BENCHMARKS REALES
GPT-5.6 duplica la velocidad y reduce 27% el costo de un agente de IA en producción
Ploy migró su agente de creación de sitios web de Claude Opus 4.8 a GPT-5.6 y documentó el resultado: builds 2.2× más rápidos, 27% más baratos y mejor calidad visual. El caso expone las trampas técnicas del cambio de proveedor.
El primer modelo que destronó a Opus
Ploy, una plataforma que usa agentes de IA para construir sitios de marketing en producción, acaba de publicar su migración a GPT-5.6 Sol, el modelo flagship que OpenAI lanzó esta semana. Durante cuatro meses, ningún modelo había logrado superar a Claude Opus en las evaluaciones internas de la compañía. GPT-5.6 lo hizo.
El agente de Ploy planifica páginas, lee código, escribe componentes, genera imágenes, toma capturas de su propio trabajo y decide cuándo terminó. Después de ajustar el harness de evaluación y los schemas de herramientas, los builds completados tomaron menos de la mitad del tiempo (3m 42s vs. 8m 00s), costaron 27% menos ($2.22 vs. $3.06 por build) y obtuvieron mejor puntaje visual (0.970 vs. 0.936).
Las trampas del cambio de proveedor
Ploy usa el AI SDK de Vercel, pero migrar de Claude Opus 4.8 a GPT-5.6 expuso diferencias de comportamiento en tres capas: cómo los modelos llenan argumentos de herramientas, cómo cachean prompts y cómo reiteran razonamiento entre turnos.
El primer problema apareció en las llamadas a herramientas. Claude envía solo los 2 o 3 parámetros que usa de una herramienta con 25 campos opcionales; GPT-5.6 envía los 25, llenando los no usados con valores inventados como offset: 0 o siteId: "00000000-0000-0000-0000-000000000000". La implementación de lectura de archivos no distinguía un valor inventado de uno real: entre 52% y 64% de las lecturas de GPT-5.6 devolvían vacío. El modelo compensaba con más llamadas y peores resultados.
La solución fue reescribir el schema en el boundary del proveedor: para modelos de OpenAI, Ploy convierte cada propiedad opcional en required pero nullable usando anyOf: [T, null], y luego elimina los nulls antes de la validación. El prompting directo (