GPT-6 Sol y Luna: Cómo Elegir el Modelo Adecuado y Controlar el Coste de la API en 2026

Hola HaWkers, OpenAI presentó GPT-6 Sol y GPT-6 Luna el 22 de septiembre de 2026 y puso los modelos a disposición en la API como gpt-6-sol y gpt-6-luna. El anuncio llega después de GPT-6 Astra y plantea una pregunta práctica a quienes construyen productos: ¿qué capacidad merece la pena pagar para cada tarea? La nota oficial de lanzamiento habla de precios de API un 50 % inferiores a los precios promocionales de los respectivos modelos GPT-5.6.

¿Necesitas migrarlo todo al modelo más reciente o reservar cada opción para una parte del flujo? En esta guía separaremos el precio por token del coste por tarea, construiremos un método de evaluación reproducible y definiremos una política sencilla para elegir modelo. Así podrás decidir con datos de tu propio producto y tendrás una salida clara si baja la calidad.

Qué Cambió con Sol y Luna

La familia GPT-6 pasó a ofrecer Astra, Sol y Luna con propuestas diferentes. La documentación oficial de modelos presenta Astra como la opción de mayor capacidad, Sol para flujos exigentes de código y agentes, y Luna para tareas concretas de gran volumen. Los nombres de API importan: son gpt-6-astra, gpt-6-sol y gpt-6-luna. Utiliza estos identificadores al configurar tu sistema y confirma la disponibilidad en tu cuenta antes de planear una migración general.

La distinción no implica que cada modelo tenga un uso exclusivo. Una clasificación breve puede requerir Sol si contiene casos ambiguos y costosos. Un flujo de investigación puede usar Luna durante el filtrado y Sol en la síntesis final. El diseño adecuado depende del coste de un error, la frecuencia de la tarea y la facilidad para verificar la respuesta. Una respuesta convincente en una demostración aislada no dice cómo se comportará el modelo ante las excepciones que envían tus clientes.

El registro de cambios de la API sitúa el lanzamiento de ambos modelos el 22 de septiembre. Indica entrada de texto e imágenes, salida de texto y acceso mediante Responses y Chat Completions. Para flujos con herramientas y razonamiento, la guía de modelos recomienda Responses. Esa diferencia importa si tienes un agente que consulta sistemas externos: copiar una llamada antigua sin revisar sus parámetros puede generar una integración que no se comporte como esperabas.

El blog ya explicó el contexto de la familia en el artículo sobre GPT-6 Astra y sus aplicaciones en robótica. Aquí nos centramos en la decisión de producto: cuándo gastar más para mejorar una respuesta y cuándo basta una opción económica. Es una decisión sobre experiencia, margen y fiabilidad, además de ingeniería.

El Precio por Token No Es el Coste por Tarea

En el lanzamiento, OpenAI comunicó, para el tramo estándar de hasta 272 mil tokens de entrada, 2 dólares por millón de tokens de entrada y 10 dólares por millón de salida en Sol; en Luna, 0,10 dólares de entrada y 0,50 dólares de salida. La entrada almacenada en caché figura en el registro de cambios a 0,20 dólares para Sol y 0,01 dólares para Luna. Son importes en dólares correspondientes al tramo documentado, no una promesa de que cualquier solicitud vaya a costar exactamente eso. La página de precios también distingue el tamaño del contexto y la modalidad de procesamiento. Consulta la tabla vigente antes de aprobar un presupuesto.

Imagina una tarea con muchas instrucciones y una respuesta breve. El precio de entrada tendrá más peso. En otra tarea, la respuesta puede ser larga y dominará el precio de salida. Las herramientas, los reintentos, el contexto largo, la caché y los servicios empleados junto a la llamada modifican la cuenta. Por eso, comparar únicamente «dólares por millón» suele llevar a conclusiones equivocadas: un modelo barato que necesita tres intentos puede salir más caro que uno mejor que resuelve la tarea a la primera.

La siguiente función calcula únicamente la parte de texto con las tarifas que le indiques. Los valores de ejemplo provienen del registro de cambios del lanzamiento para el tramo citado. No suma herramientas, contexto largo, impuestos ni descuentos adicionales. Mantener los precios como datos de entrada explícitos facilita actualizar la hoja de cálculo cuando cambie la tabla oficial.

const rates = {
  sol: { input: 2, cachedInput: 0.20, output: 10 },
  luna: { input: 0.10, cachedInput: 0.01, output: 0.50 },
}

function textCost({ input, cachedInput = 0, output }, rate) {
  // Separa la entrada en caché para evitar un doble cobro en la estimación.
  const freshInput = Math.max(0, input - cachedInput)
  return (
    freshInput * rate.input +
    cachedInput * rate.cachedInput +
    output * rate.output
  ) / 1_000_000
}

const usage = { input: 12_000, cachedInput: 8_000, output: 1_000 }
console.log({ sol: textCost(usage, rates.sol), luna: textCost(usage, rates.luna) })

Este cálculo es una estimación. El importe facturado depende del uso real, del nivel de servicio y de las reglas de la tabla aplicable. Conserva por cada tarea completada los tokens de entrada, la entrada en caché, los tokens de salida, los intentos y el coste de las herramientas. Así medirás la cifra que importa al producto: cuánto cuesta entregar una respuesta aceptable, no solo ejecutar una llamada.

