¿Cuánto me costaría usar otros modelos con OpenClaw? Considerando GPT 5.6 Luna

DeepSeek, Gemini, Luna y Sonnet: cuánto me costaría usar cada modelo en OpenClaw

Llevo unas semanas usando DeepSeek V4 Flash con OpenClaw para automatizaciones: revisar correo, ejecutar tareas, apuntar cosas, trabajar con ficheros de memoria, scripts y pequeñas operaciones nocturnas. La pregunta lógica era: si cambiara de modelo, ¿cuánto pagaría?

He analizado mi consumo real de junio y lo que llevamos de julio. Estos son los números:

Concepto	Consumo
Tokens de entrada cacheados	588.649.856
Tokens de entrada no cacheados	112.008.797
Tokens de salida	3.851.013
Peticiones	10.145
Coste real con DeepSeek	18,41 $

La clave está en la caché. La mayor parte del consumo no es entrada nueva, sino contexto repetido que el sistema puede reutilizar. Sin caché, usar agentes con mucho contexto sería como dejar una manguera abierta en la caja registradora.

Comparativa de costes estimados

Usando ese mismo patrón de consumo, la estimación queda así:

Modelo	Coste estimado
Gemini 2.5 Flash-Lite	12,26 $
DeepSeek V4 Flash	18,41 $
GPT-5.6 Luna	193,98 $
Claude Sonnet 5	380,26 $
Claude Sonnet 4.6 / precio estándar Sonnet	570,39 $

Estos cálculos son aproximados porque cada proveedor aplica su sistema de caché de forma diferente. En el caso de Luna, he tratado los tokens input_cache_hit_tokens del CSV como lecturas de caché, no como escrituras. OpenAI indica que GPT-5.6 Luna cuesta 1 $ por millón de tokens de entrada y 6 $ por millón de tokens de salida; además, las lecturas de caché tienen un descuento del 90 %, mientras que las escrituras de caché se facturan a 1,25 veces el precio de entrada no cacheada.

Gemini 2.5 Flash-Lite: el más barato

Gemini 2.5 Flash-Lite es el ganador en coste puro. Google lo lista a 0,10 $ por millón de tokens de entrada, 0,40 $ por millón de salida y 0,01 $ por millón de tokens cacheados para texto, imagen y vídeo.

Con mis datos, habría costado unos 12,26 $.

Para OpenClaw, esto es muy interesante en tareas como:

• leer correo;

• clasificar mensajes;

• resumir información;

• extraer datos;

• preparar borradores simples;

• tareas repetitivas de bajo riesgo.

La pega es que el modelo barato no siempre es el modelo más estable para agentes. En automatizaciones, el precio no solo se mide en tokens. También se mide en errores, repeticiones, llamadas fallidas y trabajo humano para arreglar lo que el agente hizo regular.

Mi impresión: Gemini Flash-Lite merece una prueba seria como modelo económico, sobre todo para tareas masivas. Pero no lo pondría a ciegas como cerebro único de OpenClaw sin antes hacer pruebas controladas.

DeepSeek V4 Flash: el equilibrio ganador

DeepSeek V4 Flash me ha costado 18,41 $ para más de 10.000 peticiones. Eso es ridículamente competitivo.

Para el tipo de uso que hago con OpenClaw, DeepSeek tiene mucho sentido: responde suficientemente bien, es barato y permite automatizar sin sentir que cada tarea nocturna está mordiendo la tarjeta bancaria.

Su gran virtud es el equilibrio. No parece el modelo más brillante para razonamiento profundo, revisión compleja de código o decisiones delicadas, pero para trabajo diario de agente es difícil ganarle.

Mi conclusión práctica: DeepSeek sigue siendo mi motor principal para OpenClaw.

GPT-5.6 Luna: no es barato frente a DeepSeek

Aquí está la gran corrección. En una estimación anterior podía parecer que Luna sería solo un poco más caro que DeepSeek. Con los precios fiables, no es así.

OpenAI presenta GPT-5.6 Luna como el modelo más rápido y eficiente en coste dentro de la familia GPT-5.6, junto a Sol y Terra. Durante la preview limitada, estos modelos están disponibles vía API y Codex para organizaciones seleccionadas, pero no en ChatGPT general.

El precio oficial de Luna es:

Concepto	Precio
Entrada	1 $ / millón
Salida	6 $ / millón
Lectura de caché	0,10 $ / millón
Escritura de caché	1,25 $ / millón

Con mi consumo, Luna habría costado aproximadamente 193,98 $.

Eso es más de 10 veces lo que he pagado con DeepSeek.

Así que hay que decirlo claro: Luna no es una alternativa barata para usar OpenClaw de forma masiva. Es barata dentro del ecosistema OpenAI avanzado, pero no compite por precio contra DeepSeek o Gemini Flash-Lite.

Ahora bien, Luna sí puede tener sentido como modelo premium para tareas concretas:

• revisar memory.md;

• depurar scripts;

• decidir entre varias acciones;

• resolver errores de OpenClaw;

• supervisar automatizaciones críticas;

• hacer análisis donde un fallo del modelo barato salga caro.

Mi forma de verlo: Luna no debería ser la mula de carga. Debería ser el supervisor que aparece cuando el asunto se complica.

Claude Sonnet: gran calidad, coste alto

Claude Sonnet juega en otra liga. Anthropic indica que las lecturas de caché cuestan el 10 % del precio normal de entrada, y que las escrituras de caché tienen multiplicadores propios.

Además, Anthropic lanzó Claude Sonnet 5 con precio introductorio de 2 $ por millón de entrada y 10 $ por millón de salida hasta el 31 de agosto de 2026; después, el precio estándar pasa a 3 $ / 15 $.

Con mi consumo, eso daría aproximadamente:

Modelo	Coste estimado
Claude Sonnet 5, precio introductorio	380,26 $
Sonnet a precio estándar 3 $ / 15 $	570,39 $

Sonnet puede ser excelente para redacción, análisis largo, código, razonamiento y tareas donde la calidad importe mucho. Pero usarlo como motor principal de OpenClaw para leer correos, apuntar tareas y hacer automatizaciones rutinarias sería matar mosquitos con artillería naval.

Conclusión para mi uso con OpenClaw

La decisión queda bastante clara:

Uso	Modelo recomendado
Automatización diaria barata	DeepSeek V4 Flash
Automatización masiva ultra barata	Gemini 2.5 Flash-Lite
Revisión de scripts y memoria	GPT-5.6 Luna
Análisis complejo o escritura premium	Claude Sonnet
Motor principal de OpenClaw	DeepSeek, por ahora

Mi estrategia ideal sería esta:

DeepSeek V4 Flash como motor principal.
Gemini Flash-Lite como experimento barato para tareas repetitivas.
GPT-5.6 Luna como supervisor puntual para tareas delicadas.
Claude Sonnet solo para trabajos donde la calidad compense claramente el coste.

La moraleja es sencilla: en agentes, el modelo más barato no siempre es el mejor, pero el modelo más caro casi nunca debería hacer tareas tontas. Hay que montar una pequeña jerarquía de modelos, como una oficina bien organizada: el becario clasifica, el técnico ejecuta, el experto revisa y el catedrático solo aparece cuando hay dragones.