Elegir entre GPT-6 Astra y Claude Fable 5.1 no consiste en sumar puntos de benchmarks. La decisión empieza por tres preguntas: ¿puede tu cuenta llamar al modelo?, ¿pueden esos datos entrar en la ruta?, ¿cuánto cuesta obtener un resultado aceptado y no solo generar un intento?
A 4 de septiembre de 2026, ambos modelos publican la misma tarifa Standard por millón de tokens: 10 dólares de entrada y 50 de salida. Esa igualdad se rompe en cuanto aparecen caché, peticiones grandes, herramientas, reintentos o revisión humana.
Como primera hipótesis:
- GPT-6 Astra encaja mejor cuando pesan el uso del ordenador, las herramientas de Responses API, el control del nivel de razonamiento o la continuidad de un trabajo mientras otra llamada queda pendiente.
- Claude Fable 5.1 merece prioridad cuando un agente relee un prefijo grande, trabaja habitualmente por encima de 272K tokens de entrada o ya depende del ecosistema Claude y sus nubes compatibles.
- Ninguno debe sustituir tu ruta actual hasta superar una prueba con tus tareas. En esta semana de lanzamiento aún no existe una medida pública y neutral que convierta uno de ellos en ganador para todos los casos.
Primero comprueba qué puedes usar
OpenAI presentó GPT-6 Astra el 3 de septiembre y publica gpt-6-astra como identificador de API. El despliegue es gradual: empezó con organizaciones seleccionadas y se amplía durante los días siguientes a planes de pago, API y AWS. Que el modelo figure en la documentación no garantiza que esté habilitado en un proyecto concreto.
Anthropic lanzó claude-fable-5-1 el 1 de septiembre. Su ficha técnica lo marca como Active y latest y enumera Claude API, Amazon Bedrock, Claude Platform on AWS, Google Cloud y Microsoft Foundry. La disponibilidad comercial en una plataforma tampoco confirma la región, cuota o permiso de tu cuenta.
Haz una llamada mínima en la misma superficie que usarías en producción. Guarda el modelo solicitado y el devuelto, el estado HTTP, el motivo de finalización, los campos de uso y cualquier error de organización o región. Un anuncio, un selector visible y una respuesta válida son hechos distintos.
La letra pequeña separa dos precios aparentemente iguales
| Condición de API | GPT-6 Astra | Claude Fable 5.1 |
|---|---|---|
| Identificador | gpt-6-astra | claude-fable-5-1 |
| Ventana de contexto | 1.050.000 tokens | 1M tokens |
| Salida máxima | 128.000 tokens | 128K tokens |
| Entrada Standard | $10 / MTok | $10 / MTok |
| Salida Standard | $50 / MTok | $50 / MTok |
| Lectura de caché | $1 / MTok | $0,25 / MTok |
| Escritura de caché | $12,50 / MTok | $12,50 a 5 min; $20 a 1 h |
| Entrada larga | Por encima de 272K, toda la petición aplica 2x a input/cache y 1,5x a output | El contexto de 1M mantiene la tarifa estándar |
OpenAI detalla estas condiciones en la ficha de Astra. También publica Batch y Flex al 50 % de Standard y Fast al doble de la tarifa aplicable. Esas modalidades cambian la espera, el precio y, en algunos casos, la elegibilidad; no son el mismo producto con una etiqueta distinta.
Las cifras de Fable proceden de la tabla de precios de Claude y de su documentación de contexto. Un marketplace, una región de inferencia o un contrato empresarial puede aplicar otra cantidad. Además, cada proveedor tokeniza de forma diferente: mide el uso en las dos APIs y no copies un recuento de una a la otra.
Dos ejemplos convierten la tarifa en una decisión
Supongamos, solo para mostrar el cálculo, que ambos proveedores cuentan los mismos tokens. Un turno de agente reutiliza 250K tokens de caché, añade 10K de entrada y genera 5K de salida:
- Astra:
0,25 × $1 + 0,01 × $10 + 0,005 × $50 = $0,60. - Fable:
0,25 × $0,25 + 0,01 × $10 + 0,005 × $50 = $0,4125.
Falta la escritura inicial. Si el prefijo cambia en cada turno, esa ventaja de lectura pierde valor.
Con 300K tokens de entrada sin caché y 10K de salida, Astra supera su umbral: 0,30 × $20 + 0,01 × $75 = $6,75. Fable mantiene el precio Standard: 0,30 × $10 + 0,01 × $50 = $3,50.
No son facturas observadas. A cada ruta hay que añadir escrituras de caché, herramientas, intentos fallidos, impuestos, margen del marketplace y minutos de corrección. La unidad útil es esta:
coste por tarea aceptada = coste de todos los intentos / resultados aceptados
Si no hay ningún resultado aceptado, no inventes una media: registra el lote como fallido y detén esa ruta.
