A fecha de 1 de octubre de 2026, Anthropic lleva tres días con Claude Sonnet 5.5 en el mercado. Lo lanzó el 28 de septiembre, seis días después de Claude Opus 5.5. El modelo intermedio de la familia mantiene la tarifa de su predecesor, 2 dólares por millón de tokens de entrada y 10 dólares por millón de salida. Según las cifras publicadas por la propia compañía, alcanza cerca del 98 % de las puntuaciones de Opus 5.5 con la mitad del precio por token. Anthropic afirma además que genera texto más de un 30 % más rápido que Sonnet 5 y que cuesta hasta un 30 % menos por tarea, porque necesita menos tokens para terminar el mismo trabajo.

Estas afirmaciones merecen una lectura cuidadosa. Una parte de ellas procede de las pruebas que publica el fabricante y otra de análisis de terceros que señalan matices importantes, por ejemplo qué nivel de esfuerzo se usó para obtener las cifras más llamativas. Este artículo repasa qué se anunció, qué datos son verificables, cómo se compara Sonnet 5.5 con Opus 5.5 y con Sonnet 5, qué cambios de API obligan a revisar código existente y qué conviene medir antes de migrar cargas de trabajo en una empresa.

Contexto: dos lanzamientos en una semana

El 22 de septiembre de 2026 Anthropic presentó Claude Opus 5.5. Según la compañía, ofrece un rendimiento comparable al de Claude Fable 5.1 con un gasto operativo un 40 % menor. Seis días después, el 28 de septiembre, llegó Sonnet 5.5, descrito como una mejora clara sobre Sonnet 5, un 30 % más rápido y hasta un 30 % más barato para la mayoría del trabajo.

La secuencia importa por una razón práctica. Hasta hace poco, la regla habitual al elegir entre modelos de una misma familia era sencilla: el modelo mayor para tareas difíciles y el intermedio para volumen. Con Sonnet 5.5, la diferencia entre ambos se estrecha en varias pruebas y aparece un caso, Terminal-Bench 4.0, en el que el modelo intermedio supera al mayor. Eso obliga a los equipos técnicos a medir con sus propios casos de uso en lugar de asumir una jerarquía fija.

El modelo se identifica en la API como claude-sonnet-5-5. Está disponible en la plataforma de Claude, en Amazon Bedrock, en Google Cloud y en Microsoft Foundry desde el primer día, con opción de retención cero de datos. Los análisis de terceros indican además que se ofrece a través de OpenRouter y que su fecha de retirada no sería anterior al 28 de septiembre de 2027, un dato útil para planificar ciclos de mantenimiento.

Qué anunció Anthropic: las cifras principales

La compañía publicó una tabla comparativa entre Sonnet 5.5, Sonnet 5 y Opus 5.5. Los resultados más relevantes son los siguientes:

Prueba Sonnet 5.5 Sonnet 5 Opus 5.5
Terminal-Bench 4.0 70,6 % 10,3 % 66,4 %
FrontierCode 1.1 (principal) 46,2 % 42,4 % 54,4 %
CursorBench 4.0 55,5 % 34,1 % 57,8 %
GDPval-AA v2.1 1844 1449 1846
AA-Briefcase v1.1 1811 1359 1822
Humanity's Last Exam 64,5 % 54,9 % 67,7 %
OSWorld 2.1 80,1 % 57,0 % 81,8 %
Chartography 61,6 % 15,6 % 64,4 %

Dos lecturas se desprenden de la tabla. La primera es que el salto frente a Sonnet 5 es muy grande en casi todas las pruebas, y especialmente grande en Terminal-Bench 4.0 (de 10,3 % a 70,6 %) y en Chartography (de 15,6 % a 61,6 %). La segunda es que frente a Opus 5.5 la distancia es corta en la mayoría de pruebas, con una excepción clara en FrontierCode 1.1, donde Opus 5.5 conserva una ventaja de más de ocho puntos.

