Clasificar diez mil mensajes de clientes y reorganizar una aplicación que lleva años creciendo pueden parecer dos encargos para Claude. Lo son. Pero sería extraño esperar que ambos necesiten el mismo modelo, el mismo tiempo de respuesta y el mismo presupuesto.
La elección empieza ahí: en el trabajo concreto. Un equipo puede gastar de más al usar su modelo más potente para cualquier cosa, o perder horas corrigiendo resultados de uno que se queda corto. Y entre esos dos errores hay bastante margen para trabajar mejor.
Anthropic recomienda Opus 5.5 como punto de partida para la mayoría de las tareas de programación y trabajo de conocimiento. Su documentación también contempla empezar con Haiku en aplicaciones sencillas, sensibles al coste o de gran volumen. Las dos recomendaciones son compatibles: resuelven problemas distintos. Esta guía explica cómo llevarlas a una decisión práctica, con ejemplos de uso, precios de API y una prueba que puedes reproducir con tus propios datos.
En el artículo anterior sobre Fable 5.2 y Mythos 5.2 revisé el lanzamiento y sus implicaciones. Aquí el foco cambia: qué modelo probar primero, cuándo conviene cambiarlo y qué deberías comprobar antes de darle acceso a tu trabajo. Las capacidades y tarifas citadas corresponden a documentación oficial consultada el 15 de noviembre de 2026; los ejemplos de aplicación y el método de evaluación que propongo son orientaciones, no resultados de una prueba propia.
Antes del modelo, define qué significa terminar bien
«Necesito una IA para atención al cliente» dice muy poco. Puede significar clasificar solicitudes, buscar una respuesta en una base documental, redactar un borrador, enviar una contestación o autorizar una devolución. Cada paso tiene exigencias diferentes y, sobre todo, consecuencias diferentes.
Una definición útil sería: recibir el mensaje, extraer el número de pedido cuando exista, clasificar el motivo entre las categorías permitidas y entregar un resultado estructurado. Si falta información, debe indicarlo. Si aparece una reclamación delicada, la envía a revisión. Esa descripción permite comparar modelos; la primera apenas permite comparar promesas.
Antes de probar, deja por escrito:
- Resultado esperado: un dato extraído, una respuesta respaldada, un documento terminado o código que supera unas pruebas.
- Ambigüedad y alcance: cuánto está definido y cuántas decisiones habrá que resolver durante el trabajo.
- Tiempo disponible: si alguien espera una respuesta inmediata o el procesamiento puede terminar más tarde.
- Volumen: si hablamos de una consulta ocasional o de una operación que se repetirá miles de veces.
- Consecuencia del error: qué puede salir mal, quién lo detecta y cuánto costaría corregirlo.
Con eso puedes decidir qué medir. Una respuesta elegante no compensa una categoría incorrecta en tu CRM, y un resumen convincente no sirve si atribuye al contrato una cláusula que nunca estuvo allí.
Qué modelo Claude probar primero
La guía oficial de selección y el catálogo de modelos permiten ordenar la familia por tipos de trabajo, aunque no establecen fronteras exclusivas. Son puntos de partida que debes contrastar con tus casos.
Opus 5.5: cuando el trabajo exige criterio y contexto
Anthropic lo presenta como su referencia cotidiana para programación y trabajo de conocimiento, incluidos agentes que trabajan durante periodos largos. Tiene sentido empezar aquí cuando aún no sabes qué capacidad requiere una tarea compleja: te permite comprobar primero si el enfoque funciona y después buscar una ejecución más eficiente.
Piensa en analizar información comercial con excepciones, revisar una aplicación con varios componentes o preparar un documento que deba mantener coherencia entre fuentes. La dificultad suele estar en relacionar elementos y decidir qué importa, no en producir mucho texto.
Para una revisión y marcado de cambios en contratos, por ejemplo, podrías probar Opus con instrucciones claras, un conjunto documental delimitado y una revisión jurídica posterior. Es un ejemplo de uso posible, no una garantía de precisión legal. El modelo puede ayudar a comparar versiones y señalar diferencias; la responsabilidad profesional sigue donde estaba.
