GPT-6 Luna lee Slack por $0.007 por hilo: lo que ese número esconde

Siete décimas de centavo. Eso es lo que el Agent Initiative Benchmark de Deepnote Research registró como coste medio de GPT-6 Luna para gestionar una situación laboral dentro de una empresa simulada: leer los mensajes, decidir si había que avisar a alguien de algo y responder en el canal adecuado. Claude Fable 5.1, en las mismas cincuenta situaciones, con las mismas herramientas y el mismo presupuesto de respuesta de 180 segundos, promedió 3,02 dólares para una puntuación 1,1 puntos más alta: 6,38 sobre 10 frente a 7,50. El propio informe del benchmark califica a los dos modelos como «separados por 430 veces en precio», y las cuentas cuadran: 3,02 dólares divididos por 0,0070 dólares dan 431.

GPT-6 Luna está disponible de forma general desde el 22 de septiembre de 2026, y la comparación circuló por la cronología el 13 de noviembre como una historia sobre un modelo barato que alcanza a uno caro. Es una historia más interesante que eso, y algo menos halagadora para el titular. La propia fila de Luna en esa tabla contiene nueve ejecuciones puntuadas con 10 sobre 10 y nueve puntuadas con cero, y la razón por la que un agente proactivo es difícil de comprar no es el promedio: son los ceros.

Lo que realmente ejecutó el benchmark

Agent Initiative no es otro conjunto estático de preguntas. Deepnote creó una empresa de software ficticia llamada PageMantle —71 empleados, 100 clientes empresariales, seis años de registros conectados, unos 10 GB repartidos entre once servicios, incluidos Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery y Snowflake— y luego introdujo en ella doce modelos de frontera como observadores silenciosos. Cada modelo recibió las mismas instrucciones, el mismo acceso a herramientas, la misma instantánea de la empresa y el mismo presupuesto de tiempo. La tarea consistía en leer nuevos mensajes de Slack y decidir si investigar, dónde responder y si responder siquiera.

El panel es pequeño y deliberadamente incómodo:

• Cincuenta situaciones distribuidas en ocho tipos de tareas: Analizar (8), Verificar (7), Coordinar, Explicar, Diagnosticar, Decidir y Proteger (6 cada uno) y Buscar (5).

• Cuarenta de los cincuenta necesitaban un mensaje; diez eran trampas en las que lo correcto era guardar silencio.

• Dos jueces LLM, ciegos a qué modelo produjo la ejecución, puntuando de 0 a 10 en intervención, evidencia, tono y ubicación de la audiencia.

• Todos los modelos con esfuerzo de razonamiento alto, excluyendo el tiempo de ejecución de herramientas del cronómetro de 180 segundos.

• Doce modelos de seis laboratorios, 600 ejecuciones en total, con intervalos del 95 % a partir de remuestreo bootstrap por tarea.

Esa decisión de diseño —cuarenta casos de ayuda frente a diez casos de silencio— es la razón por la que la tabla separa a los modelos de una forma en que un benchmark de chat nunca lo hace. La mayor parte de lo que hace un agente siempre activo durante todo el día es decidir no hablar, y casi ninguna evaluación pública puntúa eso.

La fila de Luna, completa.

GPT-6 Luna terminó séptimo de doce con 6.38. Envió un mensaje en 38 de las 40 situaciones que lo requerían, una tasa de acierto mejor que la de Claude Sonnet 5.5, con 37, y lo hizo en 50 segundos usando 13.7 llamadas de herramientas. Su coste por tarea, $0.0070, es el más bajo del sector: casi cuatro veces inferior a los $0.026 de DeepSeek V4.1 Flash y sesenta veces inferior a los $0.42 de Claude Sonnet 5.5.

La columna que importa es la que Deepnote etiqueta como «Dieces / ceros». GPT-6 Astra, el de mayor puntuación con 8,97, registró 26 ejecuciones perfectas y dos ceros. Claude Opus 5.5 registró 14 y dos. Luna registró nueve y nueve. En un benchmark donde un cero significa que el agente o nunca habló cuando debía o habló en una situación que había malinterpretado, una de cada cinco ejecuciones de Luna fue un caso perdido, frente a una de cada veinticinco en los dos modelos que están por encima de Luna. Si se promedia en cincuenta tareas, un agente que es excelente la mitad de las veces y está ausente la otra mitad parece un B menos. Desplegado en el Slack de un equipo real, parece un colega que o es brillante o está callado, y nadie puede predecir cuál de las dos cosas.

El titular de 430x, con la aritmética mostrada

La cifra es real y también es el planteamiento más favorable disponible, por dos razones que vale la pena enunciar sin rodeos.

Primero, Claude Fable 5.1 no es el modelo actual de Anthropic. Claude Fable 5.2 lo es, y obtuvo 8,17 en el mismo benchmark a 1,87 dólares por tarea. Frente al sucesor, GPT-6 Luna es 267 veces más barato y está 1,79 puntos por detrás. Es una frase menos citable y más relevante para la decisión, porque nadie que elija un modelo esta semana va a elegir Fable 5.1 a menos que tenga una razón.

