OpenAI lanzó GPT-5.5 Instant como el nuevo modelo default de ChatGPT el martes por la tarde, el día antes de que Anthropic abriera Code with Claude SF. El tweet de lanzamiento llegó a 8.056 likes en las primeras seis horas. La parte interesante no es la copy de marketing — es que este es el primer release de OpenAI que pone una promesa explícita de reducción de hallucinations sobre la mesa para tres verticales específicos: derecho, medicina y finanzas. Sonnet 4.6 de Anthropic ha sido la alternativa anclada en costo para esas cargas durante dos trimestres. Así que la pregunta que cada manager de ingeniería va a recibir esta semana es la misma: qué modelo, en qué surface, para qué carga, este trimestre.
Esto es un comparativo de cinco dimensiones, escrito para la gente que hace el routing — no para la gente que hace el marketing. Sin framing de “duelo de IAs”. La matriz de decisión al final es lo que tu canal de Slack va a terminar usando.
Lo que cambió de verdad el martes
GPT-5.5 Instant es el nuevo modelo default de ChatGPT, reemplazando a GPT-5.3 Instant. El número que importa: en evaluaciones internas de OpenAI, GPT-5.5 Instant produjo 52,5 % menos claims alucinados que GPT-5.3 Instant en prompts de alto riesgo cubriendo medicina, derecho y finanzas, más una reducción del 37,3 % en claims inexactos en conversaciones que los usuarios habían marcado previamente por errores factuales. Las respuestas también son alrededor de un 30 % más cortas y un 29 % menos líneas — OpenAI tunneó explícitamente para output conciso en lugar del muro de bullets-y-emoji que se había vuelto el default de GPT-5.3 Instant. La latencia se queda en el mismo tier; esto no es un modelo de razonamiento, es el tier rápido con retrieval más afilado y menos hedges.
El modelo está disponible inmediatamente para todos los usuarios de ChatGPT (Plus y Pro lo tienen primero en web, móvil después, Free/Business/Enterprise después de eso) y vía API como chat-latest. GPT-5.3 Instant sigue accesible para usuarios pagos durante tres meses más como fallback durante reconstrucciones de evals. La función memory-and-Gmail que aterrizó junto al modelo — “memory sources” que dejan al modelo citar chats pasados, archivos y mensajes de Gmail por referencia — es la historia de policy layer en la que los equipos de IT van a pasar el resto de la semana.
Para nuestros propósitos hoy, estamos routeando cargas. El modelo vive en un tier. Compáralo con Claude Sonnet 4.6 a través de las cinco dimensiones que de verdad mueven la decisión de routing.
La decisión de routing en cinco dimensiones
Dimensión 1 — Pricing
Claude Sonnet 4.6 cotiza a 3 USD por millón de tokens de input y 15 USD por millón de tokens de output. GPT-5.5 standard (el hermano más grande, accesible vía API para rutas no-Instant) cotiza a 5 USD input / 30 USD output. Sonnet 4.6 es 1,9× más barato por token a volúmenes equivalentes. La ventana de contexto de Sonnet 4.6 de 200K es suficiente para la mayoría de cargas agéntica; los 1,1M de GPT-5.5 son una palanca real solo cuando estás routeando cargas de documentos muy largos.
Para un equipo corriendo dos millones de tokens de output por día a través de una flota de agentes, eso es un delta de 30 USD/día solo en output — pequeño por día, unos 11.000 USD al año antes de crecimiento de tráfico. El pricing es la variable más predecible en este comparativo y la que se compone.
GPT-5.5 Instant específicamente — el nuevo default — cotiza vía chat-latest. Es el extremo más barato de la familia GPT-5.5 en la API, pero sigue siendo un tier Instant; para cargas pesadas donde Sonnet 4.6 ha sido el caballo de carga, las matemáticas por token siguen favoreciendo a Sonnet en estado estable.
Implicación de routing: Si tu carga es de alto volumen y no estás atado a una feature específica, Sonnet 4.6 es el default. El delta de costo solo se invierte cuando el tuning de hallucinations de GPT-5.5 es la razón estructural por la que lo eliges.
