Opus 5.5, GPT-6 Astra y Gemini 4 Argon por dentro
10 min de lectura
Comparamos los modelos punteros de Anthropic, OpenAI y Google por las capacidades que importan dentro de un sistema de empresa: contexto útil, herramientas, agentes, fiabilidad y coste real por tarea.
Este artículo compara los modelos más potentes de Anthropic, OpenAI y Google que cualquier empresa puede contratar hoy: Claude Opus 5.5, GPT-6 Astra y Gemini 4 Argon. Google tiene uno por encima, Gemini 4 Carbon, pero a noviembre de 2026 solo lo usan unos pocos socios, así que lo dejamos fuera.
No hablamos de qué aplicación es más cómoda para chatear. Hablamos de lo que pasa cuando un modelo trabaja dentro de un sistema: lee documentos largos, llama a programas, ejecuta tareas de varios pasos y cuesta dinero en cada una. Repasamos seis capacidades: contexto, herramientas, agentes, fiabilidad, coste e integración.
Todas las cifras son públicas y casi ninguna es nuestra. Cuando un dato lo publica el propio fabricante, lo decimos. En el laboratorio usamos Claude; lo tenemos presente al escribir y lo repetimos al final.
Ficha técnica
| Claude Opus 5.5Anthropic · 22 sep | GPT-6 AstraOpenAI · 3 sep | Gemini 4 ArgonGoogle · 13 oct | |
|---|---|---|---|
| Contexto | 1 M | 1,05 M | 1,05 M |
| Salida máxima | 128 K | 128 K | 65 K por petición |
| Entrada / salida ($ por M) | 4 / 20 | 10 / 50 | 2 / 10 → 4 / 20 en dic. |
| Lectura de caché ($ por M) | 0,20 | 1,00 | 0,10 → 0,20 |
| Recargo por contexto largo | No | ×2 desde 272 K | No |
| Lotes | −50 % | −50 % | −50 % |
| Entradas | texto, imagen, PDF | texto, imagen | texto, imagen, vídeo, audio, PDF |
Tres datos de la ficha tienen consecuencias técnicas directas:
- Los tres admiten alrededor de un millón de tokens de contexto. Un token es un trozo de texto de unas pocas letras; un millón equivale a unas 1.500 páginas. La ventana de contexto es lo máximo que el modelo puede leer en una sola petición.
- GPT-6 Astra cobra el doble a partir de 272.000 tokens de entrada. Claude Opus 5.5 y Gemini 4 Argon mantienen el mismo precio en toda la ventana.
- Gemini 4 Argon está en precio de lanzamiento hasta el 30 de noviembre de 2026. Desde el 1 de diciembre cuesta lo mismo que Claude Opus 5.5: 4 dólares por millón de tokens de entrada y 20 de salida.
Contexto: lo que cabe y lo que se aprovecha
Que un modelo admita un millón de tokens no significa que encuentre lo que necesita en cualquier punto de ese millón. Las pruebas de contexto largo esconden datos en un texto enorme y miden si el modelo los recupera y los relaciona.
La generación anterior dejó una pauta clara. En la prueba MRCR v2, que mide si el modelo recupera varios datos repartidos por el texto, los modelos de mayo de 2026 perdían entre 10 y 60 puntos al pasar de 128.000 tokens a un millón. Los análisis independientes de esa época concluían que los modelos aprovechaban con fiabilidad entre la mitad y dos tercios de su ventana.
Para la generación actual, el dato más completo lo publica Google. En GraphWalks, una prueba que obliga a seguir relaciones a lo largo de todo el texto, los tres rinden casi igual hasta 128.000 tokens y se separan por encima de 256.000:
Seguir relaciones a lo largo del texto
GraphWalks BFS · F1 · datos publicados por Google
HASTA 128.000 TOKENS
DE 256.000 A 1 MILLÓN
Son cifras de Google, que elige qué pruebas enseña. Aun así, la conclusión práctica se mantiene con cualquier modelo: meter un millón de tokens en cada petición es caro y menos fiable que darle al modelo solo lo que necesita. Para eso existe la recuperación (RAG, por sus siglas en inglés): antes de preguntar, un buscador selecciona los fragmentos relevantes de los documentos y solo esos entran en la petición. Con contextos de un millón de tokens, la recuperación sigue siendo la opción por defecto. El contexto largo queda para lo que de verdad necesita leerse entero, como comparar dos contratos de 300 páginas.
