OpenAI amplió su familia GPT-6 el 22 de septiembre de 2026 con dos modelos orientados a usos distintos: GPT-6 Sol, que busca equilibrar capacidad y coste, y GPT-6 Luna, diseñado para tareas de gran volumen donde cada céntimo cuenta. La novedad no consiste solo en añadir dos nombres al catálogo. El cambio importante es que capacidades reservadas hace poco a modelos más caros —contexto amplio, uso de herramientas, visión y varios niveles de razonamiento— pasan a opciones con precios mucho más bajos.
En esta guía comparamos GPT-6 Sol y Luna, sus precios, límites, disponibilidad y casos de uso. También explicamos qué datos son hechos anunciados, qué resultados proceden de evaluaciones del propio fabricante y qué consecuencias todavía son hipótesis.
Qué son GPT-6 Sol y GPT-6 Luna
Los dos modelos comparten la base tecnológica de la familia GPT-6, pero ocupan posiciones diferentes. Según la presentación oficial de GPT-6 Sol y Luna, Sol está pensado para ofrecer inteligencia avanzada con menor latencia y coste que Astra, mientras que Luna prioriza la eficiencia en cargas repetitivas o masivas.
- GPT-6 Astra: la opción de mayor capacidad para problemas especialmente difíciles.
- GPT-6 Sol: el punto de equilibrio para análisis, programación, agentes y trabajo profesional habitual.
- GPT-6 Luna: la opción económica para clasificación, extracción, transformación de datos y automatizaciones de alto volumen.
Esta jerarquía no significa que un modelo sea siempre mejor que otro. El modelo adecuado depende de la dificultad real del trabajo, el número de llamadas, la rapidez necesaria y el coste de un error. Para entender el extremo superior de la familia, puede consultarse nuestro análisis de GPT-6 Astra y los agentes de inteligencia artificial.
Precios de GPT-6 Sol y Luna en la API
La diferencia más visible está en el precio por millón de tokens. Los importes publicados para la API son los siguientes:
| Modelo | Entrada | Salida | Perfil recomendado |
|---|---|---|---|
| GPT-6 Astra | Superior a Sol | Superior a Sol | Problemas de máxima dificultad |
| GPT-6 Sol | 2 dólares / millón | 10 dólares / millón | Equilibrio entre capacidad y coste |
| GPT-6 Luna | 0,10 dólares / millón | 0,50 dólares / millón | Gran volumen y tareas bien definidas |
OpenAI afirma que Sol cuesta un 50 % menos que el precio promocional de GPT-5.6 y que Luna también reduce aproximadamente a la mitad el precio de su predecesor inmediato. La comparación más llamativa es entre los nuevos modelos: procesar un millón de tokens de salida con Luna cuesta veinte veces menos que hacerlo con Sol. Aun así, el coste final de un sistema no depende únicamente de la tarifa. También influyen la longitud de las respuestas, el número de reintentos, el nivel de razonamiento y la frecuencia con que el agente utiliza herramientas externas.
Características técnicas compartidas
La documentación oficial de modelos de la API atribuye a Sol y Luna una ventana de contexto de 1,05 millones de tokens y un máximo de salida de 128.000 tokens. Ambos admiten texto e imágenes como entrada, generan texto y pueden utilizar funciones, búsqueda web, archivos y control de ordenador cuando la aplicación lo habilita.
- Identificadores:
gpt-6-solygpt-6-luna. - Razonamiento configurable: desde ninguno o bajo hasta medio, alto, extraalto y máximo.
- Contexto: 1,05 millones de tokens.
- Salida máxima: 128.000 tokens.
- Modalidad: texto y visión como entrada; texto como salida.
- Herramientas: funciones, web, archivos y ordenador, sujetas a la configuración del producto.
La amplitud de contexto permite analizar repositorios, documentos extensos o historiales largos, pero no garantiza que cada detalle sea recordado con la misma precisión. En trabajos importantes conviene dividir la información, pedir citas o referencias internas y validar la salida con reglas o pruebas automáticas.