Dimensión 2 — Tuning de hallucinations por vertical
OpenAI nombró derecho, medicina y finanzas explícitamente. La cifra de reducción del 52,5 % es data de evaluación interna, no reproducida por terceros — pero el targeting es real. La lectura preliminar de clase operadora dentro del coverage de lanzamiento de GPT-5.5 es: “la reducción de hallucinations en derecho, medicina y finanzas es la parte que los operadores deberían testear.” Ese es el framing correcto.
El perfil de Sonnet 4.6 es estable en términos generales a través de verticales. El approach de entrenamiento de Anthropic (Constitutional AI, los patterns de context-share de Cowork Enterprise) no ha sido verticalizado de la misma manera explícita; Sonnet 4.6 es más uniforme pero no tiene un claim al estilo OpenAI de “tunemos para estos tres verticales”.
Implicación de routing: Si tu tráfico está dominado por workflows de investigación legal de alto riesgo, healthcare clinical, o citation financiera, GPT-5.5 Instant tiene la ventaja explícita de tuning de salida. Test antes de comprometerte: toma los últimos 50 prompts en tu workflow vertical más propenso a errores, corre ambos modelos, evalúa tú mismo. Si GPT-5.5 gana por más de ~5 puntos porcentuales en exactitud factual, el routing vale el delta de precio. Si no, gana la matemática del precio.
Para verticales fuera de los tres nombrados por OpenAI (ingeniería, customer support, docs internas, sales ops), el argumento del tuning de hallucinations no aplica y el call cae a las dimensiones 1 y 5.
Dimensión 3 — Benchmarks de coding
GPT-5.5 standard lidera en SWE-bench Verified por 9,1 puntos (88,7 vs Sonnet 4.6 a 79,6). En Terminal-Bench 2.0, GPT-5.5 también lidera. Sonnet 4.6 supera a GPT-5.5 solo en el benchmark Finance Agent — interesante dado el targeting de hallucinations de OpenAI en finanzas, sugiriendo que el tuning ayudó a la exactitud pero no a la ejecución agéntica completa en esos tasks.
Las reacciones en X de la madrugada están mezcladas en una forma útil para el routing. @franklinto: “GPT 5.5 es mejor que Sonnet 4.6 debuggeando.” @giordanorandone: “Codex ya estaba haciendo un mejor trabajo que Opus-4.7 en coding.” Pero @smithstephen calificó a Claude Opus 4.7 con 9/10 vs GPT-5.5 a 3-4/10 para “presentación pulida”, y comentó que prefiere GPT-5.5 específicamente dentro de Codex (el harness agéntico de coding). @gabriel_horwitz capturó el complaint de estilo de output: las respuestas de GPT son “líneas cortas, bullets, emojis… súper largo pero como un scroll… menos profesional” vs la prosa en forma de párrafo de Claude.
Implicación de routing: Para workflows de coding agéntico donde Codex es tu harness y el input es un issue o un test failure, GPT-5.5 es la pick más fuerte en benchmarks y empareja con el harness para el que OpenAI optimizó. Para codegen alimentando outputs revisables en forma de párrafo (docs técnicas, explicaciones de code review, ADRs de arquitectura), la prosa de Sonnet 4.6 es el mejor default. Routear por harness, no por modelo, es el framing realmente útil.
Dimensión 4 — Ventana de contexto y cargas de documentos
GPT-5.5: 1,1M tokens. Sonnet 4.6: 200K tokens. Ventana cinco-y-media veces más grande para GPT-5.5.
Para la mayoría de cargas en producción — sesiones de chat, loops de agentes, ediciones de código con contexto de file-scope — los 200K son más que suficientes. La palanca de 1,1M importa específicamente para: revisión de documentos en bulk donde estás alimentando filings de la SEC enteros, paquetes de contratos, transcripciones de deposición, o codebases completas (>200K tokens) en un solo call; transcripciones de agentes de larga ejecución multi-turno que exceden la ventana de Sonnet a mitad de sesión y fuerzan chunking.
La matemática de costo también se invierte para cargas de documentos largos: a 1,1M tokens de input en GPT-5.5, la cuenta de input solo es 5,50 USD por call. Sonnet a 200K input es 0,60 USD por call. Si puedes chunkear en Sonnet, deberías — el overhead de orquestación es casi siempre más barato que el premium de pricing de GPT.