La propia Anthropic reconoce esa limitación: según la presentación, Opus 5.5 sigue siendo claramente más fuerte en trabajo complejo y abierto. Es una declaración útil porque delimita el uso recomendado de cada modelo.

Análisis de las pruebas: qué miden y qué no

Conviene explicar brevemente qué evalúa cada prueba, porque los nombres no son evidentes para quien no sigue el sector.

Terminal-Bench 4.0 mide la capacidad de un modelo para completar tareas en una terminal, con comandos, archivos y herramientas, de forma autónoma. Es una prueba orientada a agentes de programación. CursorBench 4.0 evalúa el comportamiento en tareas de edición de código dentro de un entorno de desarrollo. FrontierCode 1.1 se centra en problemas de programación de mayor dificultad. OSWorld 2.1 evalúa el uso de ordenador: navegar interfaces, abrir aplicaciones y completar flujos como lo haría una persona. GDPval-AA y AA-Briefcase se orientan a tareas de trabajo del conocimiento, con puntuaciones expresadas en una escala tipo Elo. Humanity's Last Exam reúne preguntas académicas difíciles de múltiples disciplinas.

Una puntuación alta en estas pruebas indica capacidad en tareas concretas y bien definidas. No garantiza el mismo comportamiento en procesos reales de una empresa, donde los datos son ruidosos, las instrucciones ambiguas y los criterios de calidad dependen del contexto. Por eso las pruebas internas de cada organización siguen siendo imprescindibles.

El matiz del nivel de esfuerzo

Un análisis independiente publicado por Digital Applied introduce una advertencia relevante. Las cifras más llamativas se obtuvieron con esfuerzo máximo, con un coste de unos 12,54 dólares por tarea en el caso de Terminal-Bench. Con el nivel de esfuerzo predeterminado de la API, que es alto, la puntuación en esa prueba baja a un 43,0 %. El mismo análisis señala que Opus 5.5 va por delante en siete de las ocho pruebas de la tabla y que Sonnet 5.5 lidera únicamente en Terminal-Bench 4.0.

Otro dato sobre FrontierCode 1.1: con esfuerzo xhigh, Sonnet 5.5 alcanza un 52,1 %, frente al 46,2 % de la tabla principal con esfuerzo máximo. Es una muestra de que el nivel de esfuerzo no siempre se comporta de forma monótona y de que conviene probar cada configuración.

La conclusión práctica es que la comparación de precios por token no basta. Hay que comparar el coste por tarea completada con el nivel de esfuerzo que se vaya a usar en producción.

Precio, velocidad y eficiencia en tokens

El precio de lista no cambia respecto a Sonnet 5. La reducción del coste proviene del consumo de tokens, no de la tarifa. Estos son los precios publicados:

Concepto Sonnet 5.5 Opus 5.5
Entrada (por millón de tokens) 2 dólares 4 dólares
Salida (por millón de tokens) 10 dólares 20 dólares
Lectura de caché 0,20 dólares 0,20 dólares
Escritura de caché 2,50 dólares 5 dólares

El análisis de terceros añade que la API por lotes ofrece un 50 % de descuento, con 1 dólar de entrada y 5 de salida por millón de tokens.

La compañía recoge varios testimonios de clientes que ilustran el efecto en tokens. Balyasny Asset Management midió 2441 tareas financieras y obtuvo mejor calidad con unos 121.000 tokens por respuesta, frente a unos 497.000 de Sonnet 5. Slack reportó mejores resultados que con Sonnet 5 con aproximadamente un 14 % menos de tokens de salida y sin modificar los prompts. Box indicó que el modelo es 2,4 veces más rápido y usa un 12 % menos de tokens en total, además de revisar datos de los documentos fuente y detectar errores que Sonnet 5 pasaba por alto.

Son testimonios seleccionados por el fabricante, de modo que deben tomarse como indicios y no como mediciones independientes. Aun así, coinciden en la dirección: menos tokens por tarea con igual o mejor calidad.

