Hola, soy Álvaro Maureira, y este es el briefing del lanzamiento más importante de la semana en inteligencia artificial. Anthropic sacó Claude Opus cinco, y el titular que vas a leer en todas partes es que llega a la frontera a mitad de precio. En los próximos minutos te voy a mostrar qué dice el anuncio, qué dicen las mediciones independientes, y dónde esas dos cosas no coinciden. Sin hype. Con método.

Partamos por el dato duro. El veinticuatro de julio de dos mil veintiséis, Anthropic lanzó Claude Opus cinco, a cinco dólares por millón de tokens de entrada y veinticinco por millón de salida. Fíjate bien, porque es la primera trampa de lectura: ese precio es exactamente el mismo que el de Opus cuatro punto ocho, su antecesor. No bajó ni un centavo.

Entonces, ¿de dónde sale lo de la mitad de precio? De la comparación con Claude Fable cinco, el modelo tope de la casa, que cuesta diez dólares de entrada y cincuenta de salida. El doble exacto. Anthropic está comparando contra su propio modelo más caro, no contra el modelo al que reemplaza. El encuadre es hábil, y es correcto. Pero conviene saber cuál es la referencia.

Lo verdaderamente nuevo aquí no es la tarifa. Es una perilla. Opus cinco te deja elegir cuánto esfuerzo pone el modelo en cada tarea, y esa perilla cambia al mismo tiempo la calidad, el costo y el tiempo de respuesta. Es la primera vez que la inteligencia se vende como un dial que tú regulas.

Y aquí viene el hallazgo que más me interesa, porque es el que te ahorra plata. Miremos los datos de Artificial Analysis, el evaluador independiente más citado de la industria. En nivel medio, Opus cinco marca cincuenta y seis coma tres puntos de índice de inteligencia, y cuesta sesenta y dos centavos de dólar por tarea. En nivel máximo, sube a sesenta coma siete puntos, y cuesta dos dólares con tres centavos por tarea.

Detengámonos ahí, porque el cálculo es revelador. Subir del peldaño más bajo al más alto te da cuatro coma cuatro puntos más de índice: apenas un ocho por ciento más de inteligencia. Pero multiplica el costo por tres coma tres veces, y la espera hasta la primera palabra por once, de menos de seis segundos a más de sesenta y seis. Traducido a decisiones: si tu agente clasifica tickets o redacta respuestas breves, el nivel medio ya te sirve, y estás pagando el triple por una diferencia que tu cliente jamás va a percibir. Guarda el máximo para investigación, auditoría de código y decisiones caras de revertir.

Vamos ahora a la comparación con el resto del mercado. Es verdad que Opus cinco es hoy el número uno del índice independiente, con sesenta coma siete puntos, seguido por Fable cinco con cincuenta y nueve coma nueve y GPT cinco punto seis Sol con cincuenta y ocho coma nueve. Pero mira los costos por tarea: Opus cinco cuesta dos dólares con tres, y GPT cinco punto seis Sol un dólar con cincuenta y cuatro. Estás pagando cerca de un treinta por ciento más para ganar menos de dos puntos. Eso puede valer la pena o no, y la respuesta depende de tu caso de uso, no del ranking.

Y si bajas un poco la exigencia, el panorama cambia por completo. Grok cuatro punto cinco cuesta treinta y cinco centavos por tarea, GLM cinco punto dos treinta y dos centavos, y Muse Spark uno punto uno, de Meta, veintiséis centavos. Son modelos entre seis y ocho veces más baratos, con índices que rondan los cincuenta y un puntos. Si tu proceso tolera esa diferencia, la aritmética es aplastante.

Ahora, la parte que no vas a encontrar en el comunicado. Y aquí es donde el método importa. Anthropic dice que Opus cinco trabaja de forma más eficiente y que permite conservar tokens. La medición independiente dice otra cosa: Opus cinco es el modelo más verboso de todo el grupo de frontera. Para completar la batería de evaluaciones generó cien millones de tokens, contra ochenta y siete millones de Fable cinco, setenta millones de GPT cinco punto seis Sol, y una mediana de mercado de sesenta y tres millones. Además es el segundo más lento del grupo, con cincuenta y dos tokens por segundo, cuando Gemini tres punto seis Flash entrega doscientos treinta y cinco.

Las dos cosas pueden ser ciertas, y quiero ser justo: Anthropic mide eficiencia por tarea completada, y Artificial Analysis mide tokens generados. Pero si tú pagas por token, la verbosidad es tu problema, no el de ellos.

Hay un segundo punto débil que el anuncio no menciona. Existe una métrica llamada Omnisciencia, que premia respuestas correctas y castiga alucinaciones, sin penalizar que el modelo se abstenga. Ahí Fable cinco saca cuarenta coma dos puntos, y Opus cinco solo treinta y uno coma tres. El modelo caro sigue siendo bastante más confiable a la hora de no inventar. Si tu trabajo es legal, financiero o médico, ese dato pesa más que el índice general.