Si consigue buenos resultados, prueba luego Sonnet con el mismo conjunto de evaluación. Puede que una parte importante del trabajo no necesite Opus. Si falla, comprueba antes si tenía los documentos correctos, si la instrucción era suficiente y si sus herramientas funcionaban.
Sonnet 5.5: tareas bien definidas con necesidad de agilidad
La documentación lo sitúa como una combinación de velocidad y capacidad para programación, agentes y trabajo empresarial. Es un candidato razonable para tareas donde ya has acotado el proceso y necesitas una respuesta ágil: generar código para un componente definido, analizar datos con un objetivo concreto o redactar a partir de información y criterios establecidos.
En una propuesta comercial, por ejemplo, el equipo podría proporcionarle alcance, condiciones aprobadas y estructura. Sonnet prepararía el borrador y una persona comprobaría importes, exclusiones y compromisos. Si tiene que resolver contradicciones entre varias fuentes o interpretar un alcance ambiguo, conviene comparar también con Opus.
«Bien definido» no significa fácil. Significa que puedes describir la tarea y reconocer una salida correcta. Esa claridad ayuda a aprovechar un modelo rápido sin pedirle que complete con suposiciones lo que el proceso no decidió.
Haiku 5.5: volumen, clasificación y extracción
Anthropic orienta Haiku a tareas sensibles a la latencia y de alto volumen, como clasificar, extraer información y dirigir solicitudes al proceso adecuado. Es el candidato inicial más claro para una automatización que recibe muchos elementos similares y devuelve una salida breve y comprobable.
Algunos ejemplos: detectar el motivo de una consulta, extraer campos de un formulario, identificar el idioma o separar solicitudes comerciales de incidencias. La integración debería validar el formato y rechazar valores fuera del esquema, aunque la respuesta parezca razonable.
Antes de procesar toda una base, prueba mensajes incompletos, negaciones y casos sin categoría válida. Necesitas una salida de «no puedo decidir con esta información» y una ruta de revisión.
La API es especialmente útil para este tipo de procesamiento, pero no confundas la tarifa de API con lo que incluye una suscripción de Claude. Más adelante veremos esa diferencia.
Fable 5.2: trabajos abiertos y difíciles que requieren sostener un proyecto
Según Anthropic, Fable está diseñado para razonamiento exigente y trabajo con agentes de largo recorrido. La guía oficial propone pasar a él cuando Opus, incluso con un esfuerzo de razonamiento elevado, sigue sin alcanzar los resultados necesarios.
La señal práctica puede ser una migración que afecta a muchos componentes, una investigación con varias etapas o un encargo donde hay que revisar el plan a medida que aparecen obstáculos. Una pregunta corta puede esconder ese nivel de dificultad. A la inversa, un documento largo puede requerir únicamente una extracción bastante mecánica.
No tiene sentido reservar Fable para cualquier archivo grande ni elegirlo porque el encargo lleva la palabra «estratégico». Si lo pruebas, concreta qué mejora buscas: resolver una dependencia que otro modelo no detectó, mantener consistencia durante una secuencia larga o reducir intervenciones necesarias para completar el proyecto.
Mythos 5.2: una cuestión de acceso y salvaguardas
Aquí conviene evitar una interpretación frecuente: Mythos no es simplemente el siguiente peldaño por encima de Fable. Anthropic afirma que comparten el mismo modelo subyacente. Fable incorpora salvaguardas reforzadas de ciberseguridad y biología que permiten una disponibilidad amplia; el acceso a Mythos pasa por programas de verificación para organizaciones con aplicaciones autorizadas en esos ámbitos.
Si tu trabajo es ciberseguridad avanzada o investigación biomédica, revisa elegibilidad y condiciones. Anthropic advierte que las salvaguardas de Fable bloquean la mayoría de tareas relacionadas con ciberseguridad. Eso tampoco convierte a Mythos en la opción necesaria para cualquier consulta del ámbito ni implica que una cuenta de pago corriente lo tenga disponible por defecto.