Implicación de routing: Default a Sonnet 4.6. Cambia a GPT-5.5 específicamente cuando chunking sea imposible o rompa la semántica del documento — análisis legal de formato largo, planning de refactor de full-codebase, síntesis de research end-to-end donde el context-share importa. No pagues por ventana que no usas.
Dimensión 5 — Estilo de output y fit con políticas de IT
El split de la comunidad en X el martes por la tarde fue casi enteramente en líneas de estilo de output, no en líneas de capacidad. GPT-5.5 Instant es notablemente más conciso ahora pero mantiene el formato de bullet-list-y-emoji que algunos equipos quieren y otros activamente desprecian. La prosa en párrafos de Sonnet 4.6 lee más “pulida” para audiencias enterprise (per @smithstephen y media docena de posts similares).
La función de memory-y-Gmail es la historia de política de IT. ChatGPT puede ahora referenciar chats pasados, archivos y Gmail cuando el usuario lo enable, y mostrar “memory sources” que citan qué contenido pasado informó la respuesta. Para usuarios Plus/Pro en dispositivos de empresa, eso abre cuatro preguntas de IT-admin esta semana:
- ¿Las cuentas personales de Gmail están en scope cuando los empleados activan la función en un dispositivo de empresa?
- ¿Cuál es nuestra política de DLP para los memory writes?
- ¿Cuál es nuestra historia de SCIM/identity provider para cuentas org-controlled vs personales?
- ¿Cuál es la timeline de comunicación al usuario antes de que el staff lo encienda?
El rollout default-on significa que la mayoría de equipos de IT necesitará una decisión de bloqueo-por-defecto-o-permitir-con-policy para fin de semana. El análogo de Anthropic es el cross-app context-share de M365 que aterrizó el 30 de abril — producto distinto, decisión de policy similar.
Punto adicional para equipos LatAm sirviendo a mercados regulados: la pregunta de soberanía de datos no es trivial. En el cross-app context-share de Microsoft 365, el state de sesión vive en tu cloud de tenant Microsoft, lo que puede significar US, EU o multi-región según tu config. En Claude Enterprise, el cómputo corre en AWS o GCP, y el routing default difiere por contrato. Si trabajas con datos sujetos a la LFPDPPP en México, la LGPD en Brasil, o la AEPD en España, esa pregunta de residencia se vuelve pesada — y la respuesta no es la misma para los dos stacks.
Implicación de routing: Las preferencias de estilo de output son reales y son estables por audiencia. Si tu output lo lee un cliente enterprise en pantalla, el bias prosa-Sonnet es duradero. Si tu output lo parsea otro agente o un dev interno, el formato de GPT está bien. Para la función de memory, la decisión de policy es independiente de la decisión de routing — puedes correr GPT-5.5 Instant para algunas cargas y tener memory disabled en tu tenant.
La matriz de routing Q3
Reduce el comparativo. Cinco arquetipos de carga, el modelo que debería defaultar para cada uno, y la razón real.
| Carga | Default | Por qué |
|---|---|---|
| Loops agénticos de alto volumen (general) | Sonnet 4.6 | Edge de pricing 1,9× domina a volumen |
| Investigación legal / clinical healthcare / citation financiera | GPT-5.5 Instant | Tuning verticalizado de hallucinations; testea en tus últimos 50 prompts |
| Codegen dentro del harness Codex | GPT-5.5 standard | Liderazgo SWE-bench + alineamiento de harness |
| Codegen para outputs revisables en forma de párrafo | Sonnet 4.6 | Default de prosa lee como pulido |
| Revisión de documentos en bulk (>200K tokens, sin chunking) | GPT-5.5 standard | Única opción práctica en esa ventana |
Esta matriz debería sobrevivir el ciclo de noticias del lanzamiento. Las dos lanes estables — Sonnet 4.6 para costo de alto volumen y output en prosa, GPT-5.5 para vertical-tuned high-stakes y long-context — son duraderas. El routing de código depende de en qué harness ya estás.
Lo que el comparativo no puede decirte
Algunos límites honestos, porque este es el post contra el que más pushback vas a recibir.