Dicho todo lo crítico, vamos a lo que sí me parece un salto real. La afirmación central de Anthropic no es un puntaje: es que el modelo verifica su propio trabajo antes de entregar. Y lo respaldan con casos concretos. El mejor es este. Le entregan el dibujo de una pieza mecánica y le piden escribir código que la reconstruya en tres dimensiones. La trampa es deliberada: no le dan ninguna forma de mirar el dibujo. ¿Qué hizo Opus cinco? Se escribió su propia canalización de visión por computador para extraer la geometría desde los píxeles crudos, y reconstruyó la pieza completa, de forma repetida. Ningún competidor lo resolvió en cinco intentos.

Hay dos casos más con el mismo patrón. En un error real de un gestor de paquetes de código abierto, un modelo competidor arregló el síntoma visible y declaró el problema resuelto; Opus cinco fue a la causa raíz y detectó además un caso borde que el parche de la propia comunidad había pasado por alto. Y en una firma de trading, al no encontrar una fuente en vivo contra la cual validar su código, se fabricó su propio banco de pruebas. Cuando falta una herramienta, se la construye en lugar de detenerse o de fingir que terminó.

Si estás evaluando modelos para agentes, ahí tienes tu prueba práctica: dale una tarea a la que le falte un insumo a propósito, y observa si inventa el puente o si te entrega una respuesta plausible y vacía.

Una palabra sobre seguridad, porque hay una decisión de diseño que vale la pena entender. Anthropic dice haber evitado a propósito entrenar a Opus cinco en tareas de ciberseguridad, y aun así el modelo mejoró por ser más capaz en general. El resultado es una asimetría buscada: encuentra vulnerabilidades casi tan bien como el modelo especializado de la casa, pero está muy por detrás a la hora de convertirlas en un ataque funcional. Encontrar sí, explotar no. Eso es lo que separa una herramienta defensiva de una ofensiva.

Y hay una novedad que te conviene conocer si trabajas con la interfaz de programación. Ahora existe un tercer estado además de permitido y bloqueado: el reenvío. Las solicitudes que los clasificadores marcan ya no fallan con un error, caen automáticamente a Opus cuatro punto ocho. Tu proceso ya no se detiene, pero puede estar corriendo con un modelo distinto al que creíste haber contratado. Si mides calidad, agrega esa señal a tu registro.

Anthropic también publicó veinticuatro testimonios de clientes que probaron el modelo antes del lanzamiento. Te resumo los que traen números, con la advertencia de que son cifras autorreportadas por cada empresa sobre sus propios benchmarks internos, no mediciones independientes. Box dice que mejora un ocho por ciento en general, un once por ciento en análisis de datos y un diecisiete por ciento en debida diligencia. Lovable reporta un veintidós por ciento más en tareas agénticas de código, y algo que me parece más valioso que el promedio: mucha menos varianza entre corridas. Para quien pone esto en producción, la consistencia vale más que el pico.

Y fíjate en un patrón interesante, porque la mayoría de las cifras no son de calidad sino de ahorro. Una firma legal reporta un veintiséis por ciento menos de tokens generados manteniendo la calidad. Un equipo de modelado financiero habla de nueve puntos porcentuales más de precisión, pero con un tercio menos de turnos y un sesenta por ciento menos de tiempo. Y en un benchmark de trading dicen usar cerca de un séptimo de los tokens de razonamiento y menos de la mitad de la latencia de Opus cuatro punto ocho. Si eso se sostiene fuera del laboratorio, el argumento de venta real no es que piense mejor, sino que llega antes y gastando menos.

En investigación científica el salto también existe. Anthropic dice que Opus cinco supera a Opus cuatro punto ocho en todas sus evaluaciones de ciencias de la vida, con las mejoras más grandes en química orgánica, donde saca diez coma dos puntos porcentuales más deduciendo estructuras moleculares desde datos de espectroscopía, y en predicción de proteínas, con siete coma siete puntos más. Ojo: ese benchmark es interno y no está publicado. Y en alineamiento afirman que es su modelo más alineado hasta la fecha, con la tasa más baja de conducta engañosa de toda su familia.

Cerremos con el límite honesto de todo lo anterior. Buena parte de las cifras estrella del anuncio son evaluaciones internas de Anthropic, sin réplica independiente. Es más: la propia nota al pie aclara que una de esas pruebas es una corrida interna, promediando cinco intentos por tarea, y usando Opus cuatro punto ocho como respaldo cuando el clasificador rechaza una petición. O sea, el puntaje reportado de Opus cinco incluye respuestas que no son de Opus cinco. Eso no lo invalida, pero obliga a tratarlo como lo que es: una cifra del fabricante.

Mi resumen en una frase. Opus cinco es hoy el modelo más inteligente del mundo según la medición independiente, y un salto real en criterio y autonomía; y a la vez es lento, verboso, más caro por tarea que su competidor directo, y menos confiable que Fable cinco a la hora de no inventar. La pregunta correcta no es cuál es el mejor modelo, sino cuánta inteligencia necesitas comprar de verdad para tu tarea.

Para eso te dejé el dial en la página, junto con la tabla ordenable de los ocho modelos de frontera y la calculadora de costos mensuales. Muévelos, y decide con números tuyos. Nos vemos en el próximo análisis. Sin hype, y con método.