¿Mejor IA para programar? Qué modelo usar para cada tarea

¿Qué modelos son de gama alta, media y de entrada en cada proveedor?

Cuando eliges el modelo de un agente de programación, eliges dos cosas a la vez: el modelo en sí y cuánto piensa. Lo segundo, el effort, lo vimos en el artículo anterior, y cómo leer las puntuaciones de los benchmarks, en el artículo sobre SWE-bench. Este artículo se centra en el modelo: qué tal programa cada uno, cuánto cuesta por tarea y cómo se elige en cinco herramientas. Agrupamos los modelos de cada proveedor en tres gamas:

Fuente: páginas de modelos y de precios de los tres proveedores (Anthropic, OpenAI, Google), 20 de octubre de 2026. Precios por MTok de entrada / salida, nivel estándar; en OpenAI, para prompts de hasta 272K tokens, y en Anthropic, para prompts de Haiku 5.5 de hasta 100K tokens. La segunda frase de cada celda es la descripción del propio proveedor.

Anthropic tiene un modelo más por encima de Opus: Fable 5.1. Anthropic lo presenta como su modelo más capaz abierto a todos los clientes; su precio es de $10 de entrada y $50 de salida por MTok. En la tabla dejamos igualmente a Opus 5.5 en la gama alta de Anthropic, porque Anthropic recomienda empezar la mayoría de los trabajos con Opus.

En los precios de lista salta a la vista una coincidencia: Sonnet 5.5, GPT-6.1 Sol y Gemini 4 Argon cobran hoy los tres $2 de entrada y $10 de salida por MTok, y Haiku 5.5 y GPT-6 Luna también cuestan lo mismo. En cambio, cada precio por token de Opus 5.5 es el doble que el de Sonnet 5.5, y los de Astra son cinco veces los de Sol. Pero el mismo precio por token no significa el mismo coste por tarea: un modelo puede necesitar más pasos para terminar el mismo trabajo. Lo mostramos con mediciones en la siguiente sección.

En las sesiones largas de agente, tres umbrales cambian el precio. En Haiku 5.5, cada petición cuyo prompt pase de 100K tokens cuesta 5 veces más ($0,50 / $2,50), y los tokens leídos de la caché también cuentan para esa cifra. En OpenAI, una petición de más de 272K tokens cuesta el doble en la entrada y 1,5 veces más en la salida. En Google, el umbral es una fecha: el precio de Argon se duplica el 1 de diciembre, y el de 3.8 Flash, el 1 de enero de 2027.

En una sesión de agente, la mayor parte de la factura son tokens leídos de la caché; Anthropic también escribe que son la mayor parte del coste del trabajo agéntico y de programación. Por leer de la caché, Opus 5.5 cobra $0,20 por MTok, Sonnet 5.5 $0,10 y Haiku 5.5 $0,01. Cuando el prompt pasa de 100K tokens, el de Haiku sube a $0,05, y la diferencia con Sonnet baja de diez veces a dos. Por eso la ventaja de precio de la gama de entrada se esfuma a medida que la sesión se alarga.

¿Qué tal programa cada modelo y cuánto cuesta?

Las listas de precios van por token, pero lo que te importa es lo que cuesta un trabajo terminado. La documentación de Anthropic también recomienda comparar los modelos por coste por tarea completada, no por token. Por eso miramos dos tipos de medición: un índice independiente que mide cada modelo dentro de su propia herramienta de programación, y las mediciones de los propios fabricantes. Los resultados que declara un fabricante están marcados como tales.

