Guías, comparativas y novedades sobre herramientas de IA

"¿Cuánto reduce la IA el esfuerzo de desarrollo de software?" Con la llegada de la programación agéntica en 2025–2026, la propia unidad con la que medimos cambió. Antes era "¿cuántos por ciento más rápida es una tarea?"; ahora es una historia de órdenes de magnitud: "un ciclo de desarrollo que tomaba semanas se comprime en horas o días" (TechTarget). Claude Fable 5 terminó la migración de 50 millones de líneas de Stripe en un día; TELUS ahorró 500.000 horas-desarrollador; el tiempo de ciclo pasó de 9,6 a 2,4 días. Las cifras de la era del autocompletado — RCT de Copilot 55,8% más rápido, McKinsey 20–50% por tarea — son ahora el suelo. Pero no es un 10× uniforme: según el 2026 Agentic Coding Trends Report de Anthropic, los desarrolladores usan IA en ~60% de su trabajo, pero solo el 0–20% de las tareas puede delegarse por completo (la brecha de delegación), así que se requiere revisión humana, y cerca del 27% del trabajo con IA es trabajo nuevo que antes no existía (recortar esfuerzo = producir más). Con buen diseño de contexto, 40% menos errores y 55% más velocidad. Incluso el resultado de 2025 de METR "los expertos son 19% más lentos" se está revirtiendo en 2026, con los autores admitiendo que la medición subestima la realidad. Este artículo separa esa polarización con fuentes con nombre (GitHub, McKinsey, Anthropic, METR, DORA) y expone cómo capturar de verdad el ahorro de esfuerzo.

El 8 de julio de 2026, OpenAI lanzó GPT-Live, el nuevo modelo que sustituye a Advanced Voice Mode y renueva la voz de ChatGPT con una arquitectura full-duplex: escucha y habla al mismo tiempo, asiente mientras hablas, encaja las interrupciones y no corta el silencio en el que piensas. La inmediatez la asume GPT-Live y el razonamiento profundo y la búsqueda se delegan en un modelo en segundo plano (GPT-5.5 en el lanzamiento; GPT-5.6 o GPT-6 Astra desde el 9 de septiembre de 2026). En el lanzamiento, Free usaba GPT-Live-1 mini y Go/Plus/Pro GPT-Live-1; desde el 9 de septiembre, Go también usa mini. Explicamos qué es, en qué se diferencia del modo anterior, cómo funciona, sus límites actuales (sin vídeo ni pantalla compartida), la API disponible desde el 10 de septiembre de 2026 y su diferencia con GPT-Realtime-2.1.

Comparamos GPT-5.6 «Sol», el buque insignia de OpenAI en julio de 2026, con Gemini de Google. Sus puntos fuertes apenas se solapan: Sol arrasa en programación agéntica y de terminal (Terminal-Bench 88.8% vs 70.7%, SWE-bench Pro 64.6% vs 54.2%, ambos de la tabla de evaluación de OpenAI), mientras que Gemini 3.1 Pro responde con multimodalidad nativa de voz y vídeo y un precio unitario de alrededor del 40% del de Sol. Ojo al matiz temporal: el verdadero rival de Google, el 3.5 Pro, seguía sin estar disponible a 22 de septiembre de 2026. Repasamos especificaciones, benchmarks, coste real y cómo elegir según tu caso de uso.

Tras trabajar mucho rato con Claude Code, la respuesta se pone a repetir «court court court…» decenas o cientos de veces y termina deteniéndose con «API Error: Response stalled mid-stream. The response above may be incomplete.». No es un fallo de tu prompt: son dos errores conocidos que se encadenan —un bucle de repetición (degeneración) del modelo, con etiqueta area:model y bug, y la detención del stream del lado del transporte—. Este artículo explica qué es cada capa, qué la desencadena (sesiones largas, contexto grande, conexión inestable), cómo detenerla al instante (Esc → sesión nueva o /clear), cómo prevenirla desde la API/SDK (timeout de lectura, detección de repetición, límite de max_tokens) y cómo distinguirla del bug de fuga de etiquetas court/invoke.

GPT-5.6 no es solo una mejora de rendimiento: reorganiza el buque insignia único de GPT-5.5 en 3 modelos (Luna/Terra/Sol). Lo más relevante es Terra, que ofrece calidad equivalente a GPT-5.5 a un coste mucho menor: en el lanzamiento costaba la mitad y, tras la bajada de precios del 30 de julio de 2026, se quedó en el 40% del precio unitario de GPT-5.5 ($2/$12). Sol, en cambio, mantiene $5/$30 y sube SWE-Bench Pro del 58.6% al 64.6% según OpenAI (+6pt). Analizamos qué ha cambiado, cuánto baja la factura y a qué modelo conviene migrar según tu uso.

El entonces buque insignia de OpenAI, GPT-5.6 «Sol», frente a Claude Fable 5, la gama alta de Anthropic en aquel momento: no es un duelo dentro del mismo rango de precio, sino la disyuntiva entre coste y capacidad. Fable 5 domina la codificación de nivel de producción real (SWE-Bench Pro 80.0% frente a 64.6% en la tabla de OpenAI) y la autonomía prolongada; Sol lidera el manejo de terminal (TerminalBench 88.8%), la amplitud como agente y la relación coste-eficacia a mitad de precio. Analizamos benchmarks, coste por tarea completada y cómo repartir el uso de estos dos gigantes asimétricos según cada caso.