Especificaciones técnicas

Según los análisis publicados, el modelo ofrece una ventana de contexto de 1 millón de tokens y una salida máxima de 128.000 tokens, con 300.000 en la API por lotes mediante una cabecera beta. Su fecha de corte de conocimiento es junio de 2026. El razonamiento adaptativo viene activado por defecto y admite cinco niveles de esfuerzo: low, medium, high, xhigh y max.

El nivel predeterminado es alto en la plataforma de Claude y medio en Claude Code y en las aplicaciones. Es un dato que explica por qué una misma tarea puede arrojar resultados y costes distintos según el canal por el que se use el modelo.

Se trata de un modelo de pesos cerrados, por lo que no puede autoalojarse. Las organizaciones con requisitos de soberanía de datos deben apoyarse en las opciones de nube y retención cero que ofrecen Anthropic y sus socios de infraestructura.

Capacidades destacadas

Anthropic subraya tres mejoras: mejor trabajo de larga duración, mejor comprensión de imágenes y una redacción más clara que facilita la colaboración con personas. También destaca que es el primer modelo Sonnet que completa Pokémon Red utilizando únicamente capturas de pantalla. Esta última mención es anecdótica desde el punto de vista empresarial, pero ilustra la capacidad de mantener objetivos durante cientos de pasos sin perder el hilo, algo que sí es relevante para agentes autónomos.

Los testimonios de clientes apuntan a usos concretos. Epic Games indicó que el modelo superó sus expectativas en revisiones de diseño de sistemas y flujo de datos, con decenas de miles de líneas de código. Zendesk señaló que procesó tickets de soporte un 20 % más rápido y con menos decisiones erróneas que los modelos de Claude que tiene en producción. Unity indicó que completó el 90 % de las tareas de varios pasos en un banco de pruebas de programación con verificación en tiempo de ejecución.

Salvaguardas y seguridad

El lanzamiento incluye tres capas de protección que conviene conocer porque afectan al comportamiento del modelo en producción.

Ciberseguridad. Se aplica un esquema similar al de Opus 5.5. La depuración rutinaria no se ve afectada, pero las tareas de seguridad de mayor riesgo recurren a Sonnet 5 como modelo de respaldo, y ese cambio es visible para el usuario. Para un equipo de seguridad ofensiva o de investigación de vulnerabilidades, esto significa que ciertas peticiones no se atenderán con el modelo nuevo.

Biología. Las salvaguardas son idénticas a las de Sonnet 5 y se dirigen a solicitudes estrechas de alto riesgo. La investigación y el trabajo clínico rutinarios no se ven afectados.

Destilación. Es el primer modelo Sonnet con clasificadores diseñados para impedir la extracción de su razonamiento, y amplía la función de pensamiento preservado. Los análisis de terceros añaden que los bloques de pensamiento quedan asociados a la cuenta y se descartan si la conversación pasa a otra cuenta. Esto tiene consecuencias para arquitecturas que reparten una misma conversación entre varias credenciales.

Cambios de API que exigen revisar código

Este es probablemente el aspecto con mayor impacto operativo inmediato. Anthropic advierte que quien ejecute Sonnet con el pensamiento desactivado debe cambiar a la configuración between_tools antes de actualizar. Según el análisis de Digital Applied, cinco ajustes devuelven ahora un error 400:

  1. thinking: {"type": "disabled"}, que debe sustituirse por between_tools.
  2. Los presupuestos de pensamiento.
  3. Los parámetros de muestreo, como la temperatura.
  4. El prefill del asistente.
  5. La elección forzada de herramienta.

Cualquier aplicación que dependa de estas opciones fallará al apuntar al nuevo identificador de modelo. La recomendación razonable es probar en un entorno de pruebas, revisar los registros de errores y actualizar las plantillas de llamada antes de cambiar el modelo en producción.

