Claude Opus 4.8 ya disponible — funciones, benchmarks y precios explicados

El 28 de mayo de 2026, Anthropic lanzó Claude Opus 4.8 — apenas dos meses después de Opus 4.7. La cadencia de actualizaciones claramente se está acelerando. Pero esta vez el titular no son unos pocos puntos porcentuales en un benchmark. El anuncio oficial de Anthropic recoge que los primeros evaluadores encontraron el modelo «más fiable y con un juicio más afinado al realizar tareas agénticas», y afirma que «una de las mejoras más destacadas de Opus 4.8 es su honestidad». Un lanzamiento que pone «se volvió más honesto» a la altura de sus mejoras en benchmarks es algo inusual.

La conclusión, de entrada: la programación mejora con solidez (SWE-bench Pro 64.3% → 69.2%), el trabajo en terminal da un salto (Terminal-Bench 2.1 66.1% → 74.6%) y también sube la puntuación en trabajo de conocimiento (GDPval-AA 1753 → 1890). Además, el modo rápido es unas 2.5 veces más rápido y cuesta en la práctica un tercio, y llegan a la vez tres funciones para desarrolladores: el parámetro effort, los flujos de trabajo dinámicos y las entradas system en la Messages API. Al mismo tiempo, no lidera en todo: en trabajo en terminal sigue por detrás de GPT-5.5. Este artículo desglosa las cifras, las nuevas funciones y las advertencias a partir del anuncio oficial de Anthropic y de su Transparency Hub.

* Las cifras de este artículo se basan en el anuncio oficial de Anthropic, la página del modelo y la system card, además de la cobertura de varios medios tecnológicos (a fecha de 28 de mayo de 2026). Pueden actualizarse a medida que se realicen más verificaciones.

1. Lo esencial de Opus 4.8: rendimiento, precio y filosofía

Para el lector con prisa, primero lo esencial.

• Rendimiento: la programación (SWE-bench Pro) mejora de forma constante; el trabajo en terminal (Terminal-Bench 2.1) y el trabajo de conocimiento (GDPval-AA) suben con fuerza. En cambio, GPT-5.5 va por delante en Terminal-Bench 2.1 y el uso del ordenador (OSWorld-Verified) apenas se mueve.
• Precios: el estándar se mantiene igual que en 4.7. El mayor impacto económico es que el modo rápido es ~2.5x más veloz y, en la práctica, cuesta un tercio del precio.
• Filosofía: «más honesto» antes que «más listo». Deja pasar sin comentarios los fallos del código que ha escrito unas 4 veces menos que 4.7, y solo en el 3.7% de los casos deja de avisar al usuario de fallos importantes de su trabajo. Llegan los nuevos flujos de trabajo dinámicos y el parámetro effort para sostener trabajo autónomo más largo.

2. Especificaciones clave y disponibilidad

Empecemos por los hechos inamovibles: las especificaciones de Opus 4.8 y dónde puedes usarlo.

El punto clave es que el precio y el contexto se mantienen iguales, y solo la sustancia se reforzó. Si estás en 4.7, cambiar el ID del modelo a claude-opus-4-8 te da las mejoras de rendimiento sin coste adicional (las advertencias de migración están en la sección 9). Eso sí, ten en cuenta que la inferencia exclusiva en EE. UU. conlleva un multiplicador de precio de 1.1x.

3. Benchmarks cara a cara (4.8 vs 4.7)

Ya vimos las especificaciones. Entonces, ¿cuánto creció la capacidad real? Aquí están los principales benchmarks publicados alineados frente a 4.7. La negrita marca las mayores ganancias.

Fuente: la tabla (una imagen) del anuncio de Opus 4.8 de Anthropic. En Terminal-Bench 2.1 todos los modelos usan el harness Terminus-2; GPT-5.5 obtiene un 83.4% con el Codex CLI (nota al pie del mismo anuncio). En OSWorld-Verified, la nota al pie del mismo anuncio dice que la cifra de Opus 4.7 se actualizó a 82.3% tras un cambio en la forma de ejecutar la evaluación, lo que no coincide con el 82.8% de la tabla.