Herramientas y salida estructurada
Un modelo solo hace algo en una empresa cuando puede llamar a sus programas: consultar el inventario, crear una factura, buscar un cliente. Eso se llama uso de herramientas (o function calling), y los tres lo hacen igual en lo básico:
- 1 · tu programaPregunta + herramientas
Envía la petición y la lista de herramientas, cada una con su esquema.
- 2 · el modeloDevuelve un JSON
No ejecuta nada: dice qué herramienta usar y con qué datos.
{"name": "buscar_cliente", "input": {"nif": "B00000000"}} - 3 · tu programaEjecuta y devuelve
Comprueba los argumentos, llama al sistema real y envía el resultado.
- 4 · el modeloResponde o repite
Usa el resultado para contestar o pide otra herramienta. Así funciona un agente.
Lo importante es el paso 2. El modelo devuelve un JSON con el nombre de la herramienta y sus argumentos, y tu programa lo ejecuta. Si el JSON llega mal formado o le falta un campo obligatorio, el programa falla. Los tres ofrecen un modo estricto que obliga a que la salida cumpla el esquema: OpenAI lo lanzó en 2024 como Structured Outputs; Anthropic lo activa con strict: true en cada herramienta, y su documentación advierte que sin ese modo el cumplimiento «no está garantizado»; Google lo llama también Structured Outputs. En un sistema de empresa conviene activarlo siempre.
La definición de una herramienta es casi igual en los tres. Cambia el envoltorio:
// OpenAI (Responses API)
{"type": "function", "name": "buscar_cliente",
"parameters": {"type": "object", "properties": {"nif": {"type": "string"}}, "required": ["nif"]},
"strict": true}
// Anthropic (Messages API)
{"name": "buscar_cliente",
"input_schema": {"type": "object", "properties": {"nif": {"type": "string"}}, "required": ["nif"]},
"strict": true}
// Google (Gemini API)
{"functionDeclarations": [{"name": "buscar_cliente",
"parameters": {"type": "object", "properties": {"nif": {"type": "string"}}, "required": ["nif"]}}]}
El esquema de los argumentos (lo que va dentro de parameters o input_schema) es JSON Schema en los tres, así que se puede escribir una vez y traducir el envoltorio.
Además de las herramientas que programa cada empresa, los tres traen herramientas integradas que el proveedor ejecuta en sus servidores o que vienen con el esquema ya preparado:
| OpenAI | Anthropic | ||
|---|---|---|---|
| Búsqueda web | sí | sí | Google Search |
| Ejecutar código | sí | sí | sí |
| Uso de ordenador | lo ejecuta el cliente | lo ejecuta el cliente | lo ejecuta el cliente |
| Buscar en documentos propios | sí | no integrada en la API | sí |
| Servidores MCP | sí | conector MCP | SDK, experimental |
| Modo estricto de esquema | sí | sí | sí |
| Generar imágenes | sí | no | con modelos aparte |
● integrada · ◐ con matices · ○ no disponible
Agentes: tareas de varios pasos
Un agente es un modelo que encadena llamadas a herramientas hasta cumplir un objetivo, comprobando el resultado de cada paso. Su calidad no se mide con una pregunta y una respuesta. Se mide con tareas completas: arreglar un fallo en un repositorio, automatizar un flujo de trabajo, operar una terminal.
