El Claude que ahora termina lo que empieza

Hay una frustración específica de usar IA para algo que toma varios pasos: va bien las primeras tres cosas, y a la cuarta se pierde, inventa un dato o se detiene a la mitad. Uno termina revisando cada paso, que es exactamente el trabajo que se quería ahorrar.

Claude Fable 5.1, presentado por Anthropic el 1 de septiembre junto a un hermano de acceso restringido llamado Mythos 5.1, apunta directo a ese problema. No es un modelo nuevo desde cero — Anthropic es explícito: “es el mismo modelo, con distintos niveles de salvaguardas”. Lo que cambió es cuánto puede sostener antes de perder el hilo, y cuánto cuesta dejarlo trabajando.

Fable 5.1 ya está disponible para cualquiera: en la API de Claude, en Amazon Web Services, en Google Cloud, en Microsoft Azure, y dentro de Claude Code y Claude Enterprise. Mythos 5.1 no — solo entra por dos programas de verificación, uno para trabajo defensivo de ciberseguridad y otro de ciencias de la vida en convenio con el gobierno de Estados Unidos, y por ahora limitado a organizaciones de ese país. Para la enorme mayoría de negocios, Fable 5.1 es el que importa.

Qué quiere decir “agéntico”, sin la palabra rara

El término aparece en todos los anuncios de este año y casi nunca se explica. No es complicado: una IA “conversacional” contesta lo que le preguntas y se detiene ahí. Una IA “agéntica” puede encadenar varios pasos por su cuenta — leer un archivo, decidir qué hacer con lo que encontró, usar una herramienta, revisar si el resultado tiene sentido y seguir — sin que tengas que ir empujándola paso por paso.

El problema histórico de ese modo de trabajar es que entre más pasos encadena, más probable es que uno de ellos salga mal y arrastre a los siguientes. Por eso “más agéntico” no es una función nueva llamativa: es, casi siempre, una forma indirecta de decir “se equivoca menos seguido a la mitad del camino”. Ahí es donde apunta Fable 5.1.

Lo que de verdad cambió: termina más tareas sin ayuda

Anthropic mide esto con pruebas técnicas que no le importan a nadie fuera de un laboratorio, pero lo que miden sí importa. Una de ellas, llamada OSWorld, pone al modelo a operar una computadora como lo haría una persona — abrir una aplicación, hacer clic donde toca, llenar un campo, seguir hasta el final. Fable 5.1 completó 41.7% de esas tareas de principio a fin, contra 36.1% de la versión anterior.

En otra prueba, de tareas técnicas de varios pasos seguidos, el salto es más grande: 52.6% contra 24.7% — más del doble. No es que escriba una respuesta más larga; es que aguanta más pasos antes de perder el rumbo, que es justo lo que hace que valga la pena dejarlo trabajando sin estar encima.

La otra mitad de la mejora es lo que no hace: Anthropic reporta 60% menos falsas alarmas que la versión anterior en tareas de revisión de seguridad — el equivalente a que te avise de un problema real en vez de mandarte a revisar algo que estaba bien. Puede identificar vulnerabilidades de software, pero según Anthropic no desarrolla el código para explotarlas; y en las pruebas de resistencia a manipulación no se encontró ningún caso de severidad crítica.

Hay dos pruebas más que vale la pena nombrar porque miden cosas distintas entre sí. En razonamiento puro, sin usar ninguna herramienta, Fable 5.1 subió de 57.8% a 60.9% en un examen diseñado para ser difícil incluso para expertos humanos. Y en una prueba de programación asistida —del tipo de tarea que hace un editor de código con IA integrada— pasó de 70.5% a 73.4%. Ninguno de los dos saltos es tan grande como el de las tareas largas; la lectura correcta no es “todo mejoró igual”, es “lo que más mejoró fue justo lo que más se rompía antes”.

