GPT-5.5 llegó y cambió la pregunta: ya no es cuál es mejor, es cuándo uso cuál
OpenAI sacó un modelo frontera seis semanas después del anterior y una semana después de Opus 4.7. Los dos ya no compiten en el mismo eje.
Germán Falcioni✦ Lectura: 10 min
Seis semanas entre GPT-5.4 y GPT-5.5 no se entienden sin ponerlas al lado del cronograma de 2024, cuando GPT-4 Turbo y GPT-4o se separaron por más de cinco meses. El ciclo se contrajo. No por deseo estratégico de OpenAI — por la cadencia que impuso Anthropic desde septiembre de 2025 con Sonnet 4.6, Opus 4.5, Opus 4.6 y Opus 4.7 en menos de ocho meses.
Pero la nota de esta semana no es la velocidad. Es la separación de ejes. Hasta marzo de 2026, el mapa competitivo se leía en una lista única con una métrica dominante (MMLU, luego SWE-bench). Con GPT-5.5 y Opus 4.7 en paralelo, el ranking se rompió. Y lo que quedó es más útil para el usuario que el ranking mismo.
Qué pasó esta semana
GPT-5.5 salió el 23 de abril en tres variantes. Standard para uso general. Thinking para razonamiento extendido (equivalente al modo think de Claude). Pro para máxima precisión sin límites de compute en tiempo de inferencia. Ventana de contexto: 1M tokens. Pricing: $5/M input, $30/M output. El tier Pro tiene pricing diferencial no publicado al momento de escribir.
Datos provistos por OpenAI en el release: 88.7% SWE-bench, 92.4% MMLU, 60% de reducción en alucinaciones vs GPT-5.4, mejora significativa en long-context recall y tool use confiable en cadenas de más de 30 pasos. Ninguno de estos números fue auditado por terceros al día de hoy.
Opus 4.7 salió el 16 de abril. Misma ventana de 1M tokens. $5/M input, $25/M output. Datos provistos por Anthropic: mejoras en software engineering sobre Opus 4.6, vision mejorada (mayor resolución de procesamiento de imagen), mejor performance en tareas largas.
Los dos modelos ocupan la misma franja de precio-capacidad. La diferencia está en los benchmarks compartidos donde la comunidad corre evaluaciones reproducibles.
Dónde gana cada modelo
Tabla compacta de lo que circuló esta semana:
| Benchmark | GPT-5.5 | Opus 4.7 | Tipo de eval |
|---|---|---|---|
| Terminal-Bench 2.0 | 82.7% | 69.4% | Agentic coding (comunidad) |
| OSWorld-Verified | 78.7% | 78.0% | Agentic desktop |
| Expert-SWE | 73.1% | — | Coding complejo |
| SWE-Bench Pro | 58.6% | 64.3% | Coding preciso |
| MCP-Atlas | 75.3% | 79.1% | Precisión con tool use |
| MMLU | 92.4%* | — | Conocimiento general |
| SWE-bench | 88.7%* | — | Coding (original) |
*Números provistos por OpenAI en release. No verificados independientemente al día de hoy.
Terminal-Bench 2.0 mide capacidad de un agente para operar en una terminal Unix con éxito end-to-end: abrir shells, ejecutar comandos, leer outputs, debuggear, recuperarse de errores. 13 puntos de ventaja de GPT-5.5 en esta métrica no son marginales — son una diferencia cualitativa en flujos agenticos largos.
SWE-Bench Pro mide resolución de bugs reales de repositorios GitHub con evaluación estricta de corrección. 5.7 puntos de ventaja de Opus 4.7 ahí significan que en precisión analítica de código, Claude sigue adelante.
MCP-Atlas —el benchmark más relevante para el patrón agentic-con-precisión-analítica— Opus 4.7 gana con 3.8 puntos.
La lectura: GPT-5.5 está optimizado para flujos largos con tool use múltiple. Opus 4.7 está optimizado para tareas individuales de alta precisión. El rango de 2-13 puntos de diferencia que aparece una y otra vez es consistente con esa hipótesis — no con un "uno es mejor" global.
