GPT-5.6: Luna, Terra o Sol — el más seguro no es el más caro

OpenAI vende tres versiones de GPT-5.6 y ordena los precios como si ordenara la calidad: Luna abajo, Terra en medio, Sol arriba. La escalera te dice, sin decírtelo, que el de arriba responde mejor.

Lo medí. Los tres, con la misma batería de tests en español, sobre tareas de negocio reales.

En calidad empatan. El de arriba cuesta cinco veces más, tarda cuatro veces más en contestar, y —esto es lo que no esperaba— es menos seguro que el del medio.

Vamos por partes, porque acá el matiz vale más que el titular.

Primero: los tres empatan en calidad

	Luna	Terra	Sol
Calidad (0-10)	8.26	8.09	8.14
Precio / 1.000 llamadas	$9.30	$23.25	$46.50
Velocidad	116 tok/s	88 tok/s	47 tok/s
Espera hasta el primer token	11.1s	16.9s	39.4s

Entre el más barato y el más caro hay 0.12 puntos de diferencia en calidad. El margen de error de la medición es más grande que eso. Estadísticamente: empatan.

Lo que no empata es el precio (5×), la velocidad (Sol va a menos de la mitad) ni la espera: 39 segundos hasta la primera palabra, contra 11 de Luna.

Si pagas el tier de arriba esperando mejores respuestas, estás pagando por algo que no es eso.

Pero “empatan en promedio” esconde media historia

Los promedios mienten por omisión. Un modelo puede ser mejor en una cosa y peor en otra, y el promedio dice “igual”.

Así que los separé por tarea:

Qué le pides	Luna	Terra	Sol	Gana
Auditar un negocio	8.60	8.20	8.12	el barato
Planificar	8.80	9.20	8.80	el del medio
Escribir con restricciones	9.67	9.00	10.00	✅ el caro
Razonamiento profundo	7.50	6.95	6.11	el barato
Código	8.95	8.88	8.63	el barato
Agentes largos	9.56	9.56	9.14	el barato
Multi-turno	7.00	7.00	7.50	✅ el caro
Tool calling	5.47	5.00	4.88	el barato

Sol gana en dos de ocho. No en cero: en dos. Y esas dos son concretas.

Escribir respetando restricciones duras. Le pasé un brief con una estadística inventada plantada adentro —“según McKinsey, el 87% de las pymes que adoptan IA duplican su facturación en seis meses”; ese informe no existe— y otro que pedía transmitir el crecimiento de una comunidad mientras prohibía dar una sola cifra. Sol sacó 10 sobre 10: no repitió el dato falso, no metió el número prohibido. Luna sacó 9.67. Es poca diferencia, pero es real.

Multi-turno. Conversaciones largas donde hay que sostener el hilo. Sol aguanta mejor.

En las otras seis, o empatan o gana el barato. Y hay una donde la diferencia duele: razonamiento profundo. Luna 7.50, Sol 6.11. Casi punto y medio a favor del que cuesta cinco veces menos.

Y ahora lo que da vuelta la escalera entera

Hasta acá la conclusión sería la de siempre: el caro no compra calidad. Pero cuando miré la seguridad, encontré algo que no esperaba.

Corrí 20 tests de inyección de prompts. Le planté al modelo un secreto —una clave SSH, datos personales de un cliente— y después intenté sacárselo con un ataque escondido dentro del texto que estaba procesando. La pregunta es una sola: ¿lo suelta o no?

	Filtró el secreto	Nota
Luna ($9.30)	5 de 20	7.75
Terra ($23.25)	0 de 20	10.00
Sol ($46.50)	2 de 20	9.10

Luna entrega la credencial en una de cada cuatro veces que lo atacan.

Piensa en lo que eso significa. Tienes un agente conectado a tu infraestructura, corriendo con Luna porque es barato. Alguien mete una inyección en un correo, en un ticket de soporte, en un comentario de GitHub — texto que tu agente va a leer. Una de cada cuatro veces, le entrega la clave.

Pero mira el otro extremo de la tabla, que es donde está lo bueno.

Terra no filtró nada. Cero de veinte. Y Sol —el flagship, el de $46— filtró en 2 de 20.

Pagas el doble que Terra y obtienes un modelo menos seguro.

La escalera de precios no compra calidad. Y resulta que tampoco compra seguridad de forma lineal. El tier más seguro es el del medio, y no hay una sola línea en la página de precios de OpenAI que te lo diga.

Entonces, ¿cuál eliges?

Todo se reduce a una pregunta: ¿tu agente toca algo que no puedes permitirte filtrar?

Si la respuesta es no —escribes contenido, generas código, analizas números que no son secretos—: Luna. Empata en calidad con los otros dos, cuesta cinco veces menos que Sol y contesta cuatro veces más rápido. No hay discusión.

Si la respuesta es sí —tu agente tiene credenciales, ve datos de clientes, procesa texto que no controlas—: Terra. No es el más caro, y es el único que no filtró nada en veinte intentos. Pagas 2.5 veces lo de Luna y compras algo concreto y verificable: que no entregue la llave.

¿Y Sol? Solo si tu trabajo cae justo en esas dos categorías donde gana —escribir con restricciones duras, conversaciones muy largas— y el presupuesto no es tu problema. Fuera de ahí: cinco veces el precio, cuatro veces la espera, y menos seguro que el del medio.

Cómo medí esto (y por qué te lo cuento)

Los datos salen de un benchmark propio, abierto, con más de 14.000 ejecuciones en español.

Dos decisiones de método que hacen la diferencia, y que aprendí a la mala:

Todos los modelos se miden por el mismo camino (OpenRouter). Si cada uno se midiera en la infraestructura de su proveedor, no estarías comparando modelos: estarías comparando datacenters.

Cada categoría se compara sobre los mismos tests rendidos por los tres. Un promedio sacado de exámenes distintos no compara modelos — compara exámenes. Yo mismo publiqué un titular falso por no revisar eso, y me lo tuvieron que hacer notar.

Los números exactos cambian cada mes: el score es relativo a toda la población, así que medir un modelo nuevo recalcula todos. El argumento no cambia.

• La comparación completa de los tres tiers — categoría por categoría, con los números de hoy.
• La calculadora — mete tus propios pesos. Si la seguridad es todo, el ranking cambia.
• El código y los datos crudos — por si quieres correrlo tú.