El Coding Agent Index de Artificial Analysis no mide un modelo por sí solo, sino dentro de una herramienta de programación: los modelos de Claude funcionan en Claude Code, los de OpenAI en Codex y los de Gemini en Antigravity. Tiene 303 tareas de tres benchmarks, y cada tarea se intenta 3 veces. El coste se calcula con precios de API, no con un plan de suscripción. De cada familia elegimos las filas de los modelos de gama alta, media y de entrada; en Anthropic añadimos también la fila de Fable 5.1:

El gráfico no es una clasificación: las filas se midieron con niveles de effort distintos, y el índice midió algunos modelos en un único nivel. Al leerlo, fíjate en tres cosas:

• En dos familias, la gama media se acerca a la gama alta. En Codex, GPT-6.1 Sol sacó 61,4 puntos en medium y GPT-6 Astra 61,6 en max; por tarea, $0,70 y $7,47, con 11 y 29 minutos. En Claude Code, los dos modelos se midieron en max: Sonnet 5.5 sacó 68,4 puntos y Opus 5.5 66,0, a $14,19 y $13,04 por tarea. Fable 5.1, que está aún por encima de Opus, tampoco superó a ninguno de los dos en max, con 62,2 puntos.
• Tokens baratos no significan tareas baratas. El precio por token de Sonnet 5.5 es la mitad que el de Opus, pero en max terminó una tarea en 266 pasos y 87 minutos de media; Opus, en 155 pasos y 64 minutos. También ocurre al revés: los precios de entrada y salida de Fable 5.1 son dos veces y media los de Opus, pero en max terminó una tarea en 37 pasos y 35 minutos de media, y a $12,39 por tarea salió algo más barato que Opus. Gemini 3.8 Flash dio 188 pasos por tarea de media; a $2,47 por tarea, salió más caro que Sonnet 5.5 en high ($1,24).
• El effort también marca una gran diferencia dentro del mismo modelo. En high, Sonnet 5.5 sacó 55,0 puntos, a $1,24 y 12 minutos por tarea. Comparamos los niveles uno a uno en el artículo sobre el effort. La documentación de Anthropic también dice que ajustar el effort suele ser una palanca mejor que cambiar de modelo.

El gráfico tiene dos límites. El índice midió Opus 5.5 y Fable 5.1 solo en max; no hay ninguna medición independiente en medium, el nivel por defecto de Opus en Claude Code. Además, cuando un modelo se niega por motivos de seguridad, otro modelo puede terminar el intento, y el intento cuenta igual: de 909 intentos, otro modelo terminó 78 en la fila de Opus 5.5 max, 74 en la de Fable 5.1 max y 45 en la de Sonnet 5.5 max. El índice añade además a la fila de Fable la nota «with fallback» (con modelo de respaldo).

Una diferencia de pocos puntos también puede ser ruido. En la propia clasificación de Terminal-Bench 4.0, Opus 5.5 (max) en Claude Code saca un 64,85 % ± 3,11 y Sonnet 5.5 (max) un 61,82 % ± 2,94; cada fila sale de 330 intentos. En el componente que Artificial Analysis toma del mismo benchmark, el orden es el inverso: Sonnet 5.5 66,2, Opus 5.5 63,1. Así que una diferencia de tres puntos entre estos dos modelos no dice cuál es mejor. Anthropic también escribe que, a este nivel de capacidad, las diferencias en los benchmarks son una guía menos fiable de las diferencias reales; Epoch AI, por su parte, calificó Terminal-Bench 4.0 de defectuoso. Cómo leer una puntuación lo contamos en el artículo sobre SWE-bench.

¿Cuándo compensa un modelo de gama alta?

En las tres familias la pregunta es la misma: ¿cuándo recupera el modelo de gama alta su precio por token más alto? En las mediciones que tenemos, la gama media, con un ajuste algo más alto, alcanza a la gama alta en dos familias, y en la tercera no. Para cada familia pusimos una al lado de la otra las dos mediciones más cercanas de la gama alta y la media:

La medición de Anthropic es el ejemplo más claro. Según el documento, cada precio por token de Opus 5.5 es el doble que el de Sonnet 5.5, pero Opus en low resuelve tareas a la misma tasa que Sonnet en su ajuste por defecto y cuesta solo un 7 % más por tarea resuelta. Si pones a Opus en su propio ajuste por defecto, medium, la tasa de resolución pasa al 92,8 % y el coste a $0,22: por unos cinco puntos más pagas el doble por tarea resuelta. Es una medición del fabricante sobre un subconjunto de SWE-bench Pro y no se puede comparar con la clasificación pública.