La especialización como fenómeno estructural
Hay quien argumenta que esta separación es temporal. Que OpenAI está respondiendo al benchmark del momento (agentic) y Anthropic al suyo (coding preciso), pero que en seis semanas ambos van a converger.
El argumento tiene fundamento histórico — pasó en 2023 con GPT-4 y Claude 2, pasó en 2024 con GPT-4o y Claude 3.5 Sonnet. Pero en 2026 hay dos elementos que lo complican.
Primero: el RLHF en GPT-5.5 está calibrado con heurísticas específicas para evitar "giving up" en flujos largos (OpenAI lo menciona explícitamente en el release). Es un diseño dirigido, no un efecto colateral. Dudo que Anthropic quiera copiarlo idéntico — va en contra de la filosofía de precisión-primero que defienden en sus posts técnicos desde 2024.
Segundo: la diferencia de vocación aparece también en el pricing. GPT-5.5 cobra $30 en output; Opus 4.7, $25. En un flujo agentic largo, GPT-5.5 va a producir más tokens de salida (búsquedas, re-evaluaciones, correcciones). Ese pricing asimétrico —5 dólares más en output cuando el modelo está optimizado para generar más output— modela una economía de uso donde cada modelo captura el workload al que mejor le va. No es neutro.
La hipótesis que me resulta más defendible: la separación se sostiene. Cada compañía va a profundizar su eje en vez de copiarle al otro. Para el usuario, eso es una buena noticia — la ecología es más útil que el ranking.
Cuándo usar cuál
La heurística operativa, afinada después de ejercitar los dos en flujos reales:
Opus 4.7 para: análisis largo con precisión ("revisá este contrato y marcá las cláusulas que contradicen la propuesta comercial"), redacción con criterio editorial fuerte, trabajos donde la respuesta correcta es una y el costo del error es alto (compliance, auditoría, contenido de marca), razonamiento sostenido sobre documentos grandes donde la coherencia entre secciones importa.
GPT-5.5 para: flujos agenticos con múltiples herramientas ("buscá estos datos en la web, cruzalos con este CSV, mandame el resultado por email"), tareas donde la IA tiene que recuperarse de sus propios errores sin tu intervención, operación sobre desktop/terminal con tool use prolongado, flujos donde "más o menos funciona" ya es útil porque el costo del error intermedio es bajo.
Claude Sonnet 4.6 (más barato) para: tareas cotidianas donde cualquiera de los dos te responde bien. La mayoría de tu trabajo de escritorio.
GPT-5.5 Thinking cuando: el flujo es largo pero necesita razonamiento explícito antes de actuar. Es el modelo que le pone freno a la tendencia agentic de GPT-5.5 Standard de "intentar primero, pensar después".
El uso de los dos en paralelo es lo que cualquier profesional consciente debería considerar en 2026. No es vendor lock-in — es uso por tarea. Mi flujo personal: Claude en Projects para las tareas grandes que necesito controlar párrafo por párrafo. Claude Code para debugging y revisión de cambios específicos. GPT-5.5 cuando una tarea tiene la forma de "ejecutá este flujo end-to-end".
La pieza que los benchmarks no miden
Hay algo que ningún benchmark captura bien y que determina cuál usás más: cómo se siente trabajar con el modelo.
Claude tiene un tono interpretativo. Cuando le das una tarea ambigua, te pregunta qué querés exactamente; cuando decide solo, te explica la decisión. El costo es que a veces pregunta de más y retrasa el flujo. GPT-5.5 tiene un tono ejecutor — asume, hace, te avisa después. El costo es que decide cosas que vos hubieras decidido distinto.
Para el trabajo que necesitás revisar antes de aceptar, Claude te ahorra trabajo. Para el trabajo que delegás en piloto automático, GPT-5.5 te ahorra tiempo. Los dos son productividad, por vías distintas.
Esa diferencia de personalidad no se va a cerrar ni con benchmarks ni con updates. Está en la filosofía de diseño. Y es lo que en último término te hace preferir uno sobre el otro para tu workflow real.