GPT-6 Sol: cuándo compensa elegirlo
Sol es el candidato natural cuando la tarea exige razonamiento, uso de herramientas o programación, pero Astra sería excesivo por coste o latencia. Encaja en asistentes profesionales, agentes que operan aplicaciones, análisis de documentos, generación y revisión de código, investigación con fuentes y flujos donde una respuesta mediocre puede provocar trabajo adicional.
Casos de uso razonables para Sol
- Revisar código y proponer cambios que después pasan pruebas.
- Coordinar agentes que consultan varias herramientas y consolidan resultados.
- Analizar contratos, informes o expedientes con supervisión humana.
- Preparar investigaciones que requieren comparar fuentes y señalar incertidumbres.
- Automatizar procesos de negocio con decisiones no totalmente mecánicas.
Quien quiera comprender cómo se conectan modelos, herramientas y permisos puede ampliar información en nuestra guía sobre Agents API y automatización con IA. El modelo es solo una pieza: un agente fiable también necesita límites, registros, validaciones y una ruta clara de intervención humana.
GPT-6 Luna: dónde aporta más valor
Luna tiene sentido cuando la tarea está bien definida y debe repetirse miles o millones de veces. Por ejemplo, clasificar solicitudes, extraer campos de documentos, normalizar catálogos, resumir conversaciones, etiquetar contenido, detectar incidencias conocidas o convertir datos a un formato estructurado.
El ahorro puede desaparecer si falla demasiado
Un precio bajo no convierte automáticamente a Luna en la opción más barata. Si una salida incorrecta obliga a repetir la llamada, escalar a un modelo superior o revisar manualmente miles de resultados, el coste operativo puede superar el ahorro inicial. La forma sensata de elegirlo es medir precisión, tasa de reintentos, tiempo humano y coste total por resultado válido.
Una arquitectura frecuente consiste en enviar primero las tareas sencillas a Luna y escalar a Sol solo los casos ambiguos. Esa estrategia puede funcionar bien si el sistema dispone de criterios objetivos para detectar dudas. No conviene pedir al mismo modelo que evalúe sin controles la fiabilidad de su propia respuesta.
Qué dicen los benchmarks y cómo interpretarlos
OpenAI comunica mejoras en pruebas de agentes, programación, uso de ordenador y factualidad. En AutomationBench, por ejemplo, la compañía informa de un 33,2 % para Sol con razonamiento extraalto y un coste aproximado de 0,27 dólares por tarea. También señala que Sol alcanzó un 56,4 % en Agents’ Last Exam con razonamiento máximo.
Estos datos son útiles para formular hipótesis, pero no deben tratarse como una garantía para cualquier empresa. Son evaluaciones publicadas por el propio proveedor, algunas diseñadas para provocar errores y con configuraciones concretas. La longitud de las respuestas, las herramientas disponibles y el esfuerzo de razonamiento pueden cambiar mucho el resultado. La prueba decisiva debe realizarse con ejemplos representativos del proceso real.
Una evaluación práctica en cuatro pasos
- Reunir entre 100 y 500 casos reales, incluidos ejemplos difíciles y fallos históricos.
- Definir una respuesta correcta y una métrica antes de ejecutar el modelo.
- Comparar Luna, Sol y, cuando proceda, Astra con el mismo conjunto y herramientas.
- Medir coste total, latencia, errores graves, reintentos y revisión humana.
Si el equipo necesita formación estructurada para diseñar estas evaluaciones y automatizaciones, puede revisar el máster en inteligencia artificial y automatización. La decisión debe basarse en el temario, la metodología y el encaje con los objetivos profesionales, no solo en el nombre de una herramienta.
Caché de prompts: una reducción adicional del coste
La familia incorpora mejoras en la caché de prompts. Cuando muchas solicitudes comparten instrucciones, documentos o ejemplos iniciales, el sistema puede reutilizar el prefijo ya procesado. OpenAI anuncia un descuento del 90 % en las lecturas de entrada almacenadas en caché, además de diagnósticos para entender cuándo se aprovecha.
En la práctica, esto favorece a agentes con una política extensa, un catálogo común o documentación estable. Para aprovecharlo, los elementos repetidos deben situarse al principio y el contenido variable al final. Cambiar continuamente el prefijo puede invalidar el beneficio. La caché reduce procesamiento y precio, pero no sustituye una buena selección del modelo ni elimina el coste de las salidas.
