# Claude Haiku 5.5: el modelo pequeño y barato de Anthropic para alto volumen y subagentes

> Qué es Claude Haiku 5.5, sus benchmarks según Anthropic y cómo leerlos, cuánto cuesta (desde 0,10/0,50 dólares) y cuándo elegirlo. Datos al 15 de nov. de 2026.

*Tags: ia, modelos, anthropic, bajo-costo, subagentes*

---


> [!info] Definición Rápida
> **Claude Haiku 5.5** es el modelo pequeño de la familia Claude 5.5 de Anthropic, el más económico y el de menor latencia comparativa, lanzado el 7 de octubre de 2026. Está pensado para trabajo de alto volumen y baja latencia, como clasificar, extraer datos, enrutar solicitudes y ejecutar subagentes.


## ¿Qué es Claude Haiku 5.5 y cuándo salió?

Es la opción económica de la familia, junto a [[claude-opus-5-5|Opus 5.5]], Sonnet 5.5 y [[claude-fable-5-2|Fable 5.2]]. La documentación lo ubica como el de menor latencia comparativa. Es un ejemplo claro de lo que se discute en [[modelos-pequenos-vs-grandes|modelos pequeños vs grandes]]: menos costo y más velocidad a cambio de menos capacidad en tareas difíciles.

| Dato | Valor |
|---|---|
| ID de API | `claude-haiku-5-5` |
| Lanzamiento | 7 de octubre de 2026 |
| Contexto y salida | 1M de tokens de contexto; hasta 128K de salida |
| Precio | 0,10 dólares entrada / 0,50 salida hasta 100.000 tokens de prompt; 0,50 / 2,50 por encima (por millón de tokens) |
| Entrada y salida | Texto e imágenes, y responde en texto |
| Corte de conocimiento | Junio de 2026 |
| Esfuerzo por defecto | `medium` |
| Abierto o cerrado | Cerrado: se usa por la API y plataformas en la nube |

## ¿Para qué sirve?

Anthropic lo describe para trabajo de alto volumen y sensible al costo: resúmenes, compactación de contexto, consultas a bases de datos y clasificación. También como subagente junto a Opus 5.5 y Sonnet 5.5 en tareas de código, y para tareas sensibles a la velocidad, como atención al cliente en vivo y uso de un navegador. La documentación añade extracción y enrutamiento.

Un [[subagentes|subagente]] es un agente secundario al que un agente principal le delega una parte del trabajo. Por eso encaja: el modelo grande planifica y el pequeño ejecuta miles de pasos repetitivos a bajo costo.

## ¿Qué benchmarks publicó y cómo se leen?

Estos puntajes los reporta Anthropic en el anuncio de Haiku 5.5, con su propio arnés de pruebas. No son una medición independiente.

| Benchmark | Puntaje | Quién lo midió | Qué mide, según la fuente |
|---|---|---|---|
| Terminal-Bench 4.0 | 39.2 % | Anthropic | Qué tan bien completa tareas profesionales complejas de varios pasos en una interfaz de línea de comandos |
| OSWorld 2.1 (subconjunto sin conexión) | 72.4 % | Anthropic | Qué tan bien un agente opera una computadora real en tareas largas de varios pasos |
| Humanity's Last Exam, sin herramientas | 45.9 % | Anthropic | Conocimiento y razonamiento académico de nivel experto |
| Humanity's Last Exam, con herramientas | 57.4 % | Anthropic | Lo mismo, con herramientas disponibles |
| GDPval-AA v2.1 | 1620 Elo | Anthropic | Trabajo profesional real en 44 ocupaciones |
| FrontierCode 1.1 (Main) | 46.4 % | Anthropic | La página no lo describe |

Cómo leerlos:

- **Compara con la versión anterior, en la misma tabla.** Anthropic reporta Terminal-Bench 4.0 en 0.0 % para Haiku 4.5 y 39.2 % para Haiku 5.5, y OSWorld 2.1 en 15.7 % y 72.4 %. Es la misma prueba, el mismo laboratorio.
- **Fíjate en las variantes.** Humanity's Last Exam aparece con y sin herramientas, y los puntajes difieren por más de 10 puntos. Un número sin su variante no es comparable.
- **No armes rankings contra otros laboratorios.** La página de Anthropic pone otros modelos en sus comparaciones (por ejemplo GPT-6 Luna), pero un puntaje de otro laboratorio no se midió con el mismo arnés.
- **Un modelo pequeño se mide con tu tarea.** Para clasificar o extraer, lo que importa es la tasa de acierto en tus datos, no un examen general. La guía está en [[benchmarks-de-ia|cómo leer benchmarks de IA]].