Artificial Analysis mide a los tres con el mismo arnés, lo que hace sus cifras más comparables que las de cada fabricante:
Artificial Analysis · % de tareas resueltas · recogido por Respan, 3 nov 2026
Terminal-Bench 4.0
Tareas en una terminal de comandos
FrontierCode 2.0
Programación de dificultad alta
AutomationBench
Automatizar flujos de trabajo de oficina
Cada modelo destaca en un tipo de tarea. Claude Opus 5.5 rinde más en programación y terminal, sobre todo en FrontierCode 2.0, donde casi duplica a Gemini 4 Argon. Gemini 4 Argon gana en AutomationBench, que mide la automatización de flujos de trabajo de oficina. GPT-6 Astra queda en medio en estas tres y lidera, según OpenAI y Google, en manejo de un escritorio: 72,6 % en OSWorld 2.0 frente al 69,2 % de Gemini 4 Argon.
Sobre estos modelos, cada empresa ha construido agentes que trabajan en segundo plano, y su arquitectura técnica es distinta. Los dots de OpenAI tienen su propio ordenador y navegador en la nube, desde donde manejan más de 4.000 aplicaciones. El agente Gemini de Google trabaja con una identidad propia dentro de Workspace: cuenta, calendario y Drive. Claude Tag vive dentro de Slack y solo usa las herramientas que autoriza el administrador. Para un responsable de seguridad, la pregunta clave es dónde se ejecuta cada uno y con qué credenciales, porque de eso depende qué puede tocar si algo sale mal.
Fiabilidad: cuánto se inventa
En un sistema de empresa, una respuesta inventada con seguridad es peor que un «no lo sé». La prueba AA-Omniscience de Artificial Analysis mide justo eso: suma las respuestas correctas, resta las incorrectas y no penaliza abstenerse. Según los datos recogidos a 3 de noviembre de 2026, Claude Opus 5.5 obtiene 48 puntos, Gemini 4 Argon 46 y GPT-6 Astra 42.
Hay un detalle que conviene conocer: las cifras de alucinación cambian mucho según la configuración y la fecha. Para Gemini 4 Argon se han publicado tasas del 15 % y del 4 % con pocas semanas de diferencia. No es un dato que se pueda trasladar tal cual a un caso concreto. La forma fiable de reducir errores sigue siendo la misma con cualquiera de los tres: darle al modelo las fuentes, pedirle que las cite y comprobar lo que devuelve antes de que llegue a un cliente.
Coste: por tarea, no por token
El precio por token es el dato que todo el mundo compara, y no es el que paga una empresa. Lo que paga es el coste por tarea, y depende de cuántos tokens necesita cada modelo para resolverla. Los modelos actuales «piensan» antes de responder, y ese razonamiento también se cobra como tokens de salida.
precio de lista · Artificial Analysis · recogido por Respan, 3 nov 2026
Claude Opus 5.5
GPT-6 Astra
Gemini 4 Argon
GPT-6 Astra es el más caro por token de salida, dos veces y media más que los otros dos. Pero en el conjunto de tareas de Artificial Analysis usa unos 52.000 tokens de salida por tarea, frente a 116.000 de Gemini 4 Argon y 173.000 de Claude Opus 5.5. El resultado se invierte: Astra sale a 6,24 dólares por tarea, Argon a 7,68 y Opus a 10,04, a precio de lista.
Dos palancas cambian esa cuenta mucho más que elegir un modelo u otro:
La caché. Si cada petición repite unas instrucciones fijas largas (el manual de un proceso, el catálogo de productos), el proveedor puede guardarlas y cobrarlas mucho más baratas en las siguientes llamadas. Claude Opus 5.5 y Gemini 4 Argon cobran la lectura de caché un 95 % más barata que la entrada normal; GPT-6 Astra, un 90 %. Un ejemplo con datos inventados:
# Coste diario de repetir 40.000 tokens de instrucciones en 1.000 llamadas
def coste(llamadas, tokens, precio_millon):
return llamadas * tokens / 1_000_000 * precio_millon
print(coste(1000, 40_000, 4.00)) # Opus 5.5 sin caché: 160 $
print(coste(1000, 40_000, 0.20)) # Opus 5.5 con caché: 8 $
print(coste(1000, 40_000, 1.00)) # GPT-6 Astra con caché: 40 $
Solo se cuenta la lectura de la caché. Guardarla también tiene un coste en Claude y en OpenAI, pequeño si las llamadas son frecuentes. En Gemini 4 Argon la caché es automática y no se puede forzar.