Comparación a fondo de los dos gigantes de la programación con IA en julio de 2026: Claude Opus 4.8 (28 de mayo) y el modelo tope de gama Sol de GPT-5.6 (9 de julio). Sus puntos fuertes son casi opuestos: Sol lidera en operación de terminal y capacidad agéntica global (TerminalBench 2.1 88.8% vs 78.9% de Opus, Agents' Last Exam 53.6, Coding Agent Index 80), mientras que Opus 4.8 lidera en programación de nivel producción (SWE-bench Pro 69.2% vs 64.6% de Sol) y pone en primer plano la honestidad (deja pasar fallos de su propio código unas 4 veces menos; solo en el 3.7% de los casos deja de avisar de fallos importantes). GPQA Diamond y FrontierMath, que se daban por no publicados, figuran en la tabla de evaluación de OpenAI con Sol por delante (igual que en GraphWalks 1M), y en SWE-bench Pro incluso la propia tabla de OpenAI sitúa a Opus por delante, así que en el corazón de la programación Opus tiene la ventaja. Cubrimos la tabla de especificaciones, el detalle de los benchmarks, el problema de los benchmarks no publicados, el coste real ($25 vs $30 de precio unitario frente a +54% de eficiencia de tokens), un mapa de fortalezas y debilidades, la elección por caso de uso y una estrategia de doble proveedor.

OpenAI puso GPT-5.6 en disponibilidad general el 9 de julio de 2026, sustituyendo la vieja estructura de «estándar + Pro» por un esquema de tres modelos: Luna (rápido y de bajo coste, $0.20/$1.20), Terra (equilibrado, $2/$12, equivalente a GPT-5.5 al 40% del precio unitario de Sol) y Sol (buque insignia, $5/$30); los precios corresponden a la revisión del 30 de julio de 2026. Sol se sitúa primero en Agents' Last Exam (53.6) y en el Coding Agent Index (80), y su 88.8% en TerminalBench 2.1 supera a Claude Fable 5 (83.1%); sin embargo, en el SWE-Bench Pro de nivel de producción, Claude Fable 5 lidera con claridad con un 80.0% frente al 64.6% de Sol. Este artículo cubre las diferencias entre los tres modelos, precios, benchmarks, nuevas funciones (Programmatic Tool Calling, ChatGPT Work y el modelo de voz full-duplex GPT-Live), la disponibilidad por plan de ChatGPT, una comparación con Claude (Fable 5 / Opus 4.8) y cómo elegir según el caso de uso, todo basado en el anuncio oficial de OpenAI y en benchmarks independientes.

El «API Error: 400 Output blocked by content filtering policy» que aparece de golpe en Claude Code o en la API no es un límite de uso ni un exceso de contexto: es el estado en que el filtro de seguridad detuvo la «salida» que Claude iba a devolver. Su objetivo principal es evitar la reproducción literal de obras protegidas ya existentes, y es frecuente que se produzca un falso positivo (false positive) sin ninguna mala intención al generar el texto completo de licencias estándar como MIT/Apache, en tareas de «hacer coincidir» con una fuente existente o al duplicar documentos largos. Este artículo organiza, a partir de la explicación oficial (el filtro de la fase de salida detecta la reproducción de obra protegida y bloquea con un 400), los patrones de falso positivo vistos en los issues reales de Claude Code (preparación inicial de un repositorio OSS, cotejo de listas, y el diagnóstico erróneo como límite de tokens al final de ejecuciones largas de agente), cómo solucionarlo ahora mismo (obtener con herramientas en vez de copiar literalmente, reformular el prompt hacia generar/resumir, detener el bucle de reintentos con Esc, dividir la tarea, reportar los falsos positivos al soporte) y cómo distinguirlo de Prompt is too long, usage limit, 529 Overloaded y max_tokens.

En el desarrollo personal es habitual quedarse bloqueado en «ya lo he creado, pero ¿cómo gano dinero y a qué precio lo pongo?». Este artículo reúne, desde la mirada del desarrollador en solitario, cómo elegir el modelo de monetización (gratis/pago único/suscripción/freemium/publicidad/donaciones), el diseño de precios basado en el valor —que parte del «valor que obtiene el cliente», no del coste ni de la competencia—, el plan de tres niveles gratis→Pro→Business y la fórmula estándar del descuento anual, cómo conseguir los primeros usuarios de pago y, por último, la rentabilidad incluyendo los costes de la IA como los tokens de la API. Es una pieza que profundiza en la fase de «hacer crecer» del artículo nave nodriza «Hoja de ruta del desarrollo personal con IA».

La mayor causa de que un proyecto personal no se termine es «pulir de más». A fuerza de amontonar funciones, se complica y desaparece sin llegar a publicarse. La única forma de evitarlo es reducir a una función el producto mínimo que transmite valor —el MVP— y publicarlo a máxima velocidad. Este artículo explica, desde la mirada del desarrollador en solitario que hace de la IA su compañera, la forma correcta de entender el MVP, el criterio para recortar el alcance, las dos rutas para crear a máxima velocidad con IA (vibe coding sin escribir código/la práctica escribiendo con un editor de IA), cómo saber que está «terminado» y cómo llegar a publicar y poner el producto en manos de una persona.

El fracaso más común en el desarrollo personal es «lo hice pero no lo usa nadie». Pero el verdadero cuello de botella no es la capacidad de crear, sino la captación. «Si haces algo bueno, la gente vendrá» es una ilusión: reúne clientes potenciales desde antes de crear con el Build in Public, ve a por los primeros 10 a mano y desde lo cercano —«hacer cosas que no escalan»—, y a los primeros 100 búscalos donde están (comunidades, redes) contribuyendo para que te encuentren; luego crea un tráfico continuo con SEO/AEO/LLMO. Este artículo reúne, desde la mirada del desarrollador en solitario, cómo dar esa vuelta en ese orden usando la IA para preparar el terreno.