Claude Opus 5.5 vs Grok 4.7: dos buques insignia, con veinticuatro horas de diferencia

Grok 4.7 llegó el 21 de septiembre de 2026. Claude Opus 5.5 llegó al día siguiente. Dos modelos insignia de frontera en menos de veinticuatro horas, dirigidos al mismo comprador desde direcciones opuestas: Grok 4.7 mantuvo el precio de su predecesor en $2 por millón de tokens de entrada y $6 de salida, mientras que Opus 5.5 redujo el de su predecesor de $5/$25 a $4/$20. En la etiqueta de precio, Grok 4.7 parece costar la mitad que Claude Opus 5.5 y aún menos. No lo es, y la razón es lo más útil de esta comparación. Las tarifas de Grok 4.7 se duplican a $4/$12 una vez que un prompt supera los 200.000 tokens, y el modelo es notablemente verboso — Artificial Analysis midió un aumento del 113% en el uso de tokens de razonamiento respecto a Grok 4.6, con aproximadamente 81.000 tokens de salida consumidos por tarea agéntica. Una tarifa más barata en un modelo que escribe más no es una tarea más barata, y los dos efectos tienen que multiplicarse antes de que cualquiera de las dos etiquetas de precio signifique algo.

Lo que cada proveedor entregó realmente

SpaceXAI lanzó Grok 4.7 el lunes 21 de septiembre — el mismo precio de $2/$6 y la misma ventana de contexto de 500.000 tokens que Grok 4.6, con una fecha de corte de conocimiento más reciente y un nuevo nivel de razonamiento superior. El proveedor informa que se construyó sobre un modelo base más grande que su predecesor y lo posiciona para la programación, el trabajo agéntico y el trabajo del conocimiento; se lanza en vivo en Cursor y en el propio agente de terminal Grok Build de la compañía. La cifra de Terminal-Bench 4.0 de la propia empresa es del 38%, y la ejecución independiente de Artificial Analysis del mismo benchmark lo situó en el 33% — una discrepancia de cinco puntos entre el proveedor y el evaluador en el mismo eje, algo que conviene recordar cuando se lee cualquier cifra aislada de cualquiera de las dos partes.

Anthropic lanzó Claude Opus 5.5 el martes 22 de septiembre a un precio de $4/$20, por debajo de los $5/$25 de Opus 5, con las lecturas de caché cayendo de $0,50 a $0,20 por millón y con el proveedor afirmando que ejecutar cargas de trabajo típicas cuesta alrededor de un 40% menos que con su predecesor. Mantiene el contexto de 1M de tokens y el límite de salida de 128K de Opus 5, y añade un modo Fast a $8/$40 que Anthropic describe como una vista previa de investigación. Las afirmaciones sobre capacidades se basan en pruebas ejecutadas por el proveedor frente a los competidores elegidos por Anthropic: Terminal-Bench 4.0 con 66,4%, FrontierCode v1.1 con 54,4%, GDPval-AA v2.1 con 1846 Elo.

Pon esos dos párrafos uno al lado del otro y la forma del enfrentamiento ya se hace visible. Un proveedor bajó el precio de un modelo que mejoró. El otro mantuvo el precio de un modelo que mejoró. Ambos están apostando por dónde está el piso del mercado, y no coinciden.

La tarjeta de tarifas, y las dos filas que la cambian

Las cifras que figuran a continuación proceden del catálogo de OrcaRouter, consultado el 24 de septiembre de 2026, y se trasladan con un 0 % de margen — el precio de lista del proveedor, sin ningún diferencial añadido.

• Entrada — Claude Opus 5.5 a $4.00 por millón de tokens frente a Grok 4.7 a $2.00; Grok es un 50% más barato

• Salida — $20.00 por millón vs $6.00; Grok es 70% más barato

• Lectura de caché — $0.20 por millón frente a $0.50; la única línea de precios donde Opus 5.5 es más barato, y es un 60% más barato

• Contexto — 1M de tokens para Claude Opus 5.5 frente a 500.000 para Grok 4.7, exactamente el doble

• Salida máxima — 128.000 tokens para Claude Opus 5.5 frente a 450.000 para Grok 4.7, más de tres veces más

• Modalidad — ambos aceptan texto, imágenes y archivos y devuelven texto

El primer modificador es el escalón por tramos. Los $2/$6 de Grok 4.7 se aplican por debajo de un prompt de 200,000 tokens; por encima, ambas tarifas se duplican a $4/$12. Eso deja la tarifa de entrada para prompts largos de Grok exactamente al mismo nivel que los $4.00 fijos de Claude Opus 5.5 y reduce la ventaja en la salida del 70% al 40%. En los prompts muy largos, donde el límite de salida de 450,000 tokens de Grok es la razón por la que lo elegirías, estás pagando las tarifas de entrada de Opus 5.5 para llegar hasta ahí.

El segundo modificador es la verbosidad, y es mayor. Artificial Analysis midió que Grok 4.7 usaba un 113 % más de tokens de razonamiento que Grok 4.6 en las mismas evaluaciones, con alrededor de 81,000 tokens de salida consumidos por tarea agéntica en un informe publicado. Los tokens de razonamiento se facturan como tokens de salida en todas las API de esta comparación. A los $20.00 por millón de Opus 5.5, 81,000 tokens de salida cuestan $1.62. A los $6.00 de Grok 4.7, los mismos 81,000 cuestan $0.49 —sigue siendo un tercio del precio, así que la ventaja sobrevive—, pero la relación ahora es de 3.3× en lugar de 3.3× sobre el papel y algo considerablemente menor en la práctica una vez que la tarifa más baja de lectura de caché de Opus 5.5 se aplica al prefijo reenviado de una sesión de agente larga. El ahorro del 70 % en salida que se anuncia en la tarjeta de tarifas no es el ahorro que usted contabilizará.

