equipo este trimestre. El 22 de septiembre de 2026, ambos candidatos para esa línea cambiaron a la vez: Anthropic lanzó Claude Opus 5.5 y OpenAI lanzó GPT-6 Sol y GPT-6 Luna. Si tienes varios agentes de programación ejecutándose en paralelo, la pregunta no es cuál modelo es más inteligente. Es cuál usan tus Agentes por defecto y qué efecto tiene eso en la cola de trabajo que espera a que una persona lo acepte.

Hay una trampa en la evidencia que conviene conocer antes de leer cualquiera de las dos publicaciones de lanzamiento. OpenAI evaluó Sol contra Claude Opus 5, no contra Opus 5.5. Opus 5.5 no existía cuando se escribió esa publicación y salió unas horas después a $4 por millón de tokens de entrada, frente a los $5 de Opus 5. Por lo tanto, cada frase del tipo «supera a Opus 5 a una fracción del costo» en la publicación de OpenAI se mide contra un modelo que quedó obsoleto ese mismo día. Eso no hace que las cifras sean incorrectas. Las convierte en las últimas cifras publicadas en lugar de las actuales.

TL;DR

Un Runtime predeterminado es el modelo que usan tus Agentes cuando nadie eligió otra cosa, lo que en la práctica ocurre en la mayoría de las ejecuciones. Elígelo según tres ejes: costo por tarea completada, cuánto tiempo mantiene una tarea antes de necesitarte y qué hace cuando se atasca. Según las cifras publicadas, Sol es más barato por tarea completada, aunque la única comparación publicada es contra Opus 5, y Opus 5.5 es el que se mantiene en una tarea larga sin detenerse. Nadie ha enfrentado a los dos en un mismo entorno de pruebas, así que toma ambas publicaciones de lanzamiento como afirmaciones de los proveedores y resuélvelo en tu propio repositorio.

Qué publicó realmente cada proveedor

Anthropic afirma que Opus 5.5 cuesta un 40% menos de ejecutar que Opus 5, produce resultados alrededor de un 30% más rápido y se mantiene en la tarea durante 18 horas o más. La salida máxima es de 128k tokens, y un modo rápido tiene un precio aparte de $8 / $40.

OpenAI afirma que Sol y Luna son cada uno un 50% más baratos que el precio promocional de GPT-5.6. La palabra promocional es de OpenAI y es importante: la comparación es contra una tarifa con descuento, no contra la tarifa de lista de GPT-5.6. OpenAI también dice que GPT-6 Astra «sigue siendo nuestro mejor modelo en todos los aspectos», lo cual es un recordatorio útil de que Sol es el nivel económico de su propia familia, no el buque insignia.

Eje 1: costo por tarea completada, no costo por millón de tokens

El precio por token es un aproximado de la cifra que realmente pagas. Un modelo a la mitad de tarifa que necesita tres intentos cuesta más que uno que lo consigue en una sola ejecución. OpenAI publica el costo por tarea junto con la puntuación, lo cual es inusualmente directo.

La primera fila es la que la gente cita. Sol con razonamiento extra-alto obtiene una puntuación superior a Claude Opus 5 con razonamiento máx. por aproximadamente el 9% del costo por tarea de Opus 5. Multiplica $0.27 por 11.1 y Opus 5 en máx. queda cerca de $3 por tarea en ese entorno de pruebas, lo cual es nuestra aritmética a partir de las dos cifras de OpenAI, no un número que OpenAI haya impreso.

Ahora aplica la trampa. Anthropic sitúa Opus 5.5 un 40% menos costoso de ejecutar que Opus 5, así que esa cifra de $3 está desactualizada. Tampoco baja simplemente en el mismo 40%, porque el costo por tarea varía según cuántos tokens quema un modelo para llegar ahí, no solo según la tarifa de lista. La brecha publicada era grande, uno de sus lados se movió ese mismo día en una cantidad declarada y nadie ha vuelto a hacer la comparación. Si quieres esa cifra para tu base de código, haz la comparación en tu propio repositorio en lugar de esperar a que un laboratorio la haga por ti.

Para dar escala: OpenAI informa que su investigador mediano gasta más de $600 al día en agentes de programación, y el percentil 90 llega a $7,000 al día. El costo por tarea deja de ser una abstracción muy rápido.

Eje 2: cuánto tiempo mantiene la tarea

Los dos proveedores resolvieron el mismo problema en sitios distintos.

Anthropic lo resolvió en el modelo. Opus 5.5 se mantiene en la tarea durante 18 horas o más. Una ejecución que sobrevive a tu jornada laboral cambia la supervisión: dejas de mirarla y empiezas a volver a ella, lo cual solo funciona si la ejecución reporta en algún sitio que no sea una terminal que cerraste.

OpenAI lo resolvió en la caché. GPT-6 aplica un 90% de descuento a las lecturas de entrada en caché, aumenta las tasas de acierto por defecto y, algo importante para el trabajo de agentes, ya no rompe la caché cuando cambias el esfuerzo de razonamiento o el conjunto de herramientas disponibles. Los puntos de interrupción explícitos te permiten elegir dónde termina un prefijo en caché. GitHub informa más de un 50% menos de tokens de prompt que necesitan procesarse de nuevo en miles de millones de solicitudes. Una ejecución larga de agente es en su mayor parte el mismo contexto leído muchas veces, así que esto es una solución al costo de la duración, no a la duración.