Además, la autorización del proveedor para acceder al modelo y tu autorización para trabajar sobre un sistema o unos datos son cosas distintas. Disponer de una herramienta nunca acredita permiso para usarla contra terceros.
La guía visual sirve para orientarte, con algunos matices
La siguiente imagen resume estas recomendaciones con ejemplos de tareas. La reproduzco completa como apoyo visual. La captura recibida no incluye una fuente, autor o fecha verificables, así que no la presento como una publicación oficial de Anthropic. Las afirmaciones de este artículo se contrastaron con la documentación enlazada.
Lo importante es no leer los ejemplos como compartimentos cerrados. Todos los modelos actuales del catálogo admiten texto e imágenes de entrada, generan texto y pueden usar herramientas. Que Haiku se recomiende para clasificación no significa que los demás no puedan clasificar; significa que merece la pena comprobar si resuelve esa tarea con el coste y la velocidad adecuados.
El catálogo indica ventanas de contexto de hasta un millón de tokens y un máximo de salida de 128.000 para estas versiones. Eso no garantiza que el modelo relacione correctamente cualquier dato de un expediente enorme, ni sustituye los límites de tu cuenta o integración.
Alcance y permisos: elegir bien el modelo no termina la decisión
Supongamos que Claude analiza correos y prepara respuestas. Puedes permitirle leer una carpeta concreta y guardar borradores. Si además puede enviar mensajes, actualizar contactos y borrar archivos, el riesgo del mismo encargo cambia aunque mantengas el modelo.
Para empezar, limitaría la lectura a los datos necesarios y mantendría las acciones externas sujetas a revisión. Un agente de soporte puede proponer una devolución sin ejecutarla. Un agente de programación puede preparar un cambio y correr pruebas sin desplegarlo en producción. La ampliación de permisos debería responder a evidencia de funcionamiento, con registros y posibilidad de revertir las acciones.
Comprueba también qué datos puedes enviar al proveedor. Contratos confidenciales, información de pacientes o datos personales requieren revisar condiciones, retención y obligaciones aplicables. Una organización con requisitos especiales debe confirmar las condiciones que realmente le corresponden.
También debes probar la compatibilidad antes de cambiar de modelo en una automatización existente. Anthropic documenta cambios en el razonamiento, uso de herramientas e historial de conversación para estas versiones. Sustituir un identificador puede ser fácil; conservar el comportamiento esperado necesita pruebas. Presta especial atención si mueves una conversación entre modelos o modificas mensajes anteriores.
Cuánto cuestan: precios de API y un ejemplo comparable
Estas son las tarifas base publicadas para la API de Claude, en dólares por millón de tokens. El precio de entrada se aplica a lo que recibe el modelo y el de salida a lo que genera, según las reglas de facturación. No son precios de suscripción de la aplicación ni presupuestos cerrados para un agente.
- Haiku 5.5: 0,10 USD de entrada y 0,50 USD de salida para solicitudes con hasta 100.000 tokens de entrada. Si el prompt supera ese umbral, las tarifas son 0,50 USD y 2,50 USD, respectivamente.
- Sonnet 5.5: 2 USD de entrada y 10 USD de salida.
- Opus 5.5: 4 USD de entrada y 20 USD de salida.
- Fable 5.2 y Mythos 5.2: 8 USD de entrada y 40 USD de salida, con las condiciones de acceso ya indicadas para Mythos.
Un supuesto sencillo ayuda a ver la diferencia. Imagina 10.000 solicitudes independientes, cada una con 1.200 tokens facturables de entrada y 200 de salida. Sin caché, procesamiento por lotes, modo rápido, herramientas adicionales, impuestos ni otros modificadores, el coste de tokens sería:
- Haiku 5.5: 2,20 USD.
- Sonnet 5.5: 44 USD.
- Opus 5.5: 88 USD.
- Fable 5.2: 176 USD.