Un apunte para leer la tabla. Los +4.9 puntos en SWE-bench Pro parecen modestos pero importan: Pro reúne tareas de programación más realistas y difíciles, así que una mejora ahí se traduce directamente en «menos momentos de atasco en el trabajo real». Aun así, las mayores subidas son los +8.5 puntos en Terminal-Bench 2.1 y los +137 en GDPval-AA.

Dicho esto, no lidera en todo. En Terminal-Bench 2.1, GPT-5.5 va por delante con un 78.2% (83.4% con el Codex CLI), y el uso del ordenador en OSWorld-Verified está casi plano frente a 4.7 (+0.6 puntos). Más en la sección 9.

4. Precios y modo rápido — velocidad 3 veces más barata

Nos hemos detenido en el rendimiento, pero lo que esta vez realmente más golpea tu bolsillo es el cambio de precio del modo rápido. El precio estándar se mantiene completamente igual que en 4.7, así que alineemos ambos.

Esto es más grande de lo que parece. El dilema de «quiero velocidad, pero el modo rápido es caro» afectaba justo a los casos de uso — respuestas en interfaces de chat, revisión masiva de código en CI/CD, ejecuciones de agentes con muchos pasos — donde ahora puedes tener velocidad y precio a la vez. Combinado con el precio estándar sin cambios, la conclusión económica de esta vez es «el mismo presupuesto, pero más rápido y más inteligente». Para el panorama completo de precios, consulta la comparativa de precios de Claude Opus / Sonnet / Haiku.

5. Novedad #1: el parámetro effort y el pensamiento adaptativo

Después de los precios, las funciones que los desarrolladores tocan directamente. Primero, el parámetro effort. Es una palanca que te permite especificar explícitamente «con qué profundidad pensar» en cuatro niveles.

La contraparte de effort es el pensamiento adaptativo: el modelo ajusta automáticamente el cómputo que utiliza según la complejidad de la tarea. Rápido en preguntas simples, más profundo por iniciativa propia en las difíciles. Tú fijas el techo y la política con effort, y el pensamiento adaptativo optimiza la asignación real — un diseño de dos niveles que ofrece «ni un token de pensamiento desperdiciado, profundidad solo donde cuenta».

6. Novedad #2: flujos de trabajo dinámicos (research preview)

La función más ambiciosa esta vez es esta. Los flujos de trabajo dinámicos son una función en research preview utilizable en Claude Code (CLI, Desktop, extensión de VS Code), un mecanismo para entregarle a Claude un «gran trabajo» por completo.

En concreto, Claude escribe sus propios scripts de orquestación y genera de decenas a cientos de subagentes en paralelo para atacar un problema de forma concurrente. Incluso despliega agentes de verificación adversaria para revisar críticamente los resultados, e itera hasta converger. Coordina fuera del hilo principal de la conversación, y su estado es reanudable, manteniéndose a lo largo de una ejecución de varios días.

En cuanto a posicionamiento, es un paso hacia que el propio modelo diseñe y ejecute, sobre la marcha, la «orquestación en paralelo de muchos agentes» que antes tenías que construir tú mismo con el Claude Agent SDK. Para grandes refactorizaciones e investigaciones transversales, se amplía el rango que puede conducir sin dirección humana paso a paso.

7. Novedad #3: entradas system en la Messages API

Un cambio sutil, pero bienvenido para los desarrolladores: la Messages API ahora acepta entradas system dentro del array messages.

Antes, el system prompt (las instrucciones de sistema) se colocaba una sola vez al inicio de la conversación. Con este cambio, puedes inyectar instrucciones de sistema a mitad de la conversación — y hacerlo sin romper el prompt cache ni requerir un turno del usuario.

