Claude Opus 5: brillante y exasperante a partes iguales

Anthropic lanzó Claude Opus 5 el 24 de julio y te lo contamos el mismo día. Dos jornadas después ya hay bastantes impresiones de gente que lo ha usado en serio, y nosotros llevamos desde entonces trabajando con él en el día a día. Lo curioso es que todas coinciden en algo raro: el modelo hace un trabajo excelente y trabajar con él resulta incómodo.

No es la reacción habitual cuando sale un modelo nuevo. Lo normal es que las opiniones se partan entre entusiastas y escépticos; aquí son las mismas personas las que están impresionadas con los resultados y molestas con la experiencia. Como esta vez sí que afecta a cómo trabajamos, hemos contrastado lo que vemos nosotros con lo que cuentan otros compañeros de profesión. Esto es lo que sale.

Qué ha cambiado por dentro

Antes de las opiniones conviene entender tres cambios, porque explican casi todas las quejas.

El razonamiento ya no se enciende: se dosifica. En la versión anterior podías activar o desactivar el pensamiento largo. Ahora va siempre puesto y lo que controlas es un mando de esfuerzo con cinco posiciones: bajo, medio, alto —el que viene de fábrica—, extra y máximo. La misma pregunta puede devolverte respuestas notablemente distintas según dónde esté ese mando, y las posiciones altas se comen tus límites de uso mucho más rápido. En la práctica es el control principal del modelo: la novedad va menos de potencia bruta y más de decidir dónde gasta la energía.

Se revisa solo, y a veces de más. Este es el detalle con más consecuencias prácticas. La documentación pide explícitamente que borres de tus instrucciones las líneas del tipo «incluye un paso final de verificación» que escribiste para modelos anteriores, porque ahora provocan el efecto contrario: se revisa tanto que se atasca. Si tienes plantillas o indicaciones guardadas de hace meses, hay limpieza pendiente.

Un millón de tokens de contexto, con la promesa de que la calidad aguanta a lo largo de toda la ventana. Traducido: puedes soltarle un año entero de documentación de un cliente en lugar de irla troceando. Si eso se sostiene con uso real, cambia bastantes formas de trabajar.

En cuanto al precio, cuesta lo mismo que la versión anterior y mantiene el «modo rápido» al doble del precio base. Al salir encabezaba los rankings independientes, por delante incluso del modelo más caro y capaz de la propia casa. Y en las pruebas duras, esas de resolver problemas que no ha visto nunca, se queda en un 43,3 % y un 30,2 % según el examen: cifras que suenan bajas hasta que ves que el resto anda bastante por debajo.

El veredicto que se repite: buen trabajo, mal compañero

La crítica más dura que hemos leído lo describe como neurótico y disculpón, y carga sobre todo contra lo mucho que se enrolla: pides una cosa y te devuelve tres párrafos de matices que no venían a cuento. En una sesión real de programación llegó a negarse en redondo a tocar un conflicto de código. Y aun así, cuando esa misma persona le pasó una prueba a ciegas junto a otros seis modelos, ganó él, con las mejores notas en diseño de interfaz. Resumido medio en broma: es el compañero de trabajo que más detesta y el que mejor trabajo entrega.

Otro equipo llegó a la misma pared por otro camino. Tras una semana de pruebas lo describen como un modelo difícil de querer: discutía las instrucciones, se paraba antes de terminar el trabajo y chocaba con toda la maquinaria de plantillas y automatismos que ya tenían montada. Su rendimiento cambió de golpe cuando borraron esa infraestructura y empezaron de cero. De ahí sale el consejo más contraintuitivo de todos, que dos personas del mismo equipo encontraron por separado: los niveles de esfuerzo medio o bajo dan mejor resultado, porque cuanto más tiempo le das para pensar, más probable es que aparezcan las manías.

Hay también un matiz sobre el tipo de encargo que nos parece de los más útiles: rinde muy bien en tareas cortas, donde iguala o supera al modelo grande de su propia familia, y se queda menos ambicioso en las largas, donde no entrega un conjunto de trabajo tan completo como uno esperaría.

El contrapunto claramente positivo viene del terreno de las automatizaciones. A partir de una hoja de cálculo en bruto con datos de salud de cuentas de clientes, el modelo ejecutó de principio a fin una secuencia completa para evitar bajas: detectar las cuentas en riesgo, avisar al responsable y resumir para el equipo de retención. Ningún modelo anterior había superado esa prueba entera. Este la pasó.

¿Y nuestra experiencia? Coincidimos en lo esencial. El trabajo que entrega es notablemente mejor, sobre todo cuando le pides que se enfrente a algo abierto en lugar de a un encargo cerrado. Y sí, se enrolla, matiza de más y a veces se planta donde antes tirabas para adelante. Lo del mando de esfuerzo lo confirmamos: hemos tenido mejores resultados en la zona media que en la alta, que es justo lo contrario de lo que uno esperaría al leer «más esfuerzo». Donde sí discrepamos un poco es en el drama: para el trabajo que hacemos aquí —analizar datos de un cliente, redactar, revisar, ordenar— las manías se notan mucho menos que si te dedicas a programar todo el día.

Los números de la revisión de código: constructor sí, revisor no tanto

El análisis más medido que hemos visto viene de un equipo que lleva probando cada versión de esta familia sobre revisiones automáticas de código, con las mismas pruebas cada vez. Su lectura: el modelo defiende mejor el papel de constructor que el de revisor. Lo describen como «menos ansioso» que los anteriores: se toma su tiempo para aclarar el objetivo, propone varias alternativas creíbles y afronta proyectos abiertos sin lanzarse a la primera solución que se le ocurre. En trabajos grandes llegó a coordinar cientos de procesos en paralelo con mucho mejor criterio de diseño que la versión previa.

El pero es doble. Por un lado sigue siendo más lento que el modelo grande de la casa y demasiado cauto en todo lo que huele a seguridad. Por otro, el coste se nota: en cada revisión lee alrededor de un 50 % más y escribe un 65 % más que los modelos de referencia con los que lo comparan, unos 60.500 tokens de entrada y 9.500 de salida por llamada. Y el balance de calidad tiene dos caras: los comentarios que sirven para algo suben del 35,2 % al 39,3 %, pero detecta menos problemas de los conocidos (55,2 % frente al 61,1 % de referencia) y se pone cuatro veces más quisquilloso, con 92 observaciones menores donde antes había 23. La conclusión a la que llegan es la que nosotros aplicamos ya con todas: dale un papel concreto, no lo uses por defecto para todo.

Seguridad: mejor encontrando, no entrenado para explotar

Hay un apartado que no debería pasar desapercibido después de los sustos que ha dado el sector este año: el modelo ha mejorado bastante encontrando vulnerabilidades, pero no se le ha entrenado deliberadamente en explotarlas. Es decir, se acerca a los modelos de la clase superior a la hora de detectar fallos y se queda muy por detrás a la hora de convertirlos en amenazas reales. Suena a matiz técnico y no lo es: marca por dónde ha decidido no crecer el fabricante.

Y esto qué pinta en tu negocio

Si has llegado hasta aquí pensando «yo tengo una clínica, no un departamento de informática», la lectura útil es corta. La primera, que el avance no está tanto en subir el techo de lo que la IA puede hacer como en abaratar el suelo de lo que cuesta hacerlo: es el modelo pensado para el día a día, no para el récord, y llega al mismo precio que su predecesor. Eso es exactamente lo que le sirve a un negocio pequeño.

La segunda es que no hay que perseguir a la IA de moda. Cuando comparas las principales con datos independientes salen casi empatadas, como se ve en el gráfico de nuestra portada: la que va primera este mes puede caer varios puestos en la siguiente prueba. Da igual en cuál pregunte tu cliente; lo que decide la respuesta es lo que todas encuentran sobre ti.

Y la tercera, la de siempre: si producir textos es cada vez más barato para todo el mundo, el contenido de relleno vale cada vez menos y la autoridad real vale más. Por eso desconfiamos tanto de los paquetes que venden visibilidad en IA como si fuera un canal aparte. La herramienta te ahorra empezar de cero; la confianza sigue construyéndola tu negocio.

En resumen: lo que nadie esperaba es que la IA que mejor trabaja llegase con carácter, opiniones propias y ganas de discutir. Habrá que acostumbrarse.