Subir un peldaño por encima de Opus no dio más puntos en esta tabla. En el ajuste por defecto de Fable 5.1, high, la tasa de resolución en una sola ejecución es del 92,3 %, y el coste por tarea resuelta, de $1,19. Anthropic lo considera el mismo resultado que Opus en medium, dentro de la variación de una ejecución a otra; es decir, en este conjunto Fable no superó a Opus y costó unas cinco veces más por tarea resuelta. El documento también dice que los dos modelos tocan en gran medida el techo en este conjunto.

¿Dónde gana Opus esos cinco puntos de más? Anthropic y Google dan la misma respuesta: en el trabajo complejo, largo y de muchos pasos. Anthropic recomienda Opus 5.5 para la programación autónoma que dura horas y las grandes refactorizaciones, y Sonnet 5.5 para la programación del día a día; el anuncio de Sonnet 5.5 también escribe que Opus sigue siendo claramente más fuerte en el trabajo abierto que exige criterio sostenido. El camino que Anthropic recomienda para Fable 5.1 también empieza por Opus: si Opus no basta ni en xhigh ni en max en un razonamiento exigente o en un trabajo agéntico de largo recorrido, pasa a Fable. Google recomienda Gemini 4 Argon para la ingeniería de software y el razonamiento complejos, y su página de precios dice que está hecho para agentes autónomos de muchos pasos. OpenAI traza la línea en otro sitio: presenta GPT-6.1 Sol como el modelo que da un rendimiento cercano al de Astra a menor coste, y la documentación de Codex recomienda empezar con Sol incluso para el trabajo ambiguo de muchos pasos; deja Astra para cuando el coste y la latencia no importan. El documento de costes de Anthropic da además un criterio: compara los modelos no en la tarea típica de tu trabajo, sino en su décima parte más difícil, porque la factura la deciden las tareas en las que falla el modelo más barato.

En la familia de Google el panorama es distinto. En el índice independiente, 3.8 Flash no se acercó a la puntuación de Argon; pero los dos modelos se midieron en herramientas distintas (Argon en Antigravity CLI y Flash en el SDK de Antigravity). GitHub Copilot también pone 3.8 Flash en el mismo grupo que Haiku 5.5 y GPT-6 Luna, el de ayuda rápida en tareas sencillas o repetitivas. A la vista de estas dos fuentes, la gama media de Google queda, en un agente de programación, más cerca de la gama de entrada.

Los valores por defecto de las herramientas no siempre coinciden con estas recomendaciones:

• Claude Code arranca con Opus 5.5 en los planes Pro, Max, Team y Enterprise desde el 22 de septiembre (versión 2.1.280), y en la API también arranca con Opus 5.5. Sin embargo, su propia página de costes dice que Sonnet hace bien la mayoría de las tareas de programación y que conviene reservar Opus para decisiones de arquitectura complejas y razonamiento de varios pasos; además, atribuye las facturas inesperadamente altas sobre todo a dejar Opus por defecto. Un detalle más: en Claude Code, Opus 5.5, Sonnet 5.5 y Haiku 5.5 arrancan con effort medium, mientras que en la medición de Anthropic de arriba el valor por defecto de Sonnet es high. Si cambias a Sonnet, sube también el effort a high.
• En Codex, el modelo por defecto es GPT-6.1 Sol, de gama media.
• En GitHub Copilot eliges el modelo en el selector o con Auto; Auto lo explicamos más abajo.
• En Cursor, el plan Plus solo da acceso a los modelos propios de Cursor. Los modelos de Claude, GPT y Gemini se usan a partir de Premium, a precio de lista de la API y pagando con crédito cargado de antemano.
• En Antigravity, el plan gratuito y Google AI Plus solo tienen 3.8 Flash entre los modelos de Gemini; Gemini 4 Argon, Claude Sonnet 5.5 y Opus 5.5 requieren una suscripción a Google AI Pro que no sea de prueba, o una superior.

