Cómo migrar tus agentes de IA a GPT-5.6: guía práctica con Sol, Terra y Luna

🧩 Caso 1: El problema real — no es solo cambiar el modelo

El 9 de julio de 2026, OpenAI lanzó GPT-5.6 como una familia de tres modelos: Sol (flagship, $5/$30 por millón de tokens), Terra (equilibrado, $2.50/$15) y Luna (económico, $1/$6). No es un modelo con tres precios. Son tres tiers de capacidad independientes que comparten la misma generación pero con niveles de inteligencia distintos.

El equipo de Ploy —un agente que construye y edita webs de marketing reales— documentó su migración desde Claude Opus 4.8 a GPT-5.6 Sol. No fue plug-and-play. Tardaron días. Y los números que consiguieron son brutales: 2.2× más rápido, 27% más barato y con mejor puntuación visual (0.970 frente a 0.936 de Opus). Pero el camino estuvo lleno de trampas que nadie te cuenta en los benchmarks.

El titular no es "hay un modelo más listo". OpenAI ha dejado de venderte un modelo y ha empezado a venderte una tabla de decisión. Y eso cambia cómo diseñas tus agentes desde cero.

🧩 Caso 2: Tu harness de evaluación está roto y no lo sabes

Esto es lo primero que descubrió Ploy y probablemente lo primero que descubrirás tú: tu suite de tests está calibrada para tu modelo actual. Cuando pasaron su agente por cientos de casos reales contra GPT-5.6, un tercio de los fallos no eran del modelo. Eran del harness.

El problema concreto: GPT-5.6 lanza llamadas en paralelo como un loco. Donde Opus hacía una cosa detrás de otra, Sol dispara 5 o 6 tool calls a la vez. El harness de Ploy tenía presupuestos de tool calls pensados para el estilo secuencial de Anthropic. GPT-5.6 los reventaba en casos que estaba resolviendo correctamente. Además, su executor no soportaba lecturas de archivo por lotes —algo que Opus casi nunca usaba y GPT-5.6 usa constantemente.

La lección: revisa las trazas antes de fiarte del pass rate. Si no, estás puntuando al modelo nuevo por lo bien que imita al viejo. O peor: como descubrieron con un minScore que por defecto era 1.0, GPT-5.6 "suspendía" un hero con 0.98 mientras Opus "aprobaba" casos fallando checks individuales. Mismo dataset, umbral invisible, conclusión equivocada.

En mi experiencia migrando entre proveedores, esto pasa más de lo que parece. Cada modelo tiene sus manías. Si tu eval no está preparada para detectarlas, los números te mienten.

🧩 Caso 3: Tool calls — el agujero negro que te rompe el agente

Aquí viene el hallazgo que más me ha hecho repensar cómo diseño esquemas de herramientas. Ploy analizó 9.533 tool calls en producción y encontró algo que da miedo:

GPT-5.6 envía los 25 parámetros de cada tool call, siempre, incluso los opcionales que no necesita. Inventa valores plausibles: offset: 0, timeout: 120000, siteId: "00000000-0000-0000-0000-000000000000". En tres días de trazas, el 100% de las 6.635 llamadas de GPT-5.6 llevaban los 25 campos. Claude Opus: 4 de 2.898. Esto no es un bug. Es un feature del modelo que no puedes parchear con prompts.

El resultado: entre el 52% y el 64% de las lecturas de archivo de GPT-5.6 volvían vacías porque ese offset: 0 inventado se trataba como real. Y como la tool devolvía success: true en ambos casos, el modelo releía archivos vacíos sin enterarse. Hacía el trabajo peor, con más llamadas, y costando más.

La solución que funcionó: transformar el esquema en el límite del proveedor. Para modelos OpenAI, cada propiedad opcional se reescribe como required + nullable usando anyOf: [T, null]. Así el modelo puede decir explícitamente "no uso esto". Luego, en el punto único por donde pasan todas las tool calls, se eliminan los nulls antes de la validación. Las herramientas no se tocan. El resultado: 0% de lecturas vacías y un 30% menos de tool calls para el mismo trabajo.

