Modelos de razonamiento: cuándo vale la pena pagar por pensar

Qué es "pensar", en palabras simples

Un modelo de razonamiento escribe pasos intermedios antes de su respuesta final: descompone el problema, prueba un enfoque, lo verifica y a veces vuelve a empezar. El término técnico es cómputo en inferencia (test-time compute): en lugar de un modelo más grande, gastas más cómputo en cada pregunta.

Esos pasos son tokens. Normalmente ves un resumen o nada, pero los pagas todos a la tarifa de salida, y generarlos toma tiempo. Pensar más ayuda sobre todo en problemas con muchos pasos dependientes, y poco cuando la respuesta es una consulta o una etiqueta.

El empaque cambió. En diciembre de 2024, OpenAI vendía el razonamiento como un modelo aparte, o1, a USD 15/60 por millón de tokens; en 2026 es un control de los modelos principales y OpenAI está retirando la serie o: o1 y o4-mini se apagaron el 23 de octubre de 2026 y o3 se apaga el 11 de diciembre. En Claude Opus 5.5 y Fable 5.1 el razonamiento no se puede apagar, así que el esfuerzo es la única palanca.

Cómo lo exponen los proveedores en octubre de 2026

La misma idea, con nombres, niveles y valores por defecto distintos.

Tres lanzamientos cambiaron la tabla desde finales de septiembre: Haiku 5.5 (7 de octubre) es el primer Haiku con effort, Gemini 4 Argon (disponible de forma general desde el 13 de octubre) usa los mismos tres niveles que Flash, y GPT-6.1 Terra (26 de octubre) vuelve a aceptar "none". Para GPT-6 Astra, la página del modelo lista de low a max sin indicar el valor por defecto, y la guía de razonamiento de OpenAI precisa que "none" devuelve un error HTTP 400.

Un mismo nivel no significa lo mismo en dos modelos. Anthropic dice que Opus 5.5 piensa más por turno que Opus 5 en el mismo nivel, que Opus 5.5 en medium supera a Opus 5 en high en sus evaluaciones de código y trabajo de conocimiento, y que los niveles de Sonnet 5.5 están recalibrados frente a Sonnet 5. El esfuerzo también cambia lo que hace el modelo: con menos esfuerzo, Claude hace menos llamadas a herramientas, y más escuetas.

La mecánica del costo y la latencia

El razonamiento se factura como salida, el lado caro de la lista de precios.

Anthropic, OpenAI y Google facturan los tokens de razonamiento a la tarifa de salida, cinco veces la de entrada en Claude Opus 5.5 (USD 4/20), GPT-6.1 Sol (USD 2/10) y Gemini 4 Argon (USD 2/10 hasta el 30 de noviembre de 2026, USD 4/20 desde el 1 de diciembre). La salida se genera token a token, así que pensar también retrasa la primera palabra útil, y en un agente esa espera se repite en cada turno.

ARC Prize publica la nota y el costo por tarea de cada modelo en cada nivel de esfuerzo, así que el equilibrio se puede leer directamente en sus datos.

De low a high, Opus 5.5 ganó 23 puntos por 1,7 veces el costo; de high a max, el costo se multiplicó por 4,5 y la nota bajó 1,6 puntos. Los acertijos de ARC no son tu carga de trabajo, pero esa forma (una subida fuerte y luego una meseta con costo creciente) es la que debes buscar en tus propios datos.

GPT-6 Astra dibuja la misma meseta en ARC Prize (85,4 % en low, 92,1 % en medium y en high, 93,3 % en xhigh, 95,0 % en max), igual que GPT-6.1 Sol (76,7 % en low, 91,7 % en high y en xhigh, 94,2 % en max). El índice de Artificial Analysis, que pasó a la versión 5.0 a finales de octubre con nueve evaluaciones de trabajo de conocimiento, código, ciencia y capacidades generales, muestra la misma forma:

De low a high, Opus 5.5 gana 17 puntos por 3,5 veces el costo; de high a max, 6 puntos con el costo casi triplicado. Astra se aplana antes: de high a max suma 2 puntos por 1,9 veces el costo. Astra puntúa más hasta high y cuesta menos por tarea desde high porque usa muchos menos tokens (en max, 54 millones frente a 220 millones de Opus 5.5), aunque cada token cuesta 2,5 veces más.

Los fabricantes describen el mismo patrón. Anthropic reportó en noviembre de 2025 que Claude Opus 4.5 con esfuerzo medium igualaba la mejor nota de Sonnet 4.5 en SWE-bench Verified con un 76 % menos de tokens de salida; OpenAI afirma que GPT-6.1 Terra en max es más de tres veces más eficiente en tokens que Claude Opus 5.5 en Agents' Last Exam, una prueba de uso de computador, con un costo por tarea unas nueve veces menor. Para medir esa relación entre esfuerzo, costo y nota en tu propia carga de trabajo, en Slash ofrecemos consultoría en inteligencia artificial.

Dónde rinde pensar y dónde no

Pensar rinde cuando una tarea tiene muchos pasos dependientes y un resultado verificable: matemáticas, cambios de código en varios archivos, planificación, análisis que combina herramientas y datos, y agentes de varios pasos donde un error temprano arruina la corrida. Ahí, más esfuerzo sube la proporción de tareas resueltas, que es lo que estás comprando.