// Ejemplo: actualizar «permisos, presupuesto, entorno» a mitad de un flujo
messages: [
  { role: "system",    content: "Eres un agente de CI. Sin operaciones destructivas." },
  { role: "user",      content: "Actualiza las dependencias" },
  { role: "assistant", content: "..." },
  // Actualizar la política a mitad de la ejecución (sin romper la caché)
  { role: "system",    content: "El presupuesto de tokens es bajo. Usa effort=low, solo puntos clave." },
  { role: "user",      content: "Continúa" }
]

Esto rinde frutos en ejecuciones de agentes largas y de varios pasos. «Intercambiar dinámicamente la política» a mitad de la ejecución — endurecer permisos, señalar el presupuesto de tokens, actualizar el contexto del entorno (en qué rama estás, etc.) — ahora funciona preservando la eficiencia de la caché. Es un diseño que combina bien con ejecuciones autónomas de largo recorrido como los flujos de trabajo dinámicos.

8. El mayor salto es la honestidad — deja pasar unas 4 veces menos fallos en su código

Esta es la parte que más quiero transmitir. El verdadero diferenciador de Opus 4.8 no son los números de los benchmarks — es la «honestidad sobre su propio trabajo». Lo que Anthropic y los evaluadores subrayaron repetidamente es que este modelo señala proactivamente su propia incertidumbre y es menos propenso a hacer afirmaciones sin fundamento.

¿Por qué importa esto? El mayor riesgo de dejar que un agente de IA se ejecute de forma autónoma durante mucho tiempo es «reportar un fallo como un éxito y luego apilar más trabajo encima de ese error». Decir «arreglado» mientras las pruebas aún fallan; afirmar conjeturas inciertas en un tono seguro — este tipo de «exceso de confianza» socava la fiabilidad de la automatización desde la raíz. Que Opus 4.8 ahora señale su incertidumbre por sí mismo es, en términos prácticos, más valioso que unos pocos puntos de benchmark. Personalmente, creo que este único punto es lo más loable de esta actualización.

9. Advertencias (contadas con honestidad)

Ya vimos las mejoras. Pero como este es un artículo que elogia la «honestidad», seré honesto también: aquí, sin disimulo, están los puntos que no mejoraron o que piden cautela en 4.8.

En cuanto a la inyección de prompts, pasar a 4.8 no te hace más seguro. Según el Transparency Hub de Anthropic, la tasa de éxito de los ataques es del 0.4% —la misma que 4.7, sobre más de 15 000 intentos—, la más baja entre los principales modelos comparados, pero esa cifra se mide sin las defensas adicionales que Anthropic añade en sus productos. Para agentes que leen entradas externas (páginas web, correos, publicaciones de usuarios) y actúan de forma autónoma, lo básico sigue siendo un diseño que limite los permisos en lugar de confiar en la resistencia del modelo.

10. Quién debería actualizar ahora mismo

Entonces, ¿deberías cambiar a claude-opus-4-8 ahora mismo? Desglosémoslo por tipo.

Dado que el coste de cambio en sí es casi nulo (solo cambia el ID del modelo; el precio estándar se mantiene igual), el camino real es cambiar primero a claude-opus-4-8 en un entorno no crítico y medir en tus propias tareas. Los pasos concretos de migración desde 4.7 se trasladan directamente desde el planteamiento de la guía de migración de Opus 4.7. Para la comparación con GPT-5.5 y otros, consulta la comparativa GPT-5.5 vs Claude Opus.

Resumen

Claude Opus 4.8 (lanzado el 28 de mayo de 2026, claude-opus-4-8) es un modelo insignia que reforzó el contenido manteniendo precio y contexto. La programación mejoró de forma constante (SWE-bench Pro +4.9); el trabajo en terminal (Terminal-Bench 2.1 +8.5) y el trabajo de conocimiento (GDPval-AA +137) mejoraron con fuerza. El modo rápido pasó a ser unas 2.5 veces más rápido y a costar en la práctica un tercio, y las funciones prácticas —el parámetro effort, los flujos de trabajo dinámicos y las entradas system en la Messages API— llegaron juntas.