Implicaciones para agentes y flujos automatizados

El salto en Terminal-Bench 4.0 y en OSWorld 2.1 apunta a un uso concreto: agentes que ejecutan secuencias largas de acciones, ya sea en una terminal o sobre una interfaz gráfica. En ese tipo de sistemas el coste no lo determina una sola llamada, sino la suma de decenas o cientos de pasos. Una reducción en tokens por paso se multiplica a lo largo de toda la ejecución, y por eso el dato de Balyasny (unos 121.000 tokens por respuesta frente a unos 497.000) resulta más relevante que la tarifa por millón de tokens.

La velocidad también cambia el diseño. Un modelo que genera texto más de un 30 % más rápido reduce el tiempo de espera en flujos interactivos, como asistentes de programación o paneles de atención al cliente, y permite mantener a una persona en el circuito sin que la espera resulte molesta. En procesos por lotes, en cambio, la latencia importa menos y el factor decisivo es el coste por tarea, para el cual existe además el descuento de la API por lotes.

Hay una consecuencia arquitectónica adicional. Si el modelo intermedio se acerca tanto al mayor en la mayoría de pruebas, tiene sentido diseñar sistemas con enrutamiento: las tareas rutinarias se atienden con Sonnet 5.5 y solo se escalan a Opus 5.5 las que superan cierto umbral de dificultad o en las que falla una verificación automática. Este patrón reduce el gasto sin renunciar a la capacidad del modelo mayor cuando hace falta, aunque exige instrumentar bien el sistema para saber cuándo escalar.

Conviene, por último, tener en cuenta la visibilidad del respaldo en ciberseguridad. Como las tareas de mayor riesgo recurren a Sonnet 5 y ese cambio es visible, los equipos que automatizan procesos de seguridad deben registrar qué modelo respondió realmente a cada petición. Sin ese registro, una diferencia de calidad podría atribuirse por error al modelo equivocado.

Cómo interpretar una tabla de resultados sin sobrevalorarla

Una tabla de comparación como la que acompaña a este lanzamiento resume mucha información, pero conviene leerla con tres cautelas.

La primera es la diferencia entre puntuación y utilidad. Una distancia de dos puntos entre Sonnet 5.5 y Opus 5.5 en CursorBench 4.0 puede ser irrelevante para una tarea y decisiva para otra. Lo que importa es si la diferencia aparece en los casos que le importan a la organización.

La segunda es la configuración. Como muestra el caso del nivel de esfuerzo, la misma prueba puede producir resultados muy distintos según cómo se ejecute. Al comparar con otros proveedores o con versiones anteriores hay que asegurarse de que las condiciones son equivalentes: mismo nivel de esfuerzo, mismo presupuesto de tokens y mismas herramientas disponibles.

La tercera es la estabilidad en el tiempo. Los bancos de pruebas se actualizan, y las versiones citadas aquí, como Terminal-Bench 4.0 o OSWorld 2.1, no son comparables con versiones anteriores. En la tabla de Anthropic ambos modelos Sonnet se miden con la misma versión de cada prueba, así que la comparación entre ellos es directa, pero no debe extrapolarse a resultados publicados con otras versiones.

Qué significa para las empresas

Para una organización que ya usa Claude, la decisión práctica se reduce a tres preguntas.

Primera: qué tareas justifican el modelo mayor. Opus 5.5 conserva ventaja en trabajo complejo y abierto, y en FrontierCode 1.1 la diferencia supera los ocho puntos. Si el proceso depende de razonamiento extenso, planificación o problemas poco estructurados, conviene seguir midiendo con Opus.

Segunda: qué tareas son de volumen y se benefician del precio. Atención al cliente, revisión de documentos, extracción de datos, clasificación y agentes de programación con tareas acotadas son candidatos naturales. Los testimonios de Zendesk, Box y Slack apuntan en esa dirección.

Tercera: cuánto cuesta realmente cada tarea. El precio por token es solo una parte. Hay que medir tokens consumidos, nivel de esfuerzo, tasa de reintentos y tiempo de respuesta. Con un 98 % del rendimiento de Opus 5.5 a la mitad del precio por token, el ahorro potencial es considerable, pero la cifra exacta depende de cada carga de trabajo.