Rara vez rinde en clasificación, extracción, enrutamiento, respuestas cortas de FAQ o reescritura, donde el modelo sabe la respuesta o no. Y perjudica la voz en tiempo real, donde el razonamiento oculto retrasa la primera palabra hablada; Google ofrece Gemini 3.8 Live y, por separado, una variante Live Extended Thinking, así que eliges una u otra según la latencia que tu caso acepte.

Cómo ajustar el esfuerzo en cinco pasos

1. Arma un set de evaluación. De 30 a 50 tareas reales por ruta, con verificaciones automáticas de acierto o fallo; Anthropic recomienda empezar con 20 a 50 tareas tomadas de fallos reales (ver nuestra guía de evals).
2. Barre los niveles. Corre cada candidato en dos o tres niveles de esfuerzo, varias veces por tarea, y registra aciertos, tokens y latencia.
3. Calcula el costo por tarea resuelta. Divide el gasto entre las tareas resueltas, no entre las solicitudes: un ajuste barato que falla la mitad de las veces puede salir más caro por tarea resuelta.
4. Fija el esfuerzo por ruta, de forma explícita. Quédate con el nivel más bajo dentro de tu tolerancia de calidad y escríbelo en el código, porque los valores por defecto cambian (high en Opus 5, medium en Opus 5.5).
5. Monitorea. Registra tokens de razonamiento y motivos de parada, crea alertas cuando el costo por tarea se desvíe y repite el barrido con cada cambio de modelo.

El tope de salida incluye el razonamiento: con un max_tokens (Claude) o un max_output_tokens (OpenAI, Gemini) ajustado, el modelo puede gastar el presupuesto pensando y devolver una respuesta cortada o vacía; deja margen (OpenAI recomienda reservar al menos 25.000 tokens al empezar) y trata un motivo de parada max_tokens o una respuesta incompleta como un error. En Claude, además, cambiar el esfuerzo global entre solicitudes invalida la caché de prompts (el esfuerzo por mensaje, en beta en Opus 5.5, Sonnet 5.5, Haiku 5.5 y Fable 5.1, la conserva): mantén el esfuerzo estable dentro de una conversación en caché.

Errores que conviene evitar

• Pensar de más alarga los turnos y suma llamadas a herramientas, y a veces baja la nota. En ARC-AGI-2, Opus 5.5 en max sacó 1,6 puntos menos que en high por 4,5 veces el costo. Anthropic señala además que en Opus 5 el esfuerzo no acorta de forma fiable las respuestas visibles: pide la extensión en el prompt; OpenAI ofrece un parámetro de verbosidad aparte.
• Los ajustes copiados de un modelo anterior pueden romperse. En Opus 5.5 el razonamiento ya no se puede desactivar, el uso forzado de herramientas devuelve un error y el esfuerzo por defecto bajó de high a medium; en Sonnet 5.5, "disabled" devuelve un error y se reemplaza por "between_tools"; Google declaró obsoletos temperature, top_p y top_k en la API de Gemini el 21 de julio de 2026. Repite el barrido en lugar de copiar parámetros.
• Pedirle a Opus 5.5 que revele su razonamiento interno no funciona. El modelo añade una categoría de rechazo reasoning_extraction que bloquea los intentos de extraer su razonamiento interno (devuelta como stop_reason: refusal). Para tener trazabilidad, pide una justificación breve en la respuesta, registra las llamadas a herramientas y envía los rechazos a un modelo de respaldo.
• El razonamiento escrito no es un registro fiel de lo que hizo el modelo. OpenAI dice que el razonamiento escrito de GPT-6 Astra fue más difícil de monitorear que el de GPT-5.6 Sol en sus pruebas: Astra controla mejor lo que escribe en su cadena de pensamiento (60,9 % en la prueba de controlabilidad de su ficha de sistema, frente a 16,1 % de GPT-5.6 Sol), y el UK AISI encontró que faltaban los resúmenes de razonamiento en hasta el 80 % de las trayectorias largas de ciberseguridad. Tras el incidente de Hugging Face, OpenAI destinó más cómputo a monitorear la cadena de pensamiento. Audita acciones, llamadas a herramientas y salidas.
• Un tablero de costos con solo entrada y salida visible esconde la parte de la factura que controla el esfuerzo. Registra los tokens de razonamiento como una línea aparte.

Qué significa para los presupuestos en Colombia y Europa

Los proveedores facturan en dólares, así que presupuestamos el razonamiento en USD y convertimos al facturar; para los equipos colombianos, la tasa de cambio es una variable más que no controlan. La unidad que importa es el costo por tarea resuelta, por ruta.

Una ilustración con las cifras de ARC Prize de arriba, no una proyección: con 10.000 tareas al mes, Opus 5.5 costaría cerca de USD 2.410 con esfuerzo low, USD 4.080 con high y USD 18.500 con max, y en esa prueba el paso a max no compra nada.

Tres palancas mantienen el razonamiento asequible: las API de lotes (50 % de descuento en Anthropic, OpenAI y Google) para el trabajo con esfuerzo alto que puede esperar, la caché para el contexto que los agentes reenvían en cada turno y un enrutamiento que manda solo los casos difíciles al esfuerzo alto. Los equipos en la UE que necesitan procesamiento regional pagan un 10 % más con OpenAI o en los endpoints regionales de Claude en la nube, sobre una factura que el razonamiento ya infló. Más en nuestra guía de costos de IA; Slash AI Lab evalúa los modelos antes de cada despliegue.