Esta guía es para quien usa ChatGPT, Claude o Gemini (o sus API) y no tiene claro si le compensa el modo que «piensa». Un modelo de razonamiento escribe un borrador interno antes de responder: acierta más en problemas de varios pasos, como depurar código, planificar o cruzar documentos largos, pero ese borrador se cobra y se espera. Para preguntar un dato, clasificar o redactar algo sencillo, sobra. Todo lo que sigue sale de la documentación oficial de OpenAI, Anthropic y Google.
Es la diferencia entre contestar de memoria y coger papel y lápiz. La pregunta útil no es si razonar es mejor, sino cuándo te sale a cuenta pagarlo.
¿Qué hace exactamente un modelo de razonamiento?
Genera tokens de razonamiento antes de la respuesta visible. La guía de modelos de razonamiento de OpenAI explica que ese paso previo ayuda al modelo a «planificar, usar herramientas de forma eficaz, examinar alternativas, recuperarse de la ambigüedad» y resolver tareas complejas de varios pasos.
La documentación de Anthropic sobre el pensamiento de Claude lo cuenta con más detalle: Claude reformula lo que se le pide, prueba enfoques, comprueba resultados intermedios y abandona los caminos que no se sostienen. Google, en su guía de thinking para Gemini, añade que sus modelos razonan de forma dinámica y ajustan el esfuerzo según la complejidad de la petición.
Un matiz que conviene saber: lo que ves no es el razonamiento real. Anthropic aclara que el texto de los bloques de pensamiento es un resumen y «nunca» la cadena de razonamiento en bruto. OpenAI indica que los tokens de razonamiento no son visibles a través de su API, y Google, por defecto, solo devuelve la respuesta final; los resúmenes de pensamiento hay que activarlos.
Este razonamiento también se intercala con el uso de herramientas: Anthropic explica que Claude puede pensar entre una llamada a herramienta y la siguiente, algo clave en plena fiebre de los agentes de IA, para la que la web no tiene barandillas suficientes.
Cuánto cuesta dejar pensar a la IA
Los tres proveedores cobran el razonamiento como tokens de salida, aunque no lo veas. OpenAI dice que esos tokens ocupan espacio en la ventana de contexto y se facturan como salida. Anthropic insiste en que pagas el pensamiento completo, no el resumen que te enseña, y Google calcula el precio de la respuesta como la suma de los tokens de salida y los de pensamiento.
La escala importa. Según OpenAI, un modelo puede generar desde unos cientos hasta decenas de miles de tokens de razonamiento por petición, y la compañía recomienda reservar al menos 25.000 tokens para razonamiento y respuesta cuando empiezas a experimentar. En el ejemplo de uso de su propia documentación, 1.024 de los 1.186 tokens de salida (un 86 %) son razonamiento.
Hay una trampa más cara que el propio razonamiento: quedarse sin presupuesto a mitad. Si se alcanza el límite de tokens, OpenAI avisa de que puedes pagar la entrada y el razonamiento sin recibir ninguna respuesta visible. Google describe lo mismo: la salida llega truncada o vacía, «aunque se facturan» los tokens de pensamiento generados. Por eso Google recomienda bajar el nivel de pensamiento en lugar de recortar el máximo de salida.
La otra factura es el tiempo. OpenAI describe su nivel bajo como un «aumento modesto de la latencia» y, del nivel xhigh, dice algo poco habitual en un fabricante: úsalo solo cuando tus evaluaciones muestren un beneficio claro que justifique la latencia y el coste extra.
¿Para qué tareas compensa, según las propias empresas?
Compensa cuando el problema tiene varios pasos o información ambigua, y sobra cuando la respuesta es directa. Es la conclusión común de las tres guías, que coinciden bastante:
| Tipo de tarea | ¿Cuánto razonamiento? | Ejemplos que dan las guías |
|---|---|---|
| Recuperar un dato, clasificar, voz | Ninguno o mínimo | «¿Dónde se fundó DeepMind?» (Google); voz y clasificación (OpenAI) |
| Redactar, analizar datos, atención al cliente | Bajo | Borradores y análisis de datos (OpenAI) |
| Comparar conceptos, investigar, hojas de cálculo | Medio (valor por defecto en muchos modelos) | Comparar coches eléctricos e híbridos (Google); investigación (OpenAI) |
| Depurar código, matemáticas, planificación de varios pasos | Alto o máximo | Problemas de matemáticas de competición y programación avanzada (Google); depuración compleja (OpenAI) |
La guía de buenas prácticas de razonamiento de OpenAI resume la filosofía con una metáfora: los modelos de razonamiento son «los planificadores» y los modelos rápidos, «los caballos de carga». Los primeros brillan con tareas ambiguas o al buscar una aguja en un pajar de contratos y estados financieros; los segundos, con tareas bien definidas cuando importan la velocidad y el coste.
De esa guía sale un consejo que contradice un hábito extendido: pedirle a un modelo de razonamiento que «piense paso a paso» puede no mejorar el resultado e incluso empeorarlo. Funcionan mejor con instrucciones directas y un objetivo claro.
Mi lectura de estas tablas es que el error más común no es usar poco razonamiento, sino usar demasiado por defecto. Si una pregunta se responde con un dato, cada token de borrador es dinero y tiempo tirados.
¿Qué modelos razonan a octubre de 2026?
La mayoría de los que listan las tres compañías, y la frontera entre «modelo de razonamiento» y «modelo normal» se está borrando: ahora es un dial de esfuerzo más que un interruptor. Estos son ejemplos sacados de la documentación oficial a fecha de octubre de 2026:
- OpenAI recomienda empezar con gpt-6-astra para la mayoría de cargas de razonamiento, gpt-5.6-terra si buscas menor coste y gpt-5.6-luna para el coste y la latencia más bajos. Los niveles de esfuerzo van de none a max según el modelo, y gpt-6-astra no admite none.
- Anthropic indica que en Claude Opus 5.5, Sonnet 5.5 y Haiku 5.5, entre otros, el pensamiento ya viene activado. En Opus 5.5 el pensamiento adaptativo no se puede desactivar y su esfuerzo por defecto es medio. El propio modelo decide en cada petición si piensa y cuánto: una pregunta factual sencilla puede no generar ningún bloque de pensamiento.
- Google lista gemini-4-argon y gemini-3.8-flash con pensamiento activado por defecto en nivel medio y niveles bajo, medio y alto. Algunos modelos más ligeros, como gemini-2.5-flash-lite, lo traen desactivado.
Si lo que te preocupa no es el coste sino qué documentos mandas a la nube para que el modelo razone sobre ellos, la alternativa es ejecutar modelos de IA en tu propio ordenador con Ollama o LM Studio, con sus propias limitaciones de potencia.
Creo que los proveedores están resolviendo esa decisión por ti con los valores por defecto: Anthropic, por ejemplo, ha fijado el esfuerzo medio en Opus 5.5 cuando los Opus anteriores venían en alto. Conviene saber dónde está ese dial.
Un modelo que piensa más no sabe más: razona mejor con lo que tiene, pero no obtiene información que no esté a su alcance. Mi recomendación es empezar con el esfuerzo bajo o el que venga por defecto y subirlo solo cuando la respuesta falle en un problema de varios pasos. Es, en el fondo, lo mismo que dice OpenAI de su nivel más alto: si no puedes demostrar que mejora el resultado, estás pagando por esperar.