Elegir el modelo por tarea. No todas las tareas necesitan el modelo más potente. OpenAI publica que GPT-6.1 Sol, un modelo de su gama media, resuelve el 75,2 % de los fallos de programación de la prueba DeepSWE a 0,65 dólares por tarea; GPT-6 Astra resuelve el 74,1 % a 4,43 dólares. Siete veces más barato con el mismo resultado. Los tres proveedores tienen gamas así, y un sistema bien diseñado manda cada petición al modelo más barato que la resuelve. Además, los tres descuentan un 50 % el procesamiento por lotes, para tareas que pueden esperar unas horas.
Integración
Las tres APIs son distintas: OpenAI usa su Responses API, Anthropic su Messages API y Google su Gemini API. Cambiar de proveedor obliga a reescribir parte del código.
Hay dos formas de reducir esa dependencia. La primera son las pasarelas que unifican el formato de varios proveedores y permiten enrutar cada petición. La segunda es MCP (Model Context Protocol), el estándar abierto para conectar modelos con herramientas y datos que Anthropic publicó a finales de 2024. Una herramienta publicada como servidor MCP sirve para los tres: OpenAI la admite en su Responses API, Anthropic con su conector MCP y Google a través de sus SDK de Python y JavaScript, aunque en su caso la integración todavía es experimental.
Dos diferencias más que afectan a la arquitectura:
- Ajuste fino. GPT-6 Astra no admite fine-tuning, el reentrenamiento del modelo con datos propios. Hoy casi ningún caso de empresa lo necesita: instrucciones claras, ejemplos y recuperación de documentos cubren la mayoría.
- Entradas. Gemini 4 Argon acepta texto, imagen, vídeo, audio y PDF. GPT-6 Astra y Claude Opus 5.5 aceptan texto e imagen, y Claude lee también PDF. Si el sistema tiene que procesar grabaciones de llamadas o vídeo, Gemini lo hace sin pasos intermedios.
Datos
Los tres ofrecen acuerdos de tratamiento de datos y opciones de no retener las peticiones para clientes elegibles. La diferencia técnica está en dónde se ejecuta el modelo:
- Gemini 4 Argon está disponible en la región
eude Vertex AI desde su lanzamiento, con un 10 % de recargo en los endpoints regionales. - Claude se puede ejecutar con procesamiento en la UE a través de Amazon Bedrock y Google Vertex. La API directa de Anthropic no ofrece esa opción.
- GPT-6 Astra tiene endpoints de residencia de datos con un 10 % de recargo; la residencia europea de OpenAI cubre sobre todo el contenido almacenado.
Qué modelo para qué tarea
Con estos datos, la elección sale por tarea, no por proveedor:
- Documentos muy largosGemini 4 Argon
Mejor resultado por encima de 256 K tokens y sin recargo.
- Programación y terminalClaude Opus 5.5
Primero en Terminal-Bench 4.0 y FrontierCode 2.0.
- Manejar un escritorio o una webGPT-6 Astra
Primero en OSWorld 2.0, según OpenAI y Google.
- Automatizar flujos de oficinaGemini 4 Argon
Primero en AutomationBench.
- Menor coste por tareaGPT-6 Astra
A precio de lista, por usar menos tokens.
- Audio y vídeoGemini 4 Argon
El único de los tres que los acepta como entrada.
- Tareas sencillas y repetitivasGama media de cualquiera
Mismo resultado por una fracción del precio.
En la práctica, la arquitectura que mejor resiste los cambios combina tres cosas: herramientas publicadas por MCP, un enrutador que manda cada petición al modelo adecuado y una batería de pruebas propia para comprobar cada modelo nuevo antes de usarlo. Cómo medir el antes y el después de un proceso lo contamos en Implantar IA en la empresa: lo que dicen los datos de 2026.