El cálculo multiplica los tokens de entrada y salida por sus respectivas tarifas y suma ambos importes. Son números ilustrativos bajo un consumo idéntico impuesto para comparar precios. No son una medición de consumo ni de rendimiento: en una tarea real los modelos pueden generar cantidades distintas, usar razonamiento facturable, realizar varias llamadas o necesitar reintentos. No debes interpretar «200 tokens de salida» como una predicción para tu automatización.
La diferencia justifica probar Haiku en tareas repetitivas. Pero todavía falta saber si los resultados sirven. Si un modelo barato obliga a revisar o repetir mucho más trabajo, el ahorro de tokens puede desaparecer. Y si otro más caro termina una tarea difícil con menos pasos, la tarifa por millón de tokens cuenta solo una parte de la historia.
Suscripción, velocidad y ahorro: detalles que cambian la cuenta
En Claude como aplicación, tu experiencia depende del plan, los modelos habilitados y sus límites de uso. En una integración por API, la cuenta depende del consumo y de los servicios utilizados. Conviene presupuestar cada vía por separado y verificar en la cuenta concreta qué está disponible. Una tarifa atractiva en la documentación no implica que puedas seleccionar ese modelo en cualquier interfaz.
Para ajustar una implementación, revisaría estos puntos antes de cambiar toda la arquitectura:
- Esfuerzo de razonamiento: la guía oficial recomienda ajustarlo según las evaluaciones. Puede cambiar el equilibrio entre calidad, tiempo y coste dentro del mismo modelo. Empieza con el valor predeterminado de tu producto o API y registra el que realmente usas; no asumas que todas las interfaces tienen el mismo ajuste.
- Caché de prompts: puede reducir el coste de volver a procesar instrucciones o documentos compartidos. Tiene tarifas de escritura, lectura y duración; el ahorro depende de que haya reutilización efectiva.
- Procesamiento por lotes: la Batch API ofrece un descuento del 50 % en tokens de entrada y salida para procesamiento asíncrono. Tiene sentido cuando el resultado puede esperar, no cuando alguien necesita una respuesta durante una conversación.
- Modo rápido: Anthropic anuncia hasta 2,5 veces más velocidad de generación en los modelos compatibles, con precio superior. Para Fable 5.2 y Mythos 5.2 publica 16 USD de entrada y 80 USD de salida por millón de tokens. No equivale a garantizar que un proyecto completo termine 2,5 veces antes.
- Herramientas y contexto: búsquedas, ejecución de código, historial y llamadas adicionales pueden afectar a la factura. Cuenta el proceso completo, incluidos los fallos y reintentos.
Hay que distinguir además velocidad de respuesta y capacidad de procesar volumen. Un modelo puede responder rápido en una prueba individual y encontrarse después con límites de solicitudes o de tokens de tu cuenta cuando llegan muchos usuarios. Prueba con una carga parecida a la esperada y revisa los límites vigentes; el máximo de contexto no te dice cuántas operaciones simultáneas podrás sostener.
Si usas un proveedor cloud, revisa sus tarifas: pueden ser distintas. Los requisitos de ubicación del procesamiento también pueden introducir modificadores.
Una prueba pequeña para elegir con evidencia
No necesitas empezar por un gran estudio. Sí necesitas algo mejor que una conversación que salió bien. Propongo este procedimiento inicial; el tamaño de la muestra y los criterios son una recomendación práctica, no una validación estadística ni una certificación de seguridad.
- Reúne entre 30 y 50 casos representativos. Incluye ejemplos habituales, ambiguos, incompletos y casos que deban rechazarse o enviarse a una persona. Usa datos que tengas permiso de procesar y retira información sensible innecesaria.
- Define la respuesta aceptable antes de ejecutar. Para extracción, campos correctos y ausencia de datos inventados. Para documentos, exactitud, cobertura y fuentes. Para código, pruebas y revisión del cambio. Establece aparte los errores que no puedes tolerar.
- Compara dos candidatos pertinentes. Haiku y Sonnet para clasificación o extracción; Sonnet y Opus para trabajo más elaborado; Opus y Fable cuando hay una dificultad concreta que justifica la comparación. No hace falta probar toda la familia.