Con suscripción, la gama alta gasta tu límite más deprisa. Codex es la única herramienta que lo da como número de mensajes por modelo: según su página de precios, el número estimado de mensajes locales en una ventana de cinco horas con el plan Plus es de 5–45 con GPT-6 Astra, 15–160 con GPT-6.1 Sol y 350–3.000 con GPT-6 Luna. En las demás herramientas:

• Claude: la página de planes dice que cuánto puedes usar depende del modelo que elijas, pero no da una proporción. Claude Code muestra mensajes de límite separados para Opus y Sonnet; si llegas a uno, puedes cambiar a la otra familia y seguir trabajando.
• GitHub Copilot: desde el 1 de junio de 2026, el uso se calcula por token al precio de API de cada modelo. Un modelo con el doble de precio también gasta tus créditos de IA el doble de rápido con el mismo número de tokens.
• Cursor: el fondo semanal cubre los modelos propios de Cursor, y cada modelo consume del fondo a un ritmo distinto; los modelos de terceros los pagas con crédito, no con el fondo.
• Antigravity: los modelos de Gemini, por un lado, y los de Claude y GPT, por otro, consumen de límites separados de cinco horas y semanales.

¿Se puede programar con modelos de gama de entrada?

Como agente principal, según las pruebas, no; como ayudante, sí. El anuncio de Haiku 5.5 de Anthropic lo dice él mismo: para la programación agéntica compleja, Sonnet 5.5 y Opus 5.5 son mejor opción; Haiku 5.5 hace buena pareja con ellos como subagente en el trabajo de programación y resuelve con fiabilidad tareas como resúmenes, compactación y clasificación. En la tabla del mismo anuncio, Haiku 5.5 saca un 39,2 % en Terminal-Bench 4.0, Sonnet 5.5 un 70,6 % y GPT-6 Luna un 16,4 % (según Anthropic).

El índice independiente también muestra dónde está la diferencia. En las tareas de DeepSWE, en las que el modelo escribe código en Claude Code, Haiku 5.5 se quedó entre 45,4 y 49,0 en todos los niveles de effort, y Sonnet 5.5 entre 61,9 y 72,0; subir el effort no cerró esa brecha. En SWE-Atlas-QnA, en la que el modelo responde preguntas sobre un código base, la diferencia es pequeña: Haiku 5.5 sacó 51,6 en xhigh y Sonnet 5.5 44,9 en medium. Donde más se queda atrás la gama de entrada es al escribir código, y donde menos, al leer código y responder preguntas sobre él.

Que sea barato por tarea también es verdad solo a medias. En medium, Haiku 5.5 costó $0,23 por tarea, pero terminó una tarea en 14 minutos y 44 pasos de media; Sonnet 5.5 en low: $0,48, 6 minutos y 19 pasos. La puntuación de Haiku también es más baja: 33,6 frente a 42,1. El modelo más rápido de Anthropic resultó más lento por tarea.

Las otras dos familias sitúan su gama de entrada en el mismo lugar. La documentación de Codex recomienda GPT-6 Luna para agentes rápidos y de alcance limitado que hacen trabajo claro, repetible o de gran volumen; en la clasificación de Terminal-Bench 4.0, Luna en max en Codex saca un 16,36 % ± 2,72. Google presenta Gemini 3.5 Flash-Lite como un modelo de baja latencia y bajo coste para tareas de subagente y análisis de documentos.