Por qué usamos Claude en el laboratorio
Nuestro trabajo principal es construir herramientas como IMOS, nuestro sistema para el negocio del coche, de uso interno y en desarrollo. Ahí pesan la programación con agentes y la terminal, que es donde Claude Opus 5.5 rinde más en las pruebas, y MCP, que usamos para conectar el modelo con nuestros programas. Lo contamos en Un sistema de flota hecho con IA y con un agente dentro.
Los mismos datos dicen dónde no es la mejor opción: cuesta más por tarea, rinde menos que Gemini 4 Argon en documentos muy largos y en automatización de oficina, no procesa audio ni vídeo y no genera imágenes.
Límites de esta comparativa
- No son medidas nuestras. Todo sale de fabricantes y de evaluadores externos. Una prueba propia con nuestras tareas queda para otro artículo.
- Muchas cifras son del fabricante. Las tablas de Google y de OpenAI enseñan las pruebas que cada uno elige. Las de Artificial Analysis usan el mismo arnés para todos, pero las recogemos a través de un tercero, Respan, que vende una pasarela de modelos.
- La configuración cambia el resultado. Los tres modelos tienen niveles de razonamiento, y la misma prueba da cifras distintas con cada nivel. Por eso hay fuentes que no coinciden entre sí.
- Caduca rápido. Los tres modelos salieron entre septiembre y octubre de 2026, y Gemini 4 Argon cambia de precio el 1 de diciembre.
- Usamos Claude. Hemos procurado que los datos manden, pero conviene saberlo al leer.
Fuentes
- ComputingForGeeks. GPT-6 Astra released: features, benchmarks, 25 de octubre de 2026 (ficha y gráficos de OpenAI). computingforgeeks.com
- ComputingForGeeks. Gemini 4 Argon released: features, benchmarks (ficha y tabla de Google). computingforgeeks.com
- BenchLM. Claude Opus 5.5, puntuaciones y precios, actualizado el 6 de noviembre de 2026. benchlm.ai
- Morph. Ventana de contexto y salida máxima de Claude Opus 5.5. morphllm.com
- Respan. Gemini 4 Argon vs GPT-6 Astra vs Claude Opus 5.5, 3 de noviembre de 2026 (datos de Artificial Analysis). respan.ai
- The Next Web. Gemini 4 Argon y GPT-6 Astra en Artificial Analysis, 2 de octubre de 2026. thenextweb.com
- CodingFleet. The Context Window Lie, 29 de mayo de 2026. codingfleet.com
- Anthropic. Documentación de uso de herramientas. platform.claude.com
- Google. Herramientas de la Gemini API. ai.google.dev
- FastMCP. Integración con el SDK de Gemini. gofastmcp.com
- Anthropic. Cumplimiento regional y procesamiento en la UE. claude.com
- OpenAI. Presentación de los dots. openai.com
- Anthropic. Introducing Claude Tag, 23 de junio de 2026. anthropic.com
- Google Cloud. Agente Gemini para empresas, 8 de octubre de 2026 (WWWhatsnew). wwwhatsnew.com
Sigue leyendo
- Por qué un modelo se inventa datos y cómo detectarloLos modelos de lenguaje se inventan datos por razones estadísticas que se pueden medir. Qué es la calibración, cómo se detecta una respuesta dudosa y qué piezas hacen que un sistema diga «no lo sé».
- Cómo medir si un agente es fiable antes de darle permisosPusimos a prueba al agente de administración de IMOS en seis tareas reales. Resolvió cinco sin inventar nada, y aun así un solo intento no dice si es fiable. Así se mide.
- Software a medida con IA: cuándo compensa y cómo se haceArquitectura, conexión con la contabilidad, Verifactu, agentes con permisos y una cuenta a tres años para decidir entre comprar suscripciones o construir software propio con IA.