En segundo lugar, la diferencia de 1,1 puntos es una estimación puntual sobre cincuenta tareas. Deepnote deja claro que varios modelos de la parte central de su tabla se sitúan dentro de intervalos superpuestos —nombra a Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4 y Claude Haiku 5.5 como un grupo dentro de 0,6 puntos entre sí— y planea un conjunto de tareas más amplio en una versión futura. La lectura honesta del par Luna frente a Fable 5.1 es que la diferencia de precio se mide con tres cifras significativas y la de calidad, con aproximadamente una. Cualquiera que cite «solo 1,1 puntos por detrás» como si el decimal fuera significativo está citando el intervalo, no la puntuación.

El número que nadie cita: cuatro de cada diez

Cuando el silencio era la respuesta correcta, el modelo mediano del sector se contuvo seis de cada diez veces. GPT-6 Luna se contuvo cuatro. Intervino en seis de las diez situaciones en las que los registros ya mostraban que el asunto había sido resuelto y, como señala Deepnote, esas intervenciones no eran galimatías. Eran precisas, bien ubicadas e innecesarias. Un control de calidad que solo lee el mensaje nunca detectará ese fallo. Tampoco lo hará una encuesta de satisfacción del usuario, porque nadie se queja de que le digan algo verdadero.

El benchmark le pone precio de todos modos. En el panel, intervenir cuando no correspondía costó aproximadamente 1,8 veces más que quedarse callado cuando se necesitaba un mensaje. Para un agente de Slack cuya premisa entera es que lee cada hilo, el modo de fallo no es una respuesta incorrecta que se corrige. Es la lenta erosión del canal: una vez que un equipo aprende que un tercio de los mensajes del bot son ruido, deja de leer cualquiera de ellos, y el valor de los correctos se va a cero con ellos.

Hay un segundo fallo, más silencioso, en el informe. En una tarea de acceso a datos, Luna encontró el registro que confirmaba que un administrador de accesos había cedido el puesto a un sucesor y, aun así, remitió al empleado al antiguo administrador. Leer la evidencia correcta y extraer la conclusión equivocada es un defecto distinto de la evidencia ausente, y es el que sobrevive a una corrección de la calidad de recuperación.

Por qué siete décimas de centavo cambian el diseño, no solo la factura

El costo por token es la unidad equivocada para esta decisión, porque el costo de un agente proactivo escala con la cantidad de hilos que toca, no con la cantidad de preguntas que se le hacen. El propio gráfico de Deepnote lo ilustra de forma concreta: 7 USD por cada 1.000 tareas para GPT-6 Luna frente a 3.020 USD por cada 1.000 para Claude Fable 5.1. Con 2.500 hilos al mes, la misma cifra que usa el benchmark para Sol y Fable 5.2, la factura de Luna es de unos 17,50 USD.

Ese número es lo bastante pequeño como para cambiar lo que construyes. A 3 dólares por lectura, un agente proactivo tiene que ser selectivo antes de empezar: alguien tiene que decidir qué canales merece la pena vigilar, que es exactamente el juicio que se suponía que debía hacer el modelo. A menos de un centavo por lectura, puedes vigilarlo todo y dejar que el modelo haga el triaje, que es la única versión del producto que coincide con la propuesta.

También compra una segunda pasada. Ejecuta GPT-6 Luna sobre los 2.500 hilos por unos $17,50, haz que marque los cincuenta que parecen ambiguos y envíalos a Claude Sonnet 5.5 a $0,42 cada uno: $21 más, para un total cercano a $39 al mes. La versión totalmente Fable 5.1 de la misma cobertura cuesta $7.550. No se ha probado si ese híbrido realmente supera a Luna por sí solo —el benchmark ejecutó modelos, no harnesses, y Deepnote lo dice en sus limitaciones—, pero la aritmética es lo que hace que el experimento sea lo bastante asequible como para ejecutarlo.

La plomería llegó tres semanas antes

Una lectura barata por llamada es solo la mitad de lo que necesita un agente siempre activo; la otra mitad es una forma barata de plantear una pregunta concreta. El 22 de octubre de 2026, O​penAI sacó su Decisions API de la beta, y GPT-6 Luna es el único modelo que admite. El endpoint devuelve respuestas tipadas en lugar de prosa —la probabilidad de que una condición sea verdadera, una opción de una lista fija o una puntuación frente a niveles ordenados—, y O​penAI afirma que es unas diez veces más rápida que hacerle la misma pregunta al mismo modelo a través de la Responses API.

Para un vigilante de Slack, esa es la forma correcta. «¿Contradice este hilo la fecha de lanzamiento del mensaje fijado?» es un predicado, no un párrafo. La versión de disponibilidad general elevó el límite a 400 preguntas por solicitud, añadió almacenamiento en caché de prompts para el contexto compartido, permitió imágenes dentro de las instrucciones de preguntas individuales y aceptó datos estructurados directamente mediante una input_json parte de contenido. Una sola llamada ahora puede evaluar toda un día de actividad del canal frente a un conjunto fijo de evidencia en lugar de un mensaje a la vez.