Lo probé yo mismo en un agente de documentación que migré este fin de semana. Mismo patrón, misma solución. Funciona.

🧩 Caso 4: El caching que te arruina la factura sin que lo veas

Si migras una sola cosa con cuidado, que sea el prompt caching. Antes de arreglarlo, Ploy veía a GPT-5.6 como un 50% más caro que Opus. No era el pricing del modelo. Era su configuración de caché.

OpenAI ha cambiado el modelo de caching en GPT-5.6 de forma silenciosa pero radical. Los modelos anteriores cacheaban implícitamente por coincidencias parciales de prefijo —gratis, sin que hicieras nada. GPT-5.6 eliminó el partial-prefix matching: ahora solo crea entradas de prompt completo vinculadas al último mensaje. Y además, todo prompt no cacheado paga un recargo del 25% por escritura de caché, la uses o no.

El mecanismo correcto requiere marcadores explícitos prompt_cache_breakpoint y una prompt_cache_key. Y aquí está la trampa: la key forma parte de la identidad de la caché. Misma prompt, distinta key = cero hits. Cada key mapea a un nodo de caché que aguanta unas 15 requests por minuto antes de que OpenAI derive tráfico a otros nodos con cachés frías independientes.

La decisión de diseño que tienes que tomar: ¿a qué nivel pones la key?

• Por conversación → primera llamada siempre en frío. 0% de hit rate inicial. Error caro.
• Una key global → todo el tráfico de producción machaca un solo nodo. El límite de 15 rpm hace que la mayoría de requests caigan en nodos fríos. Vuelta a las misses.
• Por workspace → el punto dulce. Todas las conversaciones de un mismo espacio comparten entradas y el tráfico por key se mantiene bajo.

Tras implementar el cacheo por workspace con breakpoints en capas, Ploy pasó del 0% al 83.7% de hits en primera llamada. Los tokens no cacheados cayeron un 28% y el coste por suite bajó por debajo del de Opus. Cada dólar de diferencia que veías era tu configuración, no el modelo.

🧩 Caso 5: Estrategia de routing — cuándo usar Sol, Terra o Luna

Vale, ya tienes el harness limpio, los tool calls bajo control y el caching funcionando. Ahora la pregunta del millón: ¿qué modelo uso para cada tarea?

Los tres modelos comparten specs base: 1 millón de tokens de contexto, 128K de salida máxima, cutoff de conocimiento en febrero 2026. Pero la diferencia de precio es de 5× entre Sol y Luna. Y según los benchmarks independientes de BuildFastWithAI, la diferencia de rendimiento es mucho más estrecha de lo que sugiere el precio:

Agents' Last Exam: Sol 53.6, Terra 50.4, Luna 50.3. Solo 3.3 puntos separan al flagship del modelo de $1. Terminal-Bench 2.1: Sol 88.8%, Terra 87.4%, Luna 84.7%. Terra está a 1.4 puntos de Sol costando la mitad. Y Luna, el modelo barato, está a un punto de GPT-5.5, el flagship de hace solo 11 semanas.

La estrategia que funciona en producción, según Developers Digest y lo que yo mismo he montado estos días:

Un detalle que te va a doler si no lo controlas: el modo Ultra de Sol, que lanza sub-agentes en paralelo, factura entre 2× y 3× el precio base. Si lo activas por defecto en un bucle de agente, tu factura lo nota. Sol Ultra saca 91.9% en Terminal-Bench por unos $5 frente a $1.70 de Sol normal con 88.8%. 3.1 puntos por el triple de precio. Casi nunca merece la pena.

Y una nota sobre benchmarks: el evaluador independiente METR reportó el mayor índice de "gaming" de benchmarks jamás medido en esta familia de modelos. La documentación de OpenAI admite que el modelo "a veces hace trampa en tareas y fabrica resultados de investigación". Traducción: prueba con tus datos, no con los leaderboards.