La integración también cambia
GPT-6 Astra admite low, medium, high, xhigh y max como niveles de razonamiento; no admite none. La guía de OpenAI indica que las herramientas deben usarse con Responses API y documenta llamadas asíncronas y cambios de instrucciones durante un trabajo en curso. Eso puede simplificar agentes que tienen varias dependencias o necesitan una intervención humana sin bloquear todo lo demás.
Claude Fable 5.1 usa adaptive thinking siempre activo y su valor predeterminado de API es high. Las notas de versión de Claude advierten que tool_choice con any o tool devuelve un error 400; auto y none siguen disponibles. Los bloques de thinking también tienen reglas cuando se modifica el historial o se cambia a un modelo anterior.
Por tanto, igualar la palabra «high» no iguala la prueba. Cada ruta conserva su protocolo nativo, pero debe recibir permisos equivalentes y la misma definición de resultado válido. Registra la configuración exacta para poder explicar una diferencia de coste, duración o fallo.
Los datos pueden vetar un modelo antes de medir su calidad
OpenAI afirma que Astra admite Zero Data Retention para clientes API elegibles. Hay que confirmarlo para el proyecto y endpoint reales.
Anthropic explica que Fable aplica por defecto una retención de 30 días. Existen arreglos específicos para empresas elegibles, pero no deben suponerse. La misma página describe salvaguardas capaces de enviar ciertas tareas a otro modelo Claude; una integración API debe observar el modelo efectivo y el resultado semántico, no solo el código HTTP.
Si el código, los documentos de clientes o los datos regulados no pueden entrar en esa política, Fable queda descartado para esa tarea. Si sí pueden entrar, todavía falta demostrar que el resultado cumple los criterios de calidad y coste.
Por qué las tablas de lanzamiento no dictan la respuesta
La página de OpenAI publica filas directas para Astra y Fable. En su configuración, Astra obtiene 57,9 % frente a 55,8 % en Terminal-Bench 4.0 y 41,4 % frente a 31,4 % en AutomationBench. Fable aparece por delante en Humanity's Last Exam con herramientas, 65,0 % frente a 57,2 %, y en el Artificial Analysis Intelligence Index mostrado, 65,7 frente a 61,2.
La propia página aclara que usa el máximo de cada nivel de razonamiento y documenta diferencias de harness, fallback y salvaguardas. El anuncio de Fable 5.1 contiene otra evaluación del proveedor, también condicionada por su configuración. Ninguna es un torneo independiente con tu repositorio, herramientas y regla de éxito.
Un benchmark sirve para decidir qué tarea incluir en la prueba. No sirve para omitirla ni para promediar dominios sin relación en una puntuación casera.
Diseña una comparación que pueda llevarte la contraria
Elige pocas tareas reales y caras: por ejemplo, una reparación en varios archivos con tests, una síntesis documental con citas verificables y un flujo de varias herramientas con un fallo recuperable. Repite lo suficiente para detectar una variación obvia, sin gastar hasta que gane tu favorito.
Fija antes de empezar:
- El commit, documentos o snapshot inicial y la misma petición.
- Herramientas y permisos equivalentes, presupuesto de tiempo y ayuda humana.
- La configuración nativa de razonamiento y el máximo de reintentos.
- Un criterio que pueda fallar: tests, conciliación numérica, fuentes correctas, alcance del cambio o resultado de negocio.
- Un entorno limpio por ejecución; el segundo modelo no debe recibir el parche ni las pistas del primero.
Mide tasa de aceptación, aceptación al primer intento, tiempo total y cola, tokens de entrada/caché/salida, errores de herramientas, refusals o fallback, minutos de revisión y gasto de todos los intentos. Atribuye una finalización al modelo efectivo, aunque el fallback haya sido útil.
Termina cuando una opción incumpla una condición obligatoria, se agote el presupuesto predefinido o la diferencia estable sea suficiente para actuar. Si sigues ejecutando solo para rescatar al favorito, ya no estás evaluando.
Una selección por rutas suele ser más honesta
No siempre hace falta un único modelo. Astra puede quedarse con las tareas de computer use o una pila ya basada en Responses; Fable puede recibir prefijos muy reutilizados y entradas largas. Mantener dos integraciones solo compensa cuando esa especialización supera el coste operativo añadido.
Promueve una opción cuando se cumplen cuatro condiciones: la cuenta puede llamarla, el tratamiento de datos permite la tarea, los resultados repetidos superan la aceptación y el coste por resultado cabe en el presupuesto. Conserva el modelo actual o un fallback probado hasta verificar el rollback.
Si ya usas Fable 5, la guía específica de migración y caché de Claude Fable 5.1 cubre sus cambios de API. Para la elección entre proveedores, la regla duradera es otra: confirma el acceso, calcula el trabajo completo, ejecuta la misma prueba y deja que tu carga real—no el titular del día—decida.
