Modelos de OpenAI y Anthropic: cuál elegir, para qué sirve cada uno y cuánto cuesta

Actualizado: 24 de septiembre de 2026

Astra, Sol, Luna, Fable, Opus, Sonnet, Haiku.

Parece una lista que hay que aprender de memoria antes de usar AI. No hace falta. Lo que sí ayuda es entender que OpenAI y Anthropic ofrecen modelos para trabajos de distinta dificultad, velocidad y costo.

Esta guía compara los modelos. Si todavía se te mezclan ChatGPT, Work y Codex, o Claude y Claude Code, empezá por nuestras notas sobre las experiencias: una experiencia es dónde trabajás; un modelo es el motor que trabaja detrás.

El mapa más simple

Este cuadro sirve para orientarte por tipo de tarea. No afirma que los modelos de una misma fila tengan idéntica capacidad.

Los modelos de OpenAI, en humano

Luna prioriza velocidad y costo bajo. Tiene sentido para tareas enfocadas o para repetir una operación muchas veces: clasificar mensajes, extraer datos o hacer primeros borradores breves.

Sol busca equilibrio. Es una opción para análisis, programación y trabajo de varios pasos cuando querés capacidad sin recurrir siempre a Astra.

Astra es la opción de máxima capacidad de esta familia. Tiene sentido probarlo cuando el problema es especialmente difícil, hay mucho contexto o necesitás resolver un trabajo exigente con cuidado.

Los modelos de Anthropic, en humano

Haiku 4.5 es el ágil de la familia para tareas rápidas y de volumen.

Sonnet 5 combina velocidad y capacidad. Puede trabajar con código y herramientas, y es un buen punto de partida para muchas tareas.

Opus 5.5 está orientado a código, análisis y trabajos extensos. Anthropic afirma que se acerca a Fable 5.1 en la mayoría de los trabajos y que cuesta menos ejecutar una tarea típica que Opus 5.

Fable 5.1 es otra opción de máxima capacidad, pensada especialmente para razonamiento exigente y trabajos largos. No hace falta elegirlo para cada pregunta cotidiana.

¿Cuál es “el mejor”?

Depende de qué le pedís que haga.

Para un resumen corto, el modelo más potente puede ser innecesario. Para revisar un proyecto complejo, uno rápido puede necesitar más intentos o no llegar al mismo resultado.

Además, el resultado no depende solo del modelo. También importan la experiencia donde lo usás, las herramientas disponibles, el material que le das y si puede comprobar su propio trabajo.

Por eso, una comparación justa sería darles la misma tarea real a dos modelos y mirar:

1. Si resolvieron lo pedido.
2. Qué errores cometieron.
3. Cuánto trabajo tuviste que corregir.
4. Cuánto tardaron y cuánto costaron, si pagás por uso.

Los números de pruebas publicados por las empresas pueden orientar, pero no garantizan cuál va a funcionar mejor en tu tarea.

¿Y los precios?

Acá hay una distinción clave: estos son precios de API para desarrolladores, por cada millón de tokens de texto procesados. Entrada es lo que enviás al modelo; salida es lo que el modelo genera. No son precios de las suscripciones mensuales de ChatGPT o Claude.

Ojo al leer la tabla: que dos modelos tengan el mismo precio por millón de tokens no significa que cuesten lo mismo para terminar una tarea. Uno puede tardar más, generar más texto o necesitar más intentos. También existen cargos o descuentos por funciones como herramientas y reutilización de contexto.

Si usás ChatGPT o Claude desde sus apps, la pregunta práctica suele ser otra: qué modelos incluye tu plan, cuáles podés seleccionar y qué límites de uso tenés.

La forma fácil de elegir

Primero preguntate qué querés lograr. Después elegí una experiencia donde puedas hacerlo. Y recién entonces mirá si necesitás un modelo rápido, uno equilibrado o uno para un desafío difícil.

No hay obligación de usar siempre el modelo más nuevo. Ni de casarte con una empresa.

La mejor prueba es empezar con una tarea tuya, mirar el resultado y ajustar. Ahí los nombres dejan de ser una sopa de letras y empiezan a tener sentido.

AI explicada para mortales. 🩷