- Controla las condiciones. Conserva los mismos datos, permisos y herramientas. Registra el identificador del modelo, instrucciones, esfuerzo, fecha y ajustes. Si adaptas los prompts a cada modelo, documenta las diferencias.
- Mide el recorrido completo. Resultado aceptado, errores críticos, tiempo hasta terminar, consumo facturable, reintentos y minutos de revisión humana. En tareas con acciones, verifica también qué hizo realmente.
- Reserva casos que no usaste para ajustar. Después de corregir instrucciones, prueba con ejemplos nuevos y repite los casos delicados. Así reduces la posibilidad de haber afinado el sistema únicamente para la muestra inicial.
Con esos datos puedes calcular un indicador sencillo: coste del proceso dividido por resultados aceptados. Para que la comparación tenga sentido, incluye el coste de todos los intentos y aplica el mismo criterio de aceptación. Si valoras tiempo humano, explica cómo lo convertiste a dinero en lugar de esconderlo dentro de una cifra aparentemente exacta.
Un promedio favorable no compensa un error crítico. En una tarea jurídica, médica, financiera o con acceso a producción, esta prueba inicial es solo el comienzo: necesitarás controles y validación acordes con el riesgo, además de profesionales responsables.
Cuándo tiene sentido combinar modelos
Una vez que conoces el comportamiento de cada parte, puedes repartir el trabajo. Por ejemplo: Haiku clasifica una solicitud y extrae campos, Sonnet prepara un borrador con información aprobada y los casos que incumplen reglas pasan a una revisión con Opus o a una persona.
La ruta de escalado debe apoyarse en señales comprobables: falta una fuente, el resultado no cumple el esquema, hay importes contradictorios, una prueba falla o la tarea sale del alcance autorizado. Preguntar al modelo cuánta confianza tiene puede aportar información, pero no sustituye esos controles.
También puedes encargar el plan a un modelo más capaz y delegar tareas acotadas a otros más económicos. La documentación oficial describe ambas estrategias. Compara su coste y sus fallos con una alternativa sencilla antes de añadir esa coordinación.
Si hoy tuviera que organizar la primera prueba de un equipo, separaría dos trabajos reales: uno repetitivo y otro donde haga falta interpretar o decidir. Probaría Haiku frente a Sonnet en el primero y Sonnet frente a Opus en el segundo. Dejaría Fable para una limitación concreta que los resultados ayuden a identificar, y Mythos para un ámbito autorizado que realmente lo requiera.
Guarda esa evaluación junto a la automatización. Cuando cambies de versión, de instrucciones o de herramientas, vuelve a ejecutarla antes de ampliar el uso.
Fuentes y referencias
Documentación consultada el 15 de noviembre de 2026. Las recomendaciones de producto y capacidades se atribuyen a Anthropic; los escenarios, el ejemplo económico y el procedimiento de prueba son elaboración editorial y no representan una evaluación independiente de estos modelos.
- Anthropic: Claude Fable 5.2 y Mythos 5.2. Relación entre ambos, salvaguardas, acceso, disponibilidad y modo rápido.
- Claude Platform: catálogo y comparación de modelos. Posicionamiento, modalidades de entrada y salida, contexto y límites de generación.
- Claude Platform: cómo elegir un modelo. Enfoques de selección, esfuerzo, evaluación y combinación de modelos.
- Claude Platform: precios. Tarifas base, umbral de Haiku, caché, procesamiento por lotes y modo rápido. Consulta esta página antes de presupuestar.
- Sergio.ec: artículo anterior sobre Fable 5.2 y Mythos 5.2. Contexto del lanzamiento y lectura complementaria.
Créditos visuales: captura intermedia aportada para el artículo, sin autoría ni fecha verificadas. Portada e ilustración de evaluación generadas con GPT Image 2.6 Sunburst. Wordmark de Anthropic obtenido de su web oficial e incorporado a la portada para identificar el tema; su presencia no implica patrocinio ni aprobación de la compañía.
