Astra o Fable: qué modelo elegir para trabajar

Astra no gana en todo, pero encaja en tareas valiosas

Esta división me parece más reveladora que cualquier clasificación general: Astra se percibe como claramente mejor en tareas visuales, espaciales y analíticas, mientras Fable sigue siendo más fuerte cuando el resultado debe ser código funcional. No se trata de un cambio de líder, sino de una separación bastante clara de especialidades.

En el catálogo de modelos de Microsoft, Astra se describe como un modelo para razonamiento complejo y trabajo con conocimiento empresarial. Esto coincide con los comentarios de la discusión original: un antiguo proyecto de análisis de negocio, que antes aportaba poco valor, pasó a ser realmente útil con Astra para calcular inversiones, rentabilidad y analizar competidores.

Otro participante destacó específicamente la inteligencia visual y el razonamiento espacial de Astra, pero calificó su código como inferior al de Fable. No es una crítica abstracta al estilo de respuesta: en el desarrollo con agentes, la solidez al escribir, modificar y depurar código importa más que un razonamiento llamativo alrededor de la tarea.

Las cifras tampoco ofrecen una ganadora evidente. En una comparación pública, Astra y Fable 5.1 obtuvieron 62 puntos cada una en el Coding Agent Index. Otros resúmenes mostraron resultados distintos, y Fable salió más a menudo por delante en pruebas más exigentes de ingeniería de software con agentes. Para mí, esto indica que no se deben promediar resultados entre versiones y entornos de prueba diferentes.

A comienzos de septiembre de 2026 se informó de que Fable 5.1 pasó a estar disponible de forma general el 1 de septiembre, mientras Astra llegó a la API de OpenAI para todos los niveles el 6 de septiembre. Al mismo tiempo, el cierre de suscripciones de Astra generó hipótesis de usuarios sobre subidas de precio y planes más caros, pero los datos de origen no confirman esas suposiciones.

Otra explicación plausible es que, tras captar una base de usuarios, el servicio haya alcanzado sus límites de capacidad computacional. Por ahora, esto también es solo una interpretación del comportamiento del producto, no un hecho establecido.

La elección depende ahora de la forma del resultado

Para analizar documentos, interfaces, imágenes y escenarios de negocio, Astra parece una opción más apropiada. Si la tarea termina en un pull request, depuración en varios pasos o trabajo autónomo con un repositorio, los comentarios prácticos inclinan la balanza hacia Fable.

Los flujos mixtos son más complejos. Un buen razonamiento espacial no compensa errores de código, y un agente de programación potente no necesariamente entenderá mejor el contexto visual o un planteamiento analítico ambiguo. Yo probaría primero el tipo de error más costoso del proceso concreto, no un benchmark general.

La historia de las suscripciones añade otro riesgo: la calidad del modelo no sirve de nada si el acceso es inestable o la economía cambia de forma brusca. Por eso, la principal incógnita sobre Astra no es solo su inteligencia, sino si el producto podrá sostener su propia popularidad.

Ya analizamos cómo el desarrollo asistido por IA puede deteriorar la calidad del código cuando se acepta la salida del modelo sin una verificación suficiente. Los resultados más débiles de Astra en programación refuerzan que destacar en otros benchmarks de razonamiento no garantiza un trabajo de software fiable.