Un ejemplo ilustrativo de adopción empresarial a gran escala es el anuncio de Anthropic del 1 de octubre sobre Barclays, que amplía el despliegue de Claude para mejorar la eficiencia operativa y la calidad del servicio al cliente. La compañía no vincula ese anuncio con Sonnet 5.5, pero muestra el tipo de organización a la que se dirigen estos modelos.

Una pauta de evaluación razonable

Una forma ordenada de decidir la migración consiste en seguir estos pasos:

  • Reunir entre 50 y 200 casos reales representativos, con criterios de aceptación claros.
  • Ejecutarlos con Sonnet 5, Sonnet 5.5 y Opus 5.5 al nivel de esfuerzo que se usaría en producción.
  • Registrar calidad, tokens, latencia y coste por tarea completada.
  • Revisar manualmente una muestra de errores para detectar fallos que las métricas automáticas no capturan.
  • Decidir por tipo de tarea, no de forma global, y mantener la posibilidad de enrutar a un modelo u otro según la dificultad.

Limitaciones reales

Varias precauciones son necesarias antes de adoptar el modelo.

Las cifras proceden en gran parte del fabricante. Las pruebas se publican con la configuración que mejor representa el modelo. Los análisis independientes, como el ya citado, muestran que los resultados varían con el nivel de esfuerzo.

El rendimiento por defecto es menor que el de las cifras titulares. Con esfuerzo alto, Terminal-Bench 4.0 baja a un 43,0 % según el análisis citado. Quien espere reproducir un 70,6 % tendrá que asumir el coste del esfuerzo máximo.

Los cambios de API pueden romper integraciones. Los cinco ajustes que ahora devuelven error exigen trabajo de adaptación.

El modelo es de pesos cerrados. No hay opción de autoalojamiento, lo que limita su uso en entornos con restricciones estrictas.

Las salvaguardas pueden redirigir peticiones. En ciberseguridad, las tareas de mayor riesgo recurren a Sonnet 5, lo que puede producir resultados distintos de los esperados.

Los testimonios son seleccionados. Representan casos favorables y no una distribución estadística de resultados.

Preguntas frecuentes

¿Cuánto cuesta Claude Sonnet 5.5?

El precio de lista es de 2 dólares por millón de tokens de entrada y 10 dólares por millón de salida, igual que Sonnet 5 y la mitad que Opus 5.5. Las lecturas de caché cuestan 0,20 dólares por millón y las escrituras 2,50. Anthropic indica que el coste por tarea puede bajar hasta un 30 % por el menor consumo de tokens.

¿Es mejor que Opus 5.5?

Depende de la tarea. Sonnet 5.5 supera a Opus 5.5 en Terminal-Bench 4.0 con esfuerzo máximo, pero Opus 5.5 va por delante en las demás pruebas de la tabla publicada. La propia Anthropic indica que Opus 5.5 sigue siendo claramente más fuerte en trabajo complejo y abierto.

¿Puedo cambiar el identificador del modelo sin más?

No conviene hacerlo sin probar. Hay ajustes que ahora devuelven error 400, como desactivar el pensamiento, los presupuestos de pensamiento, los parámetros de muestreo, el prefill del asistente y la elección forzada de herramienta. Hay que revisar las llamadas existentes antes de migrar.

¿Dónde está disponible?

En la API de la plataforma de Claude con el identificador claude-sonnet-5-5, en Amazon Bedrock, en Google Cloud y en Microsoft Foundry. Existe opción de retención cero de datos. No se puede autoalojar.

¿Qué ventana de contexto ofrece?

Según los análisis publicados, 1 millón de tokens de entrada y hasta 128.000 de salida. Su fecha de corte de conocimiento es junio de 2026.

Fuentes oficiales recomendadas

claude
anthropic
sonnet 5.5
opus 5.5
modelos de lenguaje
agentes de ia
api
inteligencia artificial empresarial
Volver al Blog