Disponibilidad en ChatGPT, Codex y API
En el lanzamiento, Sol y Luna llegaron a ChatGPT Work y Codex para los planes Plus, Pro, Business, Enterprise y Edu. Luna también se ofreció en la aplicación de escritorio para los planes Free y Go. La empresa indicó que todavía no estaban disponibles como modelos seleccionables en el chat general en ese momento. En la API se accede mediante sus identificadores específicos.
La disponibilidad puede variar por plan, región o producto, por lo que conviene revisar el selector de modelos y la documentación antes de diseñar una dependencia permanente. Para proyectos centrados en agentes, otra opción formativa es el diplomado práctico sobre agentes de IA, comparando siempre contenidos y requisitos con las necesidades del proyecto.
Seguridad, alucinaciones y supervisión
El informe de seguridad de la familia GPT-6 incluye un apéndice específico para Sol y Luna con evaluaciones de robustez, salud, alucinaciones, alineación, monitorización y preparación ante riesgos avanzados. OpenAI afirma que ambos mejoran frente a sus predecesores en varias pruebas y que Sol reduce determinados errores factuales.
Eso no significa que las alucinaciones hayan desaparecido. Para acciones con impacto financiero, legal, médico, laboral o de seguridad, la salida debe pasar por comprobaciones independientes y, cuando corresponda, revisión profesional. En un agente que puede enviar mensajes, modificar datos o ejecutar código, deben limitarse permisos, presupuesto, herramientas y alcance de cada acción.
Cómo elegir entre Sol, Luna y Astra
| Si la prioridad es… | Modelo inicial | Comprobación necesaria |
|---|---|---|
| Máxima capacidad para problemas difíciles | Astra | Ver si la mejora justifica el coste |
| Buen razonamiento con coste controlado | Sol | Medir precisión y latencia reales |
| Procesar mucho volumen barato | Luna | Vigilar errores y escalados |
| Cargas mixtas | Luna + Sol | Definir reglas objetivas de enrutamiento |
Una política prudente empieza con el modelo más económico que cumple el umbral de calidad. Los casos que no superan validaciones se escalan a Sol o Astra. En tareas irreversibles, la aprobación humana debe mantenerse aunque el modelo obtenga buenos resultados en las pruebas.
Hechos, hipótesis y predicciones
Hechos confirmados
- Sol y Luna fueron anunciados oficialmente el 22 de septiembre de 2026.
- Sus precios de API son 2/10 dólares y 0,10/0,50 dólares por millón de tokens de entrada/salida, respectivamente.
- Ambos ofrecen contexto de 1,05 millones de tokens, salida máxima de 128.000 y varios niveles de razonamiento.
- OpenAI ha publicado evaluaciones y un apéndice de seguridad específico para los dos modelos.
Hipótesis que cada equipo debe validar
- Sol puede sustituir a modelos más caros en una parte importante del trabajo profesional.
- Luna puede reducir drásticamente el coste de clasificar, extraer y transformar información.
- Un enrutador Luna-Sol puede superar en coste total a usar un único modelo para todo.
Predicción razonada
Durante los próximos meses es probable que más aplicaciones de IA dejen de depender de un solo modelo y adopten una arquitectura escalonada. Un modelo económico resolverá lo rutinario, otro más capaz atenderá excepciones y la supervisión humana se reservará para decisiones sensibles. Es una predicción, no un hecho: su adopción dependerá de que las empresas puedan medir la incertidumbre y controlar los fallos.
Conclusión
GPT-6 Sol y Luna amplían la competencia desde la potencia bruta hacia la eficiencia. Sol parece la opción generalista para agentes, código y análisis exigente; Luna puede resultar decisivo en automatizaciones repetitivas de gran escala. La elección correcta no se obtiene leyendo una tabla de benchmarks, sino probando casos reales, contabilizando revisiones y definiendo qué errores son aceptables.
El enfoque más sólido es empezar con una evaluación pequeña, registrar calidad, coste y latencia, y escalar solo cuando los resultados lo justifiquen. La reducción de precio es una oportunidad, pero el valor aparece cuando el sistema completo —modelo, herramientas, validaciones y personas— trabaja con límites claros.