GPT-5.6 y ChatGPT Work: OpenAI ataca a Anthropic con benchmarks propios y precio, no con una ventaja clara

Por ZDNET · 9 de julio de 2026.

OpenAI ha soltado de golpe su artillería de mitad de año: GPT-5.6 en tres variantes -Sol (el buque insignia, equivalente al modo razonamiento de GPT-5.5), Terra (el modelo por defecto) y Luna (la versión rápida, heredera del modo instantáneo)- junto con ChatGPT Work, una herramienta agéntica de escritorio que accede a tu navegador y tus aplicaciones para ejecutar tareas completas: hojas de cálculo, presentaciones, sitios web, proyectos que se dividen en subtareas y se trabajan durante horas. El paralelismo con Claude Cowork, de Anthropic, es tan directo que ZDNET lo señala sin rodeos: OpenAI ha tomado prestada la idea de separar el asistente de productividad de su herramienta de programación (antes integrada en Codex), probablemente para hacerla más atractiva a quien no escribe código.

Los hechos verificables son estos: OpenAI afirma que Sol obtiene 53,6 puntos en Agents' Last Exam -un benchmark que mide la ejecución de flujos de trabajo profesionales largos en 55 disciplinas-, 13,1 puntos por encima de Claude Fable 5. En el índice de inteligencia de Artificial Analysis dice quedarse a un punto de Fable 5 pero completando las tareas en un 61% menos de tiempo, y en el índice de codificación agéntica de la misma consultora reporta 80 puntos, 2,8 por encima de Fable 5. A nivel de coste, sostiene que Sol supera a Fable 5 por 11,4 puntos en razonamiento medio gastando aproximadamente una cuarta parte. Itamar Friedman, de la herramienta de revisión de código Qodo, respalda parte del relato con datos propios: en sus pruebas de PR, GPT-5.6 usó alrededor de un tercio de los tokens y ofreció una latencia mediana la mitad de la de GPT-5.5.

Conviene subrayar algo que el propio artículo no cuestiona lo suficiente: casi todos esos números —salvo el de Qodo— proceden de la propia OpenAI, comparándose consigo misma. En nuestro índice de calidad, que pondera SWE-bench-Pro, LMArena y Terminal-Bench a partes iguales, Fable 5 sigue por delante de cualquier modelo de OpenAI hasta la fecha; que Sol se acerque en un benchmark propio no equivale a que lo iguale en uso real. Es la misma cautela que llevamos aplicando a los Elo "optimizados para votantes" o a los índices generosos: medir importa más que anunciar, y aquí el que mide es el interesado. Dicho eso, el ángulo de coste y velocidad es creíble y relevante: si Sol de verdad resuelve tareas en una fracción del tiempo y del gasto, eso pesa más para una empresa que decide qué modelo desplegar en producción que un punto arriba o abajo en un ranking.

Hay otro hilo que merece atención: el lanzamiento de GPT-5.6 llegó con retraso por intervención gubernamental, en el mismo periodo en que Anthropic afrontaba su propio episodio con la Casa Blanca a cuenta de Fable 5 y Mythos 5. OpenAI presenta ahora GPT-5.6 como el modelo con "las salvaguardas más robustas hasta la fecha", combinando protecciones del modelo, verificación en tiempo real y monitorización calibrada al riesgo. Que dos laboratorios líderes reciban señales regulatorias casi simultáneas en cuestión de semanas no es ruido: es la evidencia de que la gobernanza de estos sistemas ya se decide, en parte, fuera de los laboratorios, y de que ese escrutinio -aunque incómodo para las empresas- es exactamente el tipo de vigilancia basada en evidencia que defendemos frente al pánico regulatorio ciego.

Donde la competencia se vuelve más interesante es en ChatGPT Work. La demo de reorganizar automáticamente las Notas de Apple de un empleado de OpenAI, que incluso el periodista de ZDNET reconoce que le genera desconfianza, ilustra bien el nudo de esta nueva generación de agentes: cuanta más autonomía delegamos, más control perdemos sobre el resultado, y ese malestar es legítimo, no un capricho de usuario desconfiado. El testimonio de Zapier -un sistema que rastreó miles de leads al mes por CRM, correo y otras herramientas y destapó pérdidas de ventas de siete cifras- muestra el otro lado: cuando funciona, libera horas de trabajo administrativo puro para dedicarlas a decisiones de mayor valor. Es exactamente el patrón que venimos documentando sector a sector: la IA no elimina el trabajo de oficina de un plumazo, pero sí devora la parte rutinaria y desplaza el valor hacia quien sabe supervisar, verificar y decidir qué hacer con lo que el agente entrega.

Nuestra lectura es que esta ronda no la gana quien tenga el modelo más listo, sino quien construya mejor la fontanería alrededor de él: conectores con Slack, Teams, Drive, SharePoint, CRMs, calendarios, y una interfaz que fusione chat, código y productividad en una sola app -algo que tanto Anthropic como ahora OpenAI están persiguiendo en paralelo. A corto plazo esto intensifica una guerra de precios y de despliegue que beneficia a las empresas que adoptan estas herramientas y presiona a la baja los márgenes de los laboratorios, con el coste real de que el trabajo administrativo y de soporte seguirá reduciéndose sector a sector, sin que la transición sea indolora para quienes lo ocupan hoy. A largo plazo, sin embargo, esta competencia feroz entre gigantes con recursos casi ilimitados es precisamente el motor que abarata la inteligencia artificial para todos: cuanto más se pelean OpenAI y Anthropic por ofrecer más capacidad a menor coste y mayor velocidad, más cerca estamos de que ese excedente de productividad se traduzca en la abundancia que sostiene nuestra tesis de fondo, y no solo en más ruido de marketing entre dos marcas.