Cuándo Elegir Luna, Sol o Astra

Empieza por el riesgo del resultado. Luna es un candidato natural para clasificaciones, extracción de campos, borradores breves y otras tareas frecuentes con un criterio objetivo de aceptación. La descripción oficial de Luna lo sitúa en tareas concretas y de gran volumen. Aun así, «sencillo» no significa «sin evaluación»: clasificar una solicitud de cancelación en el departamento equivocado puede alargar la atención y perjudicar al cliente.

Sol tiene más sentido cuando intervienen varias restricciones, mucho contexto, herramientas o decisiones con consecuencias mayores. La guía oficial lo recomienda para razonamiento sólido en tareas exigentes. Una revisión de contrato, una corrección de código o un plan de soporte con un historial largo merecen una comparación directa con Luna. Si la diferencia de calidad es pequeña en tus casos, el modelo económico puede bastar. Si Sol evita trabajo repetido, el coste adicional puede compensar.

Según OpenAI, Astra sigue siendo la referencia para los trabajos más difíciles de la familia. Eso no obliga a usarlo en toda solicitud compleja. Primero define qué significa tener éxito: respuesta correcta, fuente rastreable, formato válido, acción segura y tiempo aceptable. Después compara los tres modelos con ejemplos de tu flujo. La elección dejará de ser una apuesta por el nombre del modelo y reflejará el valor entregado al usuario.

Una política inicial puede enviar las tareas rutinarias a Luna, las excepciones a Sol y los casos críticos a Astra o a una persona. Trátala como una hipótesis operativa. Si el contenido es sensible, la revisión humana puede seguir siendo necesaria en cualquier nivel. Si hay una acción irreversible, exige la confirmación del sistema responsable antes de ejecutarla, con independencia de la seguridad aparente del texto generado.

Construye una Evaluación que Represente tu Producto

Una evaluación útil comienza con ejemplos reales y el permiso adecuado para utilizarlos. Elimina datos personales cuando sea posible, incluye situaciones fáciles y difíciles y registra la respuesta esperada o un criterio verificable. No selecciones solo demostraciones que ya salieron bien. Los fallos poco frecuentes merecen atención especial cuando pueden causar pérdidas económicas, publicaciones incorrectas o una mala atención.

Divide las tareas por tipo: extracción, decisión, explicación, generación y uso de herramientas. Dentro de cada grupo, evalúa corrección, formato, tiempo, número de intentos e intervención humana. Un único porcentaje agregado oculta que un modelo puede funcionar bien con borradores y mal con decisiones. El artículo oficial aporta resultados de sus propios benchmarks; muestran capacidad general, pero no sustituyen una evaluación con tus datos y reglas.

Utiliza el mismo conjunto de entradas, instrucciones y criterios para cada modelo. Si cambias el prompt de uno y no el del otro, compararás dos sistemas distintos. Registra la versión del prompt, el modelo, el nivel de esfuerzo y la fecha de ejecución. Cuando el proveedor actualice el servicio, podrás identificar si la calidad mejoró o si hubo una regresión en casos que antes se resolvían.

El siguiente ejemplo reúne resultados ya revisados por personas. passed solo debe marcarse después de aplicar un criterio redactado previamente. La función no juzga respuestas con otra IA; calcula métricas de un conjunto de pruebas para que puedas decidir con transparencia.

function summarize(results) {
  const total = results.length
  if (total === 0) throw new Error("Inclua casos avaliados")
  const passed = results.filter(item => item.passed).length
  const cost = results.reduce((sum, item) => sum + item.costUsd, 0)
  const latency = results.reduce((sum, item) => sum + item.latencyMs, 0)
  return {
    passRate: passed / total,
    costPerAcceptedTask: passed ? cost / passed : Infinity,
    meanLatencyMs: latency / total,
  }
}

// Cada fila representa una tarea completa, incluidos todos sus intentos.
const lunaResults = [
  { passed: true, costUsd: 0.002, latencyMs: 800 },
  { passed: false, costUsd: 0.003, latencyMs: 900 },
]
console.log(summarize(lunaResults))

Las cifras del código son datos ficticios para mostrar el cálculo, no resultados medidos por OpenAI ni por este blog. En la práctica, observa también la distribución: una latencia media puede ocultar demoras largas justo en los casos que importan. Lee muestras de errores e identifica patrones antes de cambiar todas las llamadas de modelo. Una regla de encaminamiento bien diseñada puede resolver el problema por menos dinero.

