Claude Opus 4.7 vs. Opus 4.6: ¿vale la pena actualizar ahora?

Si ya usas Opus 4.6 para revisar repositorios, corregir bugs, coordinar agentes o interpretar capturas y documentos visuales, Opus 4.7 merece una prueba A/B pronto. Si tu uso principal es conversar, resumir, traducir o pulir textos, la evidencia pública todavía no justifica una migración completa solo por el cambio de versión.

Lo esencial en una tabla

Cómo leer los benchmarks sin pasarse de entusiasmo

Los benchmarks públicos apuntan en una dirección bastante clara: Opus 4.7 parece mejor preparado que Opus 4.6 para programación difícil, flujos con agentes y visión de mayor resolución. El dato más citado es el 87,6 % en SWE-bench Verified, con una mejora de 6,8 puntos porcentuales frente a Opus 4.6, y LLM Stats afirma que 4.7 supera a 4.6 en 12 de 14 benchmarks reportados.

Pero hay que leer esos números con cuidado. LLM Stats advierte que los benchmarks de su comparativa son autorreportados por Anthropic. Además, Verdent AI señala que algunos ejemplos destacados, como los de Notion y Rakuten, proceden de contextos internos o benchmarks propietarios, no de una evaluación pública y controlada aplicable a cualquier equipo.

En la práctica, eso significa que los datos sí respaldan una hipótesis razonable: 4.7 probablemente sea mejor para tareas de código complejas, agentes largos y entradas visuales exigentes. Lo que no respaldan es una conclusión automática del tipo: todo lo que hoy haces con 4.6 va a salir igual de estable, más barato y mejor.

Precio: mismo coste por token, no siempre misma factura

El punto más cómodo para probar Opus 4.7 es que, según LLM Stats, mantiene el precio de Opus 4.6: 5 dólares por millón de tokens de entrada y 25 dólares por millón de tokens de salida. Para equipos que ya pagan el nivel Opus, eso reduce la fricción inicial: no hay que justificar una tarifa por token más alta antes de medir calidad.

Aun así, el coste real se calcula por tarea completada, no solo por tarifa. Si 4.7 produce respuestas más largas, cambia el número de reintentos o se combina con nuevos niveles de esfuerzo, la factura puede moverse. También puede ocurrir lo contrario: si reduce errores de herramientas, correcciones humanas o ciclos fallidos, el coste total del proceso puede bajar aunque el precio por token sea idéntico.

Por eso la pregunta correcta no es solo cuánto cuesta el millón de tokens. Es cuánto cuesta resolver el mismo trabajo con calidad aceptable, latencia razonable y menos intervención humana.

Quién debería probar Opus 4.7 cuanto antes

Equipos de software y agentes de código. Si ya usas Opus 4.6 para leer repositorios, arreglar bugs, generar parches, revisar pull requests, reparar tests o coordinar cambios en varios archivos, las mejoras públicas de 4.7 encajan justo con tu caso de uso.

Flujos con herramientas y varios pasos. Cuando un agente debe planificar, llamar herramientas, comprobar resultados, corregirse y continuar, pequeñas mejoras de estabilidad pueden tener mucho impacto. Las fuentes públicas destacan precisamente el trabajo agentivo de larga duración como una de las áreas donde 4.7 avanza respecto a 4.6.

Productos que dependen de imágenes. Si tus usuarios suben capturas de pantalla, tablas, documentos escaneados, diagramas de arquitectura, mockups o imágenes con mucho detalle, el salto de visión puede ser más tangible que en un chat de texto puro.

Equipos que ya aceptan el coste Opus. Si 4.6 ya está dentro de tu presupuesto, probar 4.7 es más fácil porque el precio unitario reportado se mantiene igual.

Quién puede esperar

Si tu uso principal es conversación general, resúmenes, traducción, lluvia de ideas o redacción ligera, no hay una razón fuerte para migrar todo de inmediato. No porque 4.7 sea peor, sino porque la evidencia pública se concentra en código, agentes y visión, no en demostrar una mejora igual de visible en todos los usos cotidianos.

También conviene esperar si tu sistema de producción está muy afinado para Opus 4.6. Cambiar de modelo puede alterar tono, formato, longitud de respuesta o distribución de errores. Incluso cuando el modelo nuevo es más capaz, puede romper supuestos que tus prompts, validadores o flujos posteriores daban por estables.

Lista práctica para una prueba A/B

Antes de reemplazar 4.6 por 4.7 en todo el tráfico, conviene comparar con tus propios casos reales:

1. Elige tareas representativas. Incluye casos fáciles, casos donde 4.6 suele fallar, tareas largas, entradas visuales y trabajos de alto valor.
2. Mantén igual el entorno. Usa los mismos prompts, herramientas, límites y datos siempre que sea posible. Cambia solo el modelo para no confundir mejoras de prompt con mejoras del modelo.
3. Mide resultados de negocio. Registra tasa de éxito, tiempo de corrección humana, errores de herramientas, tokens de entrada y salida, reintentos, latencia y coste por tarea.
4. Prueba xhigh por separado. xhigh aparece en recopilaciones sobre 4.7 como un nuevo control de esfuerzo, pero no tiene por qué beneficiar todos los flujos. Compáralo aparte de la configuración estándar.
5. Evalúa visión con material real. Si te importa la lectura de imágenes, usa capturas, diagramas, tablas y documentos parecidos a los de producción, no solo ejemplos limpios.
6. Conserva un fallback a 4.6. Empieza con poco tráfico, revisa coste y estabilidad, y amplía solo cuando los resultados sean consistentes.

Recomendación final

Para programación avanzada, agentes de larga duración y visión, Claude Opus 4.7 es un candidato de actualización de alta prioridad. La combinación de mejoras reportadas y mismo precio por token lo vuelve especialmente atractivo para quienes ya estaban usando Opus 4.6 en tareas exigentes.

Para usos generales, la recomendación es más prudente: probar, medir y decidir. No actualices solo por el número de versión. Actualiza si tus pruebas muestran mejores resultados en tus propios prompts, datos, restricciones de formato, latencia y costes.