En Claude Code, el subagente integrado Explore, que busca en el código base, llegó con la versión 2.0.17 (15 de octubre de 2025) funcionando con Haiku; desde la versión 2.1.198 (1 de julio) funciona con el modelo de la sesión principal. Así que, si quieres dar la búsqueda a un modelo de gama de entrada, tienes que configurarlo tú. Así se hace en cinco herramientas:

Fuente: documentación y notas de versión de cada herramienta, 20 de octubre de 2026.

Un ejemplo de definición para Claude Code. Cuando el campo name es Explore, sustituye al agente integrado; limitar sus herramientas a la lectura también mantiene acotado su trabajo:

---
name: Explore
description: Busca y lee en el código base, no modifica archivos
tools: Read, Glob, Grep
model: haiku
---
Encuentra el código pedido. Escribe un informe corto:
ruta del archivo, línea y una frase de explicación.

Un aviso: a medida que un subagente de búsqueda lee archivos grandes, su prompt crece. En Haiku 5.5, cada petición de más de 100K tokens cuesta 5 veces más, así que mantén corto el informe del subagente y acotados los archivos que lee. Cómo funcionan los subagentes lo contamos en el artículo sobre subagentes.

¿Sirve de algo el modo Auto o usar dos modelos juntos?

Hay formas de dejar que la herramienta elija el modelo o de hacer trabajar a dos modelos juntos. La regla que sale de las mediciones de Anthropic es breve: antes de añadir un segundo modelo, ajusta el effort del modelo único, porque la mayor parte del trabajo se resuelve ahí; monta un esquema de dos modelos solo si supera la curva de puntuación frente a coste del modelo único en todos sus niveles de effort.

El Auto de GitHub Copilot está disponible en todos los planes. En VS Code, en Copilot CLI y en la app de Copilot tiene tres niveles: Efficiency, Balance e Intelligence. El nivel cambia a qué modelo va una petición; sigues pagando el precio del modelo que eligió Auto, con un 10 % de descuento en los planes de pago. Copilot muestra de qué modelo viene cada respuesta, y la CLI lo escribe en el terminal. En los planes individuales, Auto también puede usar modelos en evaluación; puedes desactivarlo.

El Auto de Cursor depende del plan. Según la página de precios, el plan Plus no tiene Auto; los demás planes individuales solo tienen el modo Cost, y responda el modelo que responda, la petición consume del fondo semanal como un modelo de Cursor. Los modos Balance e Intelligence están en Teams y Enterprise; allí una petición se paga al precio de lista del modelo al que se enrutó, y qué modelo respondió queda oculto por defecto. La página del Router de Cursor, en cambio, dice que todos los modos Auto se pagan al precio de lista del modelo enrutado; el 20 de octubre de 2026, las dos páginas no coincidían.

La documentación de modelos de Claude Code, Codex y Antigravity no describe ningún Auto que elija modelo por petición. Gemini CLI tiene Auto, que elige el modelo según la complejidad de la tarea; el 18 de junio de 2026, Google sustituyó Gemini CLI por Antigravity CLI para los usuarios del nivel gratuito y de Google One, y recomienda Antigravity para Gemini 4 Argon.

opusplan es un ajuste de modelo de Claude Code que reparte el trabajo entre dos modelos: usa Opus en el modo plan y Sonnet en la ejecución. Como cada modelo mantiene su propia caché, cada vez que entras o sales del modo plan cuenta como un cambio de modelo y la caché empieza de cero; en una sesión larga, eso se nota en la factura.

Advisor permite que el modelo de Claude Code consulte a un segundo modelo más fuerte en momentos clave: antes de decidirse por un enfoque, cuando se atasca en el mismo error y antes de dar por terminado el trabajo. Funciona con suscripción y con la API. En la medición de Anthropic con los modelos actuales, la única pareja que consultaba a menudo sacó 1,7 puntos más que el modelo solo en un benchmark de programación; esa diferencia está en el límite de la variación entre ejecuciones, y el coste es unas 2,1 veces mayor. Cuando el modelo consultaba poco, la pareja sacó lo mismo que el modelo solo, o menos.

¿Puede un modelo local sustituir a estos modelos?

Con las pruebas de hoy, ninguna medición muestra que pueda como agente principal. Las clasificaciones independientes también miden modelos de pesos abiertos, pero los de tamaño conocido son de clase servidor: GLM-5.3-Flash, por ejemplo, tiene 320 mil millones de parámetros (18 mil millones activos en cada token) y saca, en Terminal-Bench 4.0 dentro de Claude Code, un 35,76 % ± 3,54. No encontramos ninguna medición independiente como agente de programación de un modelo que quepa claramente en un portátil.

El hardware también pone límites. Ollama ajusta la ventana de contexto según la VRAM: por debajo de 24 GiB, el contexto por defecto es de 4K tokens. Para las herramientas de programación, sin embargo, recomienda al menos 64.000 tokens, y la memoria necesaria crece con el contexto. Google, por su parte, recomienda para Gemma 4 26B A4B al menos 24 GB de VRAM o de memoria unificada. Así se conecta un modelo local en cinco herramientas:

Fuente: documentación de las herramientas y de Ollama, 20 de octubre de 2026. Ollama también pide al menos 64K de contexto para Claude Code y Codex.

Elegir un modelo local no significa que tu código no vaya a salir de la máquina. La nota de GitHub lo dice claramente: elegir un modelo local no activa el modo sin conexión ni desactiva la telemetría de GitHub; en la CLI, el modo sin conexión se activa aparte con COPILOT_OFFLINE=true. En Cursor, las peticiones pasan por los servidores de Cursor para construir allí el prompt final. Si tu código no debe salir de la máquina, revisa todo el recorrido de la herramienta, no solo el modelo.

El sitio más sensato para probar un modelo local es el trabajo que hacen los modelos de gama de entrada: tareas como buscar en el código base, resumir o clasificar, que se basan en la lectura y cuyo resultado se puede comprobar. Hazlo también midiendo en tus propias tareas; las mediciones independientes de arriba no cubren modelos de este tamaño.

¿Qué modelo elegir para cada trabajo?

Lo que tienen en común las pruebas: la gama media basta para la mayor parte del trabajo, la gama alta marca la diferencia en el trabajo largo y ambiguo, y la gama de entrada sale barata como ayudante. Para los trabajos habituales, estos son los modelos equivalentes de las tres familias:

Las razones de las tarjetas están más arriba. La gama media para el trabajo diario, porque en la medición de Anthropic Sonnet en su ajuste por defecto resolvió tareas a la misma tasa que Opus en low, y en el índice independiente Sol en medium alcanzó la puntuación de Astra en max. En la familia de Google, Argon también para el trabajo diario, porque en la medición independiente 3.8 Flash no se le acercó. Para el trabajo largo y ambiguo, la gama alta en Anthropic y en Google, porque las dos la recomiendan para ese trabajo y los puntos de más se ganan en las tareas difíciles; en OpenAI, en cambio, el consejo de Codex es quedarse con Sol y subir el effort. En Anthropic, si Opus no basta ni en xhigh ni en max, el siguiente peldaño es Fable 5.1. La gama de entrada va en los subagentes, porque se queda atrás al escribir código pero se acerca al leer código y responder preguntas sobre él.

Para tu propio trabajo, el camino más fiable es una medición. Los consejos de los fabricantes se parecen: Anthropic recomienda comparar los modelos en tu propio trabajo, por coste por tarea resuelta y con tus tareas más difíciles, y OpenAI, probar con las mismas entradas y quedarte con el ajuste más ligero que alcance tu listón de calidad. En la práctica, elige un puñado de tareas de tu trabajo, ejecuta cada modelo varias veces en su propia herramienta y anota el coste por tarea resuelta y el tiempo. Si tienes tests, ejecuta primero un ajuste barato y repite solo los fallos con uno más alto; por qué sale barato lo explicamos en el artículo sobre el effort.