Usa Opus 5.5 como predeterminado cuando tu Tarea típica sea una migración, un refactor amplio o cualquier cosa en la que detenerse a mitad cueste más que los tokens. Usa Sol como predeterminado cuando tu Tarea típica esté acotada, se repita muchas veces al día y sea barata de reintentar. La mayoría de los equipos tiene ambos tipos, y por eso el predeterminado importa menos que ser deliberado con las excepciones.

Eje 3: qué hace cuando se atasca

Este eje no tiene benchmark y es el que genera avisos al soporte.

Artificial Analysis, un tercero ajeno a ambos proveedores, midió las variantes de razonamiento «máx.» en 115.2 tokens de salida por segundo para Sol, con 102.15 segundos hasta el primer token, y 153.9 tokens por segundo para Luna, con 124.23 segundos. Esas son configuraciones de esfuerzo máximo y conviene confirmarlas con el listado actual antes de apostar por ellas. Lo que importa es la forma: con esfuerzo de razonamiento alto, los modelos baratos no son los de arranque rápido.

Un agente que lleva 102 segundos pensando y un agente que se ha colgado se ven idénticos en una terminal. También se ven igual uno que terminó hace 40 minutos y uno que se detuvo a hacer una pregunta que nadie vio. Ningún lanzamiento de modelo arregla eso. Un estado que vuelve a la Tarea sí lo hace: En curso, Esperando a una persona, Falllido, Listo para publicar, con el registro y la pregunta adjuntos. Los agentes investigan, ejecutan, prueban e informan. Las personas marcan la dirección, conceden autoridad y aceptan el resultado.

Dale a cómo señala el progreso y el fallo cada Runtime el mismo peso que a la tabla de benchmarks. Vas a leer el estado cien veces por semana y el benchmark una vez.

No pongas las dos tablas de benchmarks una al lado de la otra

Ambos proveedores publicaron una cifra de AutomationBench esta semana. OpenAI informó Sol con razonamiento extra-alto con un 33.2% en AutomationBench 1.0.6. Anthropic informó Opus 5.5 con un 40.0% en AutomationBench. Ambos informaron OSWorld 2.0, con un 60.5% y un 81.8% respectivamente, y la cifra de OpenAI corresponde al conjunto offline.

Eso no es un cara a cara. Distintas configuraciones de razonamiento, al menos una variante distinta del benchmark, distintos entornos de pruebas, ninguna cifra de costo por tarea compartida y cada uno ejecutado por la parte que se beneficia. Las publicaciones que comparan Opus 5.5 con GPT-6 Astra con cifras concretas son tuits, no datos de los proveedores. Artificial Analysis sí publica un índice común, que sitúa a Opus 5.5 en 58 y primero de 212 modelos, a Sol en 48 y a Luna en 37, y eso es un agregado de terceros, no una medición de tu base de código.

La decisión que sobrevive al próximo lanzamiento

Deja el predeterminado por escrito. No como una preferencia que alguien tiene, sino como una regla asociada al Agente: este Agente ejecuta este Runtime, estas Tareas van a él y aquí está el Agente más barato que asume las rutinarias. Algo así, guardado donde el equipo lo lea:

Default Runtime: Claude Code on claude-opus-5-5
  Tasks: migrations, wide refactors, anything that fails badly halfway
Second Runtime: Codex on gpt-6-sol
  Tasks: bounded, repeated many times a day, cheap to retry
Escalation: a Sol Task that fails twice returns to the Task for a person,
  it does not silently re-run on the expensive Runtime

Eso es lo que convierte qué modelo recibe qué tarea en rendimiento, y sobrevive al próximo lanzamiento, porque cuando cambie la respuesta editas una sola regla en lugar de preguntar a seis personas qué han estado usando. Dos laboratorios lanzaron su nivel de mayor valor el mismo día y uno de ellos comparó contra un modelo que quedó obsoleto horas después. Un Runtime predeterminado que puedes cambiar en un solo sitio vale más que elegir correctamente esta semana.

Lo que ninguno de los dos lanzamientos cambió es la cola. El costo por tarea completada cayó con fuerza en ambos lados, así que un presupuesto fijo ahora compra varias veces más trabajo de agente terminado que la semana pasada. No compra ni una hora adicional de revisión. La capacidad de revisión es el techo, y una bajada de precios empuja el volumen contra ese techo en lugar de aliviarlo. Mantén el objetivo, la ejecución, los bloqueos, el diff y la revisión humana visibles en un solo sitio desde la solicitud hasta el release, y el Runtime predeterminado pasa a ser un ajuste en lugar de una apuesta.

Sharkly no ejecuta el modelo ni lo elige por ti. Es la capa compartida de Tarea, Computadora, contexto y revisión en torno a las herramientas que sí lo hacen. Si quieres seguir usando varios agentes de programación en lugar de comprometerte con un solo ecosistema, ese es el problema en torno al cual está diseñado. Conecta una Computadora, crea un Agente en cada Runtime y dales la misma Tarea aburrida.