Los números de reducción de hallucinations de OpenAI son evaluación interna. Un 52,5 % suena dramático; deberías reproducirlo en tus propios prompts antes de apostar una decisión de routing en él. La reproducción correcta son tus últimos 50 prompts en el workflow más alto en riesgo, evaluados por un experto del dominio (no por un modelo). Es medio día de trabajo y es la única data que resuelve la pregunta de routing para tu stack.
Sonnet 4.8 está en expectativa. Anthropic no lo lanzó en Code with Claude SF el miércoles por la mañana, pero las referencias filtradas en npm y las timelines de Code with Claude London (19 de mayo) más Tokyo (10 de junio) hacen plausible un release de Sonnet 4.8 dentro de las próximas seis semanas. Si tu decisión de routing hoy está en la frontera por el lado del precio, hot-pin Sonnet 4.6 y vuelve a correr la eval el día que Sonnet 4.8 aterrice. Cubrimos la forma del lanzamiento de SF en nuestro recap del mismo día de Code with Claude.
El split de estilo de output es duradero pero no estable. OpenAI itera activamente en tono y formato — el tuning del martes hacia “menos yappy” es en sí una respuesta al feedback de la comunidad sobre GPT-5.3. No hagas un call de routing a 12 meses sobre un estilo de output de una semana. La cadencia correcta es una re-eval trimestral del fit de estilo contra tus destinos de output reales.
La función memory-y-Gmail está on por default para la mayoría de usuarios; eso es una historia de policy, no de routing. Trátala como una decisión org-wide de DLP e identidad, separada de tu decisión de routing de modelo. No las confundas.
La matemática de pricing de GPT-5.5 standard empeora rápido para cargas de alto tráfico. El delta de 1,9× en tokens se compone: un equipo de 100M tokens al mes que cambia su flota completa de agentes de Sonnet 4.6 a GPT-5.5 standard agrega aproximadamente 1.500 USD al mes solo en output antes de crecimiento de tráfico. La simplificación “estandaricemos en un vendor” es real pero no es gratis — modela tu tráfico real antes de consolidar.
La conclusión
El lanzamiento del martes es real, el targeting de hallucinations es significativamente distinto a cualquier cosa que OpenAI haya enviado antes, y para los tres verticales nombrados (derecho, medicina, finanzas) GPT-5.5 Instant es ahora una alternativa testeada-contra a Sonnet 4.6. Para todo lo demás — loops de agentes de alto volumen, output de prosa, codegen fuera de Codex, revisión de documentos — la edge de pricing de Sonnet 4.6 se sostiene.
El movimiento real este trimestre no es una consolidación de vendor. Es una decisión de routing carga-por-carga: mantén Sonnet 4.6 como el caballo de batalla por default, reserva GPT-5.5 Instant para el trabajo verticalizado de alto riesgo, y reserva GPT-5.5 standard para el trabajo de revisión de documentos en bulk de long-context donde la ventana de Sonnet no puede mantener el input. Dos lanes, un stack conscientemente híbrido.
Si eres ingeniero y necesitas evaluar esto en tus propios prompts — la única data que resuelve el call de routing — nuestros cursos de Claude Code Mastery y ChatGPT Avanzado cubren los patterns de evaluación, las rúbricas de scoring para exactitud vertical, y la matemática de costo a típicos shapes de tráfico. Es el playbook sobre el que el resto de este post depende.
Fuentes
- Introducing GPT-5.5 Instant — OpenAI
- OpenAI releases GPT-5.5 Instant — TechCrunch
- GPT-5.5 Instant rolls out to ChatGPT — Axios
- GPT-5.5 Instant smarter and concise — SiliconANGLE
- GPT-5.5 vs Claude Sonnet 4.6 model comparison — Artificial Analysis
- Claude Sonnet 4.6 vs GPT-5.5 detailed comparison — LLM Stats
- Claude Sonnet 4.6 vs GPT-5: 2026 Developer Benchmark — Sitepoint
- GPT-5.5 Instant nixes gratuitous emojis — 9to5Mac
- GPT-5.5 Instant launches as ChatGPT default — Testing Catalog