Diseña el Encaminamiento y la Salida de Emergencia

Después de evaluar, convierte el resultado en una regla pequeña que cualquier persona del equipo pueda auditar. Debe considerar el tipo de tarea, el riesgo y la necesidad de herramientas, no palabras mágicas presentes en la solicitud. Siempre que sea posible, usa una lógica determinista para explicar por qué una petición se envió a un modelo más caro.

function chooseModel(task) {
  // La política pertenece al producto; ajusta los criterios con pruebas reales.
  if (task.irreversibleAction || task.highImpact) return "gpt-6-astra"
  if (task.requiresTools || task.longContext || task.ambiguous) return "gpt-6-sol"
  return "gpt-6-luna"
}

const tasks = [
  { kind: "classify", highImpact: false },
  { kind: "research", requiresTools: true },
  { kind: "approve-transfer", irreversibleAction: true },
]
console.log(tasks.map(task => ({ kind: task.kind, model: chooseModel(task) })))

El resultado de chooseModel es una propuesta de encaminamiento, no una autorización para actuar. En el ejemplo de la transferencia, una persona o un servicio de aprobación todavía debe confirmar el efecto. Separa la selección del modelo, la generación del texto, la validación del resultado y la ejecución de la acción. Esa división ayuda a reducir errores y simplifica el análisis de incidentes.

Define además una salida de emergencia. Si la respuesta no cumple el esquema, si no aparece una fuente obligatoria o si se supera el tiempo límite, vuelve a intentarlo con un modelo apropiado o envía el caso a revisión. Registra el motivo del desvío. Sin ese registro, un sistema que empezó siendo económico puede terminar mandando casi todas las solicitudes a la opción más cara sin que nadie lo advierta.

La lógica de respaldo debe tener un límite. Repetir indefinidamente una solicitud defectuosa consume presupuesto y puede multiplicar el error. Un intento adicional tras corregir un problema de formato puede ser razonable; varios intentos sin diagnóstico requieren investigación. Mide la tasa de respaldo junto con el coste por tarea aceptada y la satisfacción del usuario: reducir la factura mientras empeora la experiencia es un ahorro aparente.

Caché, Contexto y Herramientas en la Cuenta Final

El anuncio oficial destaca mejoras de caché para conversaciones y agentes. Reutilizar un prefijo de instrucciones puede reducir el coste de lectura y el tiempo, pero no lo conviertas en un descuento garantizado para todas las llamadas. La tasa de aciertos depende de la estructura de las entradas. Si insertas datos variables al principio del prompt, incluso cambios pequeños pueden impedir la reutilización esperada. Observa la métrica real de entrada en caché antes de proyectar ahorros.

El contexto largo también exige cuidado. Que haya espacio para muchos tokens no significa que el sistema deba enviar todo el historial. Elimina duplicaciones, recupera únicamente los documentos relevantes y resume lo que pueda resumirse con una verificación posterior. Cuanto mayor es la entrada, mayor es la posibilidad de arrastrar información obsoleta o contradictoria. El problema de calidad puede empezar en la selección del contexto, no en el modelo.

Las herramientas alteran la economía de un agente. Una búsqueda, una consulta a una base de datos o una operación en otro servicio puede costar más que los propios tokens y añadir demora. Si el agente llama varias veces a la misma herramienta para responder una pregunta sencilla, revisa el diseño del flujo. Separa las etapas que necesitan información actual de las que pueden resolverse con datos ya disponibles y mantén rastreable el origen de las respuestas.

En la API, revisa los parámetros admitidos por el modelo elegido. La guía oficial indica que Sol y Luna aceptan el esfuerzo de razonamiento none, mientras que Astra no admite ese nivel. También recomienda Responses para herramientas con razonamiento. Una migración segura prueba formato, herramientas, latencia y coste en conjunto; cambiar solo la cadena del modelo puede modificar el comportamiento de una etapa crítica sin que aparezca en una comparación superficial.

Perspectivas: Elegir Modelo Es una Decisión de Producto

El lanzamiento de Sol y Luna ofrece más opciones, pero no elimina la necesidad de medir. El precio por token responde cuánto cuesta el insumo. El coste por tarea aceptada responde cuánto cuesta entregar valor. La diferencia incluye fallos, revisiones, tiempo, herramientas y daños causados por una respuesta equivocada. Cuando el equipo puede ver cada parte por separado, invierte capacidad donde realmente mejora la experiencia.

Comienza con un conjunto pequeño de casos representativos, compara Luna y Sol, añade Astra solo donde el riesgo o la calidad lo justifiquen y registra la política de encaminamiento. Vuelve a evaluar después de cambios en el producto o en el modelo. La mejor configuración hoy puede dejar de serlo cuando cambien el volumen, las tarifas o el tipo de solicitudes. La fuente definitiva sobre disponibilidad y precios sigue siendo la documentación oficial en el momento de contratar.

¡Vamos con todo! 🦅

📚 ¿Quieres Seguir lo Que Viene Por Delante?

Este artículo trató sobre GPT-6 Sol y Luna, pero el ecosistema cambia cada semana y no todo se convierte en un artículo aquí.

En X comparto lo que estoy probando, el trabajo entre bastidores de mis proyectos y las novedades que aparecen antes de que se conviertan en una publicación.

Sígueme Allí

👉 Seguir a @jeffbruchado en X

💡 Contenido diario sobre desarrollo, carrera profesional y las herramientas que realmente utilizo