Si quieres el ejemplo más claro de por qué el precio por token es la unidad equivocada: la misma solicitud agéntica de 30.000 tokens de entrada y 8.000 de salida cuesta aproximadamente 28 centavos en Opus 5.5 y 11 centavos en Grok 4.7. Si en cambio la entrada es de 250.000 tokens, la tarifa duplicada de Grok eleva su costo a alrededor de $1,10 frente a los $1,16 de Opus 5.5. La diferencia anunciada pasó de 2,5× a un error de redondeo, sin que cambiara nada salvo la longitud del prompt.

Las puntuaciones independientes apuntan en una sola dirección

En el Índice de Inteligencia de Artificial Analysis, Claude Opus 5.5 se sitúa en 58 en su configuración de esfuerzo máximo y en 54 con esfuerzo alto, a la cabeza de los modelos que sigue ese evaluador. Grok 4.7 obtiene 46: dos puntos por encima de Grok 4.6 y doce por debajo de la puntuación de esfuerzo máximo de Opus 5.5. Esa es la brecha más amplia de este artículo y es de terceros, no del proveedor.

Los otros tableros del mismo evaluador favorecen más a Grok, y la diferencia entre ellos es lo interesante. En el Coding Agent Index, Grok 4.7 obtiene 56 frente a los 47 de Grok 4.6: una ganancia de nueve puntos, mayor que su ganancia de dos puntos en inteligencia general, lo que sugiere que el lanzamiento es más una actualización de programación que una general. En AA-Briefcase, su tablero de trabajo del conocimiento de largo horizonte, Grok 4.7 se sitúa en 1.657 Elo, en cuarto puesto, por detrás de tres entradas de Anthropic y por delante de Claude Opus 5 con esfuerzo xhigh. Tres tableros, tres veredictos distintos, todos del mismo evaluador el mismo día.

Luego está el único eje que ambos lados miden: Terminal-Bench 4.0. Anthropic reporta 66,4 % para Opus 5.5 con esfuerzo xhigh. SpaceXAI reporta 38 % para Grok 4.7, y la ejecución independiente de Artificial Analysis lo situó en 33 %. Sea cual sea el número que tomes para Grok, la diferencia con Opus 5.5 está entre 23 y 33 puntos. Terminal-Bench es un único arnés de pruebas y, del lado de Anthropic, uno ejecutado por el proveedor, así que no es un veredicto sobre ninguno de los dos modelos — pero no es un resultado reñido en ese eje, y es el eje más estrechamente vinculado al trabajo de codificación agéntica al que ambos proveedores dirigen sus ventas.

Donde cada uno es la respuesta correcta

La ventaja de Grok 4.7 es real y estructural en dos aspectos. El primero son los trabajos de prompt corto y gran volumen: por debajo de 200.000 tokens con una salida moderada, $2/$6 frente a $4/$20 es una diferencia real de 2,5× a 3,3×, y la penalización por verbosidad es un número absoluto menor cuando toda la tarea es pequeña. El segundo es el techo de salida: 450.000 tokens es más de tres veces los 128.000 de Opus 5.5, y para la generación masiva de artefactos largos esa es la restricción que decide si un trabajo es posible siquiera.

La ventaja de Claude Opus 5.5 está en el rendimiento agéntico a largo plazo. Una ventana de contexto el doble de amplia, de 1M de tokens, una tasa de lectura de caché un 60 % inferior y la puntuación de inteligencia independiente más alta de los dos. Cada uno de esos factores se potencia con la duración de la sesión: la lectura de caché se paga sobre el prefijo reenviado en cada turno, así que un recorte del 60 % en esa partida aporta más a una sesión de agente de dos horas de lo que un recorte del 70 % en la salida aporta a una generación de un solo intento.

Una nota operativa que corresponde a cualquier decisión sobre Opus 5.5: el modelo dirige la mayoría de las solicitudes de ciberseguridad a Claude Opus 4.8 y el trabajo de biología a Claude Opus 5, a menos que tu cuenta esté verificada a través de los programas Life Sciences o Cyber Verification de Anthropic. En esos dominios, la cadena de modelo que figura en tus registros no siempre es el modelo que respondió. Grok 4.7 no tiene un redireccionamiento equivalente, aunque su propia tarjeta de modelo supuestamente muestra que el 3,3 % de las solicitudes de riesgo todavía pasan en modo alto, con tasas de violación de reglas ligeramente superiores a las de Grok 4.6 — una cifra de seguridad publicada por el proveedor en el otro lado del mismo balance.

Ambos modelos están en OrcaRouter al precio de lista del proveedor con 0 % de recargo — Claude Opus 5.5 a $4.00/$20.00 con lecturas de caché de $0.20, Grok 4.7 a $2.00/$6.00 con el tramo de >200K aplicado tal como lo establece el proveedor — detrás de una sola clave, para que la división anterior se pueda medir en tu propio tráfico en lugar de discutir sobre ella. Cuando ambos están enrutados, conmutación automática por error se sitúa bajo cualquiera de los dos, lo que importa más de lo habitual para dos modelos lanzados con un día de diferencia y que aún se están asentando.

El veredicto que merece este enfrentamiento: Grok 4.7 es el modelo más barato en la mayoría de las cargas de trabajo y el que hay que elegir para salidas largas; Claude Opus 5.5 es el más fuerte cuando las sesiones son largas, el contexto es profundo y el trabajo es agéntico. La ventana de lanzamiento de 24 horas hizo que parecieran rivales. Las tarifas y los recuentos de tokens hacen que el veredicto sea dividido.