Conviene saberlo antes de diseñar en torno a esto: el nuevo almacenamiento en caché se aplica a la evidencia compartida que envías, no a la tarifa de Luna, y los límites propios del modelo siguen aplicando: una ventana de contexto de 1.050.000 tokens, un máximo de entrada de 922.000, 128.000 de salida y una fecha de corte de conocimiento del 18 de mayo de 2026. La llamada a funciones en Chat Completions solo funciona con el esfuerzo de razonamiento establecido en none; cualquier cosa con herramientas integradas debe pasar por la Responses API.

Donde termina la evidencia

El benchmark es inusualmente franco sobre sus propios límites, y estos importan para cualquiera que esté a punto de poner un modelo frente a un equipo real.

• Cincuenta tareas, con algunas categorías que solo contienen entre cinco y ocho, por lo que las clasificaciones por categoría son tendencias más que ordenamientos.

• Una instantánea fija de la empresa en la que los compañeros de equipo nunca responden, que mide una sola contribución en lugar de un mes de contexto acumulado.

• Un único nivel de esfuerzo. Todos los modelos se ejecutaron en alto; no se probaron los ajustes inferiores ni superiores, y el valor predeterminado de Luna es medio, no alto.

• Solo Slack. El correo electrónico, los documentos y cualquier acción que vaya más allá de enviar un mensaje quedan fuera del alcance.

• Costes históricos, no cotizaciones en vivo. Las cifras por tarea son observaciones de la ejecución, así que un cambio de precio del proveedor las altera.

• No se probó ningún router. Deepnote aclara explícitamente que su recomendación de enrutamiento es una recomendación de diseño extrapolada a partir de los resultados del modelo.

También hay una tensión entre esa tabla y las mediciones independientes de velocidad. Deepnote cronometró a Luna en 50 segundos por situación con un esfuerzo alto. Artificial Analysis, ejecutándolo con el esfuerzo máximo, midió un tiempo hasta el primer token de respuesta de 79,33 segundos — un orden de magnitud peor que la mediana de su franja de precio. Ambas cifras pueden ser ciertas, ya que miden cosas distintas con configuraciones distintas, pero el par es una advertencia: la latencia percibida de un agente siempre activo la determina el ajuste de esfuerzo, y subirlo para perseguir los ceros cuesta segundos antes de costar dólares.

Desplegar un lector a este precio

La versión práctica de este benchmark es un pipeline de dos niveles, y es la razón por la que la diferencia de precio importa más que la diferencia de puntuación. GPT-6 Luna con esfuerzo bajo o medio se encarga de la lectura: cada hilo, cada canal, decisiones escritas a través de la Decisions API. Un umbral sobre esas decisiones eleva los casos ambiguos a un modelo más potente. El modelo caro pasa entonces a gestionar decenas de hilos al mes en lugar de miles, y su coste deja de ser una partida presupuestaria.

Ese pipeline es más fácil de ejecutar cuando ambos niveles están detrás de una sola clave. OrcaRouter expone GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 y más de 200 modelos adicionales a través de un único endpoint compatible con OpenAI, con 0 % de margen: se aplica el precio de lista del proveedor sin cambios, de modo que una rebaja de precio de un proveedor nos llega el mismo día en lugar de esperar a que un revendedor vuelva a fijar el precio. El DSL de enrutamiento combina los niveles en una sola llamada (primera pasada económica, escalar si se cumple una condición), la conmutación por error automática mantiene activo el monitor si un proveedor se degrada, y la fusión de modelos permite que un panel responda en conjunto cuando una sola clasificación es demasiado crítica como para confiarla a un único modelo. Nada de eso cambia las cifras anteriores; solo elimina el trabajo de integración entre ellas.

¿Qué movería este número?

Dos cosas dejarían obsoleto este artículo: un sucesor de GPT-6 Luna, o una segunda ejecución independiente del mismo benchmark con un conjunto de tareas más amplio. La primera es cuestión del calendario de OpenAI. La segunda ya está prometida: Deepnote dice que un panel de 50 tareas será sustituido por una muestra más grande en la próxima versión, y sus autores dejan claro que la tabla actual debe leerse como una primera medición y no como una clasificación.

Hasta entonces, la conclusión defendible es más acotada que la versión de la línea de tiempo y más útil. GPT-6 Luna es el primer modelo lo bastante barato como para que un agente proactivo pueda permitirse equivocarse sobre si mirar, y ese es un umbral real: la diferencia entre un producto que toma muestras de su empresa y otro que la lee. Todavía no es lo bastante fiable como para equivocarse sobre si hablar. La puntuación de silencio de cuatro sobre diez es la parte de la tabla en torno a la cual hay que diseñar: mantén barata la lectura, mantén la escritura restringida y coloca el modelo caro donde de verdad se toma la decisión de interrumpir.