
Claude Opus 5.5: el modelo de Anthropic para agentes de código y trabajo de conocimiento
Qué es Claude Opus 5.5, qué benchmarks publicó Anthropic y cómo leerlos, cuánto cuesta (4/20 dólares) y cuándo elegirlo. Datos al 15 de noviembre de 2026.
¿Qué es Claude Opus 5.5 y cuándo salió?
Es el modelo intermedio-alto de la familia: está por encima de Sonnet 5.5 y Haiku 5.5 en precio y por debajo de Fable 5.2. La guía de modelos de Anthropic dice que, si no sabes cuál usar, empieces con Opus 5.5 para la mayoría de los trabajos. Piensa antes de responder con razonamiento adaptativo que no se puede apagar (ver modelos de razonamiento).
| Dato | Valor |
|---|---|
| ID de API | claude-opus-5-5 |
| Lanzamiento | 22 de septiembre de 2026 |
| Contexto y salida | 1M de tokens de contexto; hasta 128K de salida |
| Precio | 4 dólares entrada / 20 dólares salida, 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?
La documentación lo describe para agentes de código autónomos que trabajan durante horas, refactorizaciones grandes, ingeniería de sistemas complejos, flujos con mucha visión y uso de computadora. También sirve para trabajo de conocimiento: leer mucho material, razonar y entregar un resultado.
Para quien diseña y programa con IA, encaja en agentes que editan un repositorio; para ver cómo trabaja uno, mira Claude Code. También puede revisar capturas de pantalla, porque acepta imágenes. Si tu uso es de conversación y escritura, mira Claude para diseñadores.
¿Qué benchmarks publicó y cómo se leen?
Estos puntajes los reporta Anthropic en el anuncio de Opus 5.5, con su propio arnés de pruebas y esfuerzo max, salvo Terminal-Bench 4.0 (xhigh). No son una medición independiente.
| Benchmark | Puntaje | Quién lo midió | Qué mide, según la fuente |
|---|---|---|---|
| Terminal-Bench 4.0 | 66.4 % con esfuerzo xhigh (error estándar de ±2.6 puntos) | Anthropic | Qué tan bien completa tareas profesionales complejas de varios pasos en una interfaz de línea de comandos |
| CursorBench 4.0 | 57.8 % con esfuerzo max (52.5 % con esfuerzo por defecto, medium) | Anthropic | Agentes de código en tareas ambiguas de varios archivos tomadas de sesiones reales de Cursor |
| FrontierCode v1.1 (Main) | 54.4 % | Anthropic | Si los cambios de código de un agente serían aceptados |
| GDPval-AA v2.1 | 1846 Elo | Anthropic | Trabajo profesional real en 44 ocupaciones |
| AutomationBench | 40.0 % | Zapier (evaluación de acceso anticipado, reportada por Anthropic) | Si un agente puede ejecutar flujos de negocio reales entre muchas aplicaciones conectadas (lo construyó Zapier) |
| OSWorld 2.1 (parcial) | 81.8 % | Anthropic | Qué tan bien un agente opera una computadora real en tareas largas de varios pasos (descripción de la página de Haiku 5.5) |
| Humanity’s Last Exam, con herramientas | 67.7 % | Anthropic | Conocimiento y razonamiento académico de nivel experto (descripción de la página de Haiku 5.5) |
Cómo leerlos:
- Mira el margen de error. Anthropic indica ±2.6 puntos en Terminal-Bench 4.0: una diferencia de uno o dos puntos entre modelos puede ser ruido.
- Mira el esfuerzo. En CursorBench 4.0 hay unos 5 puntos de diferencia entre el esfuerzo por defecto (
medium) ymax. Un puntaje sin su configuración no se puede reproducir. - Compara dentro de la misma tabla. En ese anuncio, Opus 5 sacó 52.3 % en Terminal-Bench 4.0 y Opus 5.5 sacó 66.4 %: es la misma prueba y el mismo laboratorio.
- No armes rankings contra otros laboratorios. Cada uno ejecuta sus pruebas a su manera.
- Tu caso manda. Mide con tus tareas; la guía está en 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:
- Entrada: 4 dólares. Salida: 20 dólares. Opus 5 costaba 5 / 25.
- Lectura de caché: 0,20 dólares. Escritura de caché de 5 minutos: 5 dólares.
- Procesamiento por lotes (Batch API): 50 % de descuento en entrada y salida.
- Modo rápido (hasta 2,5 veces más velocidad de generación): 8 dólares entrada / 40 dólares salida.
El contexto de 1M de tokens equivale a unas 555.000 palabras, según la documentación. Para entender las unidades, lee tokens, ventana de contexto y costo por token.
Ejemplo ilustrativo de cuenta: una tarea con 200.000 tokens de entrada y 20.000 de salida cuesta 0,80 + 0,40 = 1,20 dólares, y la mitad por lotes. El gasto real varía con lo que produzca el modelo. Con caché de prompts baja lo que repites.
¿Cuándo elegirlo y cuándo no?
Elígelo cuando:
- Quieres un solo modelo por defecto para código y trabajo de conocimiento y aún no sabes si necesitas más.
- Un agente tiene que trabajar por horas sobre un repositorio o una tarea con muchos archivos.
- La tarea combina texto e imágenes, como revisar pantallas o gráficos.
No lo elijas cuando:
- La tarea es de volumen alto y baja complejidad. Para clasificar, extraer o enrutar, Haiku 5.5 cuesta una fracción.
- Ya probaste Opus 5.5 con esfuerzo alto y no alcanza: Anthropic sugiere entonces Fable 5.2.
- Necesitas apagar el razonamiento: en Opus 5.5 no se puede.
Para ver las opciones de otros laboratorios, mira modelos de IA actuales.
Ejemplo
Ejemplo ilustrativo: un equipo de producto quiere que un agente migre los botones de un sistema de diseño a nuevos tokens de color en 60 archivos. Pasan al agente el archivo de instrucciones del repo y piden un cambio en tres archivos como prueba. Revisan el diff a mano y corren las pruebas visuales. Si el resultado es correcto, lanzan el resto en una rama aparte y revisan antes de aceptar.
Qué probar mañana: toma una tarea de código pequeña y repetible, córrela con Opus 5.5 en esfuerzo medium y luego en high, y compara el resultado, el tiempo y el costo. Así decides con datos propios cuál esfuerzo te conviene.
Errores comunes
- Usar Opus 5.5 para clasificar miles de textos cortos, donde Haiku 5.5 es mucho más barato.
- Dar por buena una cifra de benchmark sin mirar el margen de error ni el esfuerzo.
- Comparar los puntajes de Anthropic con los de otro laboratorio como si fueran el mismo examen.
- Aceptar el cambio de un agente sin leer el diff ni correr pruebas.
- Presupuestar sin volver a mirar los precios: cambian.