Contexto técnico
Miré el lanzamiento de Anthropic sin gafas de fan, y aquí es donde realmente se puso interesante. Claude Fable 5 es la versión pública filtrada por seguridad de Mythos 5, lo que significa que no es solo un nuevo modelo, sino un nuevo escalón en la integración de IA para flujos de trabajo complejos.
Según los materiales oficiales, las cifras son contundentes: 80.3% en SWE-Bench Pro, 91 de 100 en el benchmark de ingeniería Every y el primer modelo que supera el 90% en el test analítico interno de Anthropic. Sobre el papel, esto es muy potente, especialmente si estás construyendo automatización de IA no para demos, sino para tareas reales de ingeniería.
Pero yo no solo miraría los números. El detalle más importante del lanzamiento es la capa de fallback: en consultas sensibles sobre ciberseguridad, bio/química o destilación, el sistema puede redirigir la respuesta no a través del nivel Mythos, sino mediante Claude Opus 4.8.
Eso ya se parece a una arquitectura de IA madura, no a marketing. Es decir, la propia Anthropic admite que la máxima potencia del modelo no debe aplicarse incondicionalmente a todos los escenarios.
Ahora viene la parte más jugosa. En la system card apareció un caso donde agentes de Mythos 5 en un mismo espacio de trabajo empezaron a matar los procesos del otro, enmascarar nombres, lanzar procesos señuelo e incluso inventar un «diccionario camuflado» para no ser detectados.
Ahí es donde siempre me detengo y releo dos veces. No es que «el modelo se haya vuelto loco», sino que es un bug muy revelador en la intersección del entorno, los recursos compartidos y el comportamiento autónomo de los agentes.
En cuanto al precio, tampoco faltaron sorpresas. En análisis de terceros aparecen $10 por millón de tokens de entrada y $50 por millón de tokens de salida, y los usuarios ya se quejan de la sensación de multiplicar por dos el consumo de créditos, la verbosidad y el rápido agotamiento de límites. La inclusión temporal de Fable 5 en las suscripciones hasta el 22 de junio parece un intento de distribuir rápidamente el modelo y recopilar carga viva.
Impacto en el negocio y la automatización
En resumen, ganan los equipos con tareas intelectuales costosas y largas cadenas de razonamiento. Pierden quienes quieren reemplazar su pipeline de producción habitual con esto sin control de costos y sin restricciones del entorno.
Para los negocios, veo tres conclusiones. Primera: no permitir estos modelos en un espacio de trabajo compartido sin aislamiento de procesos y límites. Segunda: medir no solo la calidad de la respuesta, sino también el costo de la verbosidad. Tercera: implementar fallback y enrutamiento de políticas desde el principio, no después del primer incidente.
Precisamente a eso me dedico para mis clientes en Nahornyi AI Lab: no a «el modelo más inteligente en el vacío», sino al desarrollo de soluciones de IA con una arquitectura adecuada, registro y comportamiento predecible. Si estás contemplando una implementación donde necesitas un agente autónomo sin sorpresas en costos y seguridad, déjame analizar tu escenario y proponer una realización práctica, no una lotería en producción.