## ¿Cuánto cuesta y qué contexto tiene?

A 15 de noviembre de 2026, la documentación de Anthropic lista estos precios por millón de tokens:

| Longitud del prompt | Entrada | Salida | Lectura de caché |
|---|---|---|---|
| Hasta 100.000 tokens | 0,10 dólares | 0,50 dólares | 0,01 dólares |
| Más de 100.000 tokens | 0,50 dólares | 2,50 dólares | 0,05 dólares |

El procesamiento por lotes (Batch API) tiene 50 % de descuento. La página de precios aclara que el largo del prompt cuenta todos los tokens de entrada, incluidas lecturas y escrituras de caché, y que cada solicitud se cobra por separado. Un prompt de 150.000 tokens paga todo a la tarifa alta.

Dos detalles para comparar con Haiku 4.5 (1 / 5 dólares): Anthropic dice que Haiku 5.5 cuesta cerca de 75 % menos en promedio (90 % menos hasta 100.000 tokens de prompt y 50 % menos por encima), y que ese cálculo ya incluye que el tokenizador nuevo usa algo más de tokens por tarea. Su documentación precisa que el mismo texto cuenta unos 30 % más de tokens que en Haiku 4.5. Para entender las unidades, lee [[tokens|tokens]], [[ventana-de-contexto|ventana de contexto]] y [[costo-por-token|costo por token]].

Ejemplo ilustrativo de cuenta: clasificar 10.000 tickets, cada uno con 2.000 tokens de entrada y 300 de salida, son 20 millones de tokens de entrada y 3 millones de salida: 2,00 + 1,50 = 3,50 dólares (1,75 por lotes). El mismo trabajo con Opus 5.5, a 4 / 20 dólares, costaría 80 + 60 = 140 dólares. El gasto real varía con lo que genere el modelo.

## ¿Cuándo elegirlo y cuándo no?

Elígelo cuando:

- Tienes miles de tareas repetitivas y simples: clasificar, extraer campos, enrutar o resumir.
- La latencia importa, como en un asistente en vivo.
- Quieres subagentes baratos bajo un modelo más capaz.

No lo elijas cuando:

- La tarea exige razonamiento difícil o cambios de código complejos: ahí van [[claude-opus-5-5|Opus 5.5]] o [[claude-fable-5-2|Fable 5.2]].
- Un error cuesta mucho y no hay verificación posterior.
- Tus prompts superan los 100.000 tokens de forma habitual: pagarás la tarifa alta.

Para ver opciones de otros laboratorios, mira [[modelos-de-ia-actuales|modelos de IA actuales]].

## Ejemplo

Ejemplo ilustrativo: un equipo de producto recibe 5.000 comentarios de usuarios al mes y quiere etiquetar cada uno como "error", "pedido de función" o "pregunta". Toman 100 comentarios, los etiquetan a mano y corren la misma lista con Haiku 5.5. Cuentan los aciertos y revisan los fallos. Si la tasa es aceptable, procesan el resto por lotes, y mandan a una persona los casos dudosos.

Qué probar mañana: arma una lista de 50 casos de tu producto con la etiqueta correcta, córrela en Haiku 5.5 y en Opus 5.5 con el mismo prompt, y compara aciertos y costo. Si la diferencia es pequeña, ahorras con el modelo barato.

## Errores comunes

- Elegir Haiku por precio sin medir los aciertos con tus propios datos.
- Pasar prompts de más de 100.000 tokens sin darse cuenta de que cambia la tarifa.
- Comparar el costo con Haiku 4.5 sin considerar que el tokenizador cuenta más tokens.
- Usar un puntaje general como garantía para una tarea específica.
- Dejar que decida sin revisión humana en casos de alto riesgo.

## Fuentes

- [Anthropic: presentación de Claude Haiku 5.5](https://www.anthropic.com/news/claude-haiku-5-5)
- [Documentación: Claude Haiku 5.5](https://platform.claude.com/docs/en/models/haiku-5-5/overview)
- [Documentación: visión general de los modelos Claude](https://platform.claude.com/docs/en/about-claude/models/overview)
- [Documentación: precios](https://platform.claude.com/docs/en/about-claude/pricing)


---

Source: https://www.fernandoux.com/es/wiki/ia/claude-haiku-5-5/