Pero lo esencial no son las cifras. Deja pasar unas 4 veces menos fallos en su código y solo en el 3.7% de los casos deja de avisar de un fallo: este lanzamiento, que antepone la «honestidad» a la «inteligencia», apunta en la dirección correcta para una era de IA autónoma de larga duración. Al mismo tiempo, sigue por detrás de GPT-5.5 en Terminal-Bench 2.1 y su resistencia a la inyección no cambia respecto a 4.7; no lidera en todos los ejes. Por eso —muy a tono con la virtud de este mismo modelo— la forma más inteligente de usarlo es no confiarse en exceso y medir con tus propias tareas antes de decidir.

Lecturas relacionadas: desglose del lanzamiento de Claude Opus 4.7, guía de migración de Opus 4.7, comparativa de precios Opus / Sonnet / Haiku, comparativa GPT-5.5 vs Claude Opus y qué es el Claude Agent SDK.

Preguntas frecuentes

P. ¿Es difícil migrar de Opus 4.7 a 4.8?
R. Casi nada. Basta con cambiar el ID del modelo en la API a claude-opus-4-8; el precio estándar y la ventana de contexto (1M de tokens) se mantienen. El effort=HIGH por defecto usa aproximadamente los mismos tokens que el valor por defecto de 4.7 y solo sube el rendimiento, así que te beneficias sin cambiar la configuración. Eso sí, en agentes que manejan entradas externas, ten en cuenta que la resistencia a la inyección no mejoró respecto a 4.7 (ver arriba).

P. ¿Qué significa que el modo rápido es «3x más barato»?
R. Significa que el precio del modo rápido ($10 entrada / $50 salida por 1M tokens) es en la práctica un tercio del del modo rápido del modelo anterior. La velocidad es unas 2.5x la estándar. El dilema de «quiero velocidad pero el modo rápido es caro» se alivia enormemente, lo que facilita usarlo en interfaces de chat y procesamiento masivo por lotes.

P. ¿Puede cualquiera usar los flujos de trabajo dinámicos?
R. Están en research preview, utilizables desde Claude Code (CLI, Desktop, extensión de VS Code). La disponibilidad es en planes Max, Team y Enterprise (habilitado por el administrador) y a través de la API, Bedrock, Vertex y Foundry. Por seguridad, el primer disparo requiere confirmación explícita. El comportamiento puede cambiar, así que lo más seguro es probarlos primero en trabajo no crítico.

P. ¿Es 4.8 mejor que 4.7 en todos los aspectos?
R. No. Incluso en la propia tabla de Anthropic, GPT-5.5 (78.2%) supera a 4.8 (74.6%) en Terminal-Bench 2.1, el uso del ordenador en OSWorld-Verified está casi plano frente a 4.7 (+0.6) y la resistencia a la inyección de prompts está al mismo nivel que 4.7. Va claramente por delante en programación (SWE-bench Pro), trabajo de conocimiento (GDPval-AA) y honestidad, pero para algunos usos 4.7 u otros modelos pueden encajar mejor.

P. ¿Cuál es el beneficio concreto de una mayor «honestidad»?
R. Al ejecutar agentes de IA de forma autónoma, el mayor riesgo es «informar de un fallo como un éxito y apilar trabajo encima». Como 4.8 deja pasar los fallos de su propio código unas 4 veces menos que 4.7 y solo en el 3.7% de los casos deja de avisar al usuario de fallos importantes, deja de «fingir que funciona» y dice que no está seguro cuando no lo está. En automatización de larga duración, CI y revisión de código, la fiabilidad mejora a un nivel práctico.

Relacionado: Claude Fable 5 para programar.