Una noche de finales de septiembre
Un proyecto interno mío, de esos en los que cada pieza toca otras tres. Llevo horas arreglándolo con GPT-6 Astra dentro de Codex, y avanzo despacio. Opus 5.5 había salido esa misma semana, así que le di exactamente la misma situación. Encontró dónde estaba el problema, me lo explicó de una forma que entendí a la primera lectura, y lo resolvió.
Desde entonces no he dejado de trabajar con él. Y la pregunta que no me suelta: ¿cómo lo ha conseguido Anthropic, después de meses en los que casi todos los desarrolladores que conozco se pasaron a Codex?
Claude Opus 5.5, que salió el 22 de septiembre de 2026, es en mi uso el modelo más potente, y por mucho, de todos con los que he trabajado este año. No era lo que esperaba escribir. En los meses anteriores, Codex de OpenAI era mi herramienta y la de casi todos a mi alrededor, y Claude parecía haberse quedado atrás. Este artículo tiene tres partes: lo que vi en el terreno, lo que dicen los números (incluso cuando no coinciden conmigo) y mi teoría sobre el motivo del salto. A lo largo del texto marco qué está verificado, qué es experiencia personal y qué es hipótesis.
En resumen
- Desde el terreno: en los círculos en los que me muevo, los desarrolladores se pasaron en los últimos meses a Codex con GPT-5.6 Sol y GPT-6 Astra. Opus 5 y Sonnet 5 decepcionaron, y Fable tenía un acceso muy limitado.
- Claude Opus 5.5 cambió el panorama para mí: en problemas complejos resuelve lo que a mí me llevó horas con Astra, y se explica mejor. Sonnet 5.5 y Haiku 5.5 continúan el mismo salto.
- Lo que muestran los datos: en nuestro Sigma AI Ranking, que pondera varias fuentes abiertas, Opus 5.5 es primero con 90.7 frente a los 84.0 de Astra. En una prueba aislada como la de Epoch están casi empatados, y explico por qué una prueba aislada no capta lo que sienten los desarrolladores.
- Mi teoría (hipótesis, no hecho): OpenAI invirtió en pulido y RL; Anthropic sacó un modelo grande y menos pulido, Fable. Si Fable hizo de maestro de la generación 5.5, eso explica el salto. Para el dueño de un negocio la conclusión es simple: no te cases con un proveedor.
Los meses de Codex: lo que vi a mi alrededor
Estoy rodeado de desarrolladores de IA todo el día, y yo mismo trabajo con estos modelos de la mañana a la noche. Lo que describo aquí es una observación, no una encuesta.
En los últimos meses, casi todos los desarrolladores que conozco se pasaron a Codex. Primero con GPT-5.5, y después con GPT-5.6 Sol y GPT-6 Astra. El motivo no fue solo el modelo. El harness de Codex, es decir, la capa que ejecuta el modelo, gestiona los pasos y activa las herramientas, simplemente termina las tareas. Trabaja en orden, se revisa a sí mismo y no se detiene a mitad de camino para hacer una pregunta cuya respuesta es evidente. Su computer use, la capacidad del agente de manejar aplicaciones en el ordenador, es excelente. Según la documentación de OpenAI, Codex maneja el ordenador en segundo plano, y "multiple agents can work on your Mac in parallel". Es una diferencia que se nota desde el primer día.
Los datos públicos también apuntan a un movimiento, aunque con cautela: OpenAI informó de un salto en los usuarios de Codex tras GPT-5.6, y Anthropic subió tres veces los límites de uso de Claude Code. Las cifras de OpenAI incluyen a usuarios de ChatGPT, y en las encuestas Claude Code sigue liderando el uso profesional. Así que "todos se pasaron" no es un hecho. "Casi todos con quienes trabajo se pasaron" es lo que yo vi.
Dónde nos perdió Claude: Fable, Opus 5 y Sonnet 5
Fable tenía un acceso muy limitado. Esta es la parte verificada. Claude Fable 5 salió el 9 de junio como una capa nueva por encima de Opus, y con un precio de API del doble: 10 y 50 dólares por millón de tokens. Tres días después se suspendió el acceso por el control de exportaciones de Estados Unidos, y no volvió hasta el 1 de julio. Y aun cuando estaba disponible, la cuota era estrecha: hoy, según la página de soporte de Anthropic, en el plan Max se puede usar Fable hasta el 50% de la cuota semanal, y en el plan Pro solo funciona con créditos de pago. La justificación oficial en el lanzamiento fue la capacidad: la inclusión en la suscripción se ampliaría "when sufficient capacity allows us to do so".