Lo que viene
Tres semanas antes del fin de trimestre, las apuestas implícitas del mercado:
Anthropic va a responder. La opción obvia sería bajar el precio de Opus 4.7 para neutralizar el ataque por ese vector. La opción menos obvia —y más interesante— sería reforzar las capacidades agenticas de Sonnet 4.7 (aún no anunciado) para que el modelo medio capture parte del workload largo sin el costo de Opus. Apostaría por la segunda. La historia del pricing de Anthropic sugiere que no les gusta la guerra de precios.
OpenAI ya mostró la cadencia. Si GPT-5.6 llega en junio con mejoras en long-context analytical tasks, va a estar directamente pisándole los pies a Opus. La pregunta es si mantienen la especialización que acabo de describir o si vuelven a converger. La economía del RLHF específico sugiere que no vuelven.
Google todavía no jugó su baza. Gemini 3.1 Pro es competitivo pero no frontera. Gemini 3.2 con los TPU 8t/8i nuevos que Google anunció en Cloud Next esta semana puede cambiar el mapa. No antes del Q3 2026.
La cuarta apuesta —la más improbable pero la que más valor tendría en resolverse— es que los modelos open source (DeepSeek V4, Llama 5) cierren el gap de frontera. Si DeepSeek V4 llega a 90% de Opus 4.7 a una décima del costo, la ecología entera se reescribe. No hay señales concretas de eso a 30 días. Pero el precedente de DeepSeek V3.2 dice que no es imposible.
¿Cuál es tu lectura del trade-off especialización vs convergencia? ¿Van a seguir separándose en ejes o van a re-converger con el próximo release?
Fuentes: OpenAI — Introducing GPT-5.5 · Fortune · TechCrunch · VentureBeat · llm-stats
¿Querés profundizar en algo del artículo?
01 ¿Entonces cuál me conviene para mi trabajo?
Depende casi exclusivamente de qué tipo de trabajo hacés. Si la mayor parte de tu día pasa redactando, revisando textos, analizando información compleja, preparando documentos o tomando decisiones que necesitan precisión, Opus 4.7 sigue siendo la opción que menos te va a fallar.nnSi en cambio armás flujos donde la IA tiene que ejecutar varios pasos en secuencia (buscar en la web, leer archivos, escribir código, correrlo, corregir y reintentar sin vos en el medio), GPT-5.5 te va a llegar al resultado con menos tropiezos.nnNo es dogma. Es especialización. El profesional que usa las dos herramientas con criterio trabaja mejor que el que se casa con una marca.
02 ¿Los números que publican son reales o son propaganda?
Los dos tipos de cifras conviven. OpenAI publica 88.7% en SWE-bench y 92.4% en MMLU con datos provistos por OpenAI en su release. Anthropic publicó en su momento sus propios números para Opus 4.7. Los dos son números del fabricante.nnLa forma sana de leerlos: mirá los benchmarks del ecosistema —Terminal-Bench 2.0, SWE-Bench Pro, MCP-Atlas—, que son donde la comunidad corre las evaluaciones con las mismas reglas para todos. Ahí las diferencias se sostienen.nnY sobre todo: probalo vos, con tu trabajo real, antes de sacar conclusiones. El benchmark más importante es el de tu lunes a las 3 de la tarde.
03 ¿Esto significa que Claude se está quedando atrás?
No. Significa que la carrera cambió de forma. Durante 2024 y 2025 los modelos frontera se medían en una lista única: ¿quién saca mejor score en los mismos exámenes? En abril de 2026, GPT-5.5 y Opus 4.7 prácticamente empatan en casos de uso generales y se separan en los especializados.nnOpus 4.7 gana 6 de 10 benchmarks compartidos. GPT-5.5 gana 4. Las diferencias están entre 2 y 13 puntos.nnPara el usuario del día a día, ninguno de los dos te va a dejar mal parado en lo que hace bien. Quedarse atrás sería no tener producto competitivo — que no es el caso. Opus 4.7 tiene producto competitivo con creces.