La señal más clara de que no es solo mercadotecnia

Ninguna de las cifras de arriba te dice directamente si te conviene a ti. Pero hay un grupo de resultados en el anuncio que sí vale la pena mirar, aunque no tengan nada que ver con tu negocio, porque son el tipo de prueba que no se puede exagerar con un buen guion de mercadotecnia: Anthropic reporta que Fable 5.1 diseñó proteínas con una afinidad de unión hasta 10 veces mayor que las presentadas por otros participantes en un concurso del área, con una tasa de acierto cercana al 50% contra el 10-15% típico. Son resultados que, si fueran falsos, se caerían solos frente a cualquier especialista.

No es que vayas a usar Claude para diseñar proteínas. Es que un modelo que rinde así en un campo donde equivocarse se nota de inmediato es la mejor evidencia indirecta de que la mejora en tareas de varios pasos, la que sí te toca, es real y no solo un número elegido para el comunicado de prensa.

Y además, cuesta menos

Anthropic bajó 75% el costo de leer contexto que el modelo ya procesó antes — de lo que paga más frecuencia sube cuando una conversación se alarga. El resultado, según sus propios números, es que un uso típico cuesta alrededor de 25% menos que con la versión anterior, y una tarea muy agéntica — de las que se dejan trabajando varios pasos seguidos — puede costar hasta 45% menos.

Esto aplica a quien paga por uso: directo con Anthropic, a través de AWS, Google Cloud o Azure, o mediante cualquier herramienta que conecte su propia cuenta a la API de Claude. Si lo que pagas es una suscripción con precio fijo al mes, el precio de tu plan no cambia solo — lo que cambia es cuánto rinde cada conversación dentro de él.

Por qué un mismo modelo tiene dos nombres

Vale la pena detenerse un momento en algo que Anthropic dice sin rodeos: Fable 5.1 y Mythos 5.1 “son el mismo modelo, con distintos niveles de salvaguardas”. No es que Mythos sepa más — es que tiene menos filtros puestos, y por eso solo se entrega a quien puede demostrar que lo va a usar para algo defensivo y verificable: encontrar fallas de seguridad antes que alguien con malas intenciones, o investigación biomédica dentro de un convenio específico con el gobierno de Estados Unidos.

Es un patrón que probablemente se repita con cada modelo grande que venga: entre más capaz es un modelo, más sentido tiene separar “qué tan bien razona” de “a quién se le permite usarlo sin límites”. Para un negocio que no hace investigación de seguridad ni ciencias de la vida, esa distinción no cambia nada en el día a día — pero explica por qué vas a seguir viendo anuncios de “dos modelos a la vez” en vez de uno solo.

Cuándo no te sirve

Si tu único contacto con Claude es la suscripción de precio fijo. El recorte de precio es para quien paga por uso. Tu conversación de todos los días puede sentirse mejor, pero tu recibo mensual no va a bajar por esto.

Si lo que necesitas es Mythos 5.1. Es el más capaz de los dos, pero hoy solo entra por verificación y, en ciencias de la vida, solo para organizaciones de Estados Unidos. Para casi todo negocio fuera de ese caso muy específico, no es una opción disponible todavía.

Si tu tarea nunca fue de varias pasos. Preguntas cortas y sueltas ya funcionaban bien con la versión anterior. La mejora se nota más entre más largo y encadenado sea lo que le pides — si tu uso es puntual, el salto se va a sentir chico.

Si nadie va a revisar el resultado de una tarea larga. Que se equivoque menos seguido no es lo mismo que no se equivoque nunca. Entre más pasos le delegas de corrido, más importa que alguien revise el resultado final antes de darlo por bueno — la reducción de errores baja el riesgo, no lo quita.

Qué hacer el lunes

Paso 1 (5 minutos). Revisa si lo que pagas hoy por IA es un plan fijo o un cobro por uso. Si no lo sabes, es el primer dato que necesitas antes de esperar algún cambio en tu factura.

Paso 2 (10 minutos). Piensa en la tarea más larga que le has pedido a una IA en el último mes — la que tuvo más de tres pasos seguidos. Anota en dónde se perdió o se equivocó, si fue el caso.

Paso 3 (15 minutos). Vuelve a pedirle esa misma tarea, completa, a Claude. Compara cuántos de los pasos hizo sin que tuvieras que corregirla a la mitad. Esa comparación, no el porcentaje de Anthropic, es la que te dice si el cambio te sirve.