Opus 5 fue una decepción seria, y yo me decepcioné personalmente. Salió el 24 de julio. En mi uso era perezoso, prolijo y confuso en sus explicaciones. Hacía una pregunta concreta y recibía pantallas de texto que no aterrizaban en el punto. Sonnet 5, que salió el 30 de junio, era flojo. Y el computer use de Claude, hasta hoy, me resulta bastante menos útil que el de Codex en mi trabajo.
Quiero ser justo aquí, porque los propios documentos de Anthropic cuentan una historia algo distinta sobre Opus 5, y vuelvo a ello en el apartado de los benchmarks. Sobre Sonnet 5, en cambio, los números me dan la razón: en la tabla que Anthropic publicó en la ficha de Sonnet 5.5, Sonnet 5 obtuvo 10.3% en Terminal-Bench 4.0.
Claude Opus 5.5: qué cambió en mi trabajo
Opus 5.5 no es una mejora gradual en mi experiencia. En el proyecto complejo del principio resolvió cosas que a mí me llevó horas arreglar con Astra. Desde entonces es el primer modelo que abro para cualquier problema en el que hay que entender un sistema entero y no solo ejecutar una lista de pasos.
Lo segundo que destaca: Anthropic trabajó claramente en la forma en que habla 5.5. Presenta la situación, explica qué va a hacer y por qué, y cuando termina, su resumen es breve y claro. Después de Opus 5, parece otro modelo. La propia Anthropic escribe en la guía de migración que las instrucciones ajustadas al comportamiento de Opus 5 "may no longer be needed".
Sonnet 5.5 y Haiku 5.5 continúan el mismo salto. Estos son los números que sí se pueden comprobar:
Fuentes: la página de lanzamiento y la ficha de sistema de Opus 5.5, la ficha de sistema de Sonnet 5.5 (tabla 8.1.A) y una publicación de Epoch AI. Todas las cifras, salvo las de Epoch, las comunica la propia Anthropic.
Anthropic añade otras dos afirmaciones que conviene conocer: que Opus 5.5 "performs at the level of Claude Fable 5.1 on most work", y que necesita menos compute para ejecutarse que Opus 5. Las dos vuelven en la teoría.
Por qué los benchmarks no ven lo que sienten los desarrolladores
Ahora viene la parte interesante. En tres puntos los números complican el panorama, y en dos de ellos directamente no coinciden conmigo.
Primero, Opus 5.5 frente a Astra. Aquí el cuadro depende de lo que se mida. En el Sigma AI Ranking, nuestro ranking que pondera varias fuentes abiertas en una sola puntuación (trabajo como agente, capacidad, escritura, fiabilidad y coste), la diferencia es clara:
Sigma AI Ranking: puntuación ponderada, a 9 de octubre de 2026
Fuente: el Sigma AI Ranking de Platin Digital, que pondera fuentes abiertas (Epoch AI, LMArena, Terminal-Bench y listas de precios oficiales). Las puntuaciones se actualizan cada semana.
Dos cosas destacan en esta tabla. La primera: el salto dentro de Anthropic, de 83.0 a 90.7 en Opus y de 69.5 a 86.8 en Sonnet. La segunda, y la que más me gusta: en la subpuntuación de escritura, Opus 5.5 obtiene 97.1 frente a los 82.7 de Astra. Es justo lo que sentí: el modelo nuevo explica mejor.
Una prueba aislada cuenta una historia más modesta. En el índice de Epoch, Opus 5.5 está en primer lugar, pero "narrowly ahead of GPT-6 Astra", y según un análisis de los intervalos de confianza casi se solapan. METR escribe que es "an incremental improvement above Fable 5.1". Y en la propia tabla de Anthropic, Astra lidera en Terminal-Bench-Science (64.6 frente a 58.7) y en AutomationBench (41.4 frente a 40.0).
Segundo, computer use. En OSWorld 2.0, según BenchLM, el cuadro es el contrario de lo que yo sentí:
OSWorld 2.0: manejo del ordenador, porcentaje de éxito
Fuente: BenchLM, fuente secundaria. Los laboratorios ejecutan versiones distintas de OSWorld, así que las cifras de anuncios distintos no siempre son comparables de forma directa.
Es decir, en el benchmark Opus 5 superó a GPT-5.6 Sol, en la misma época en que yo y todos a mi alrededor preferíamos Codex para manejar el ordenador.
Tercero, "perezoso". Anthropic documenta por su cuenta los problemas de Opus 5, y son los contrarios: respuestas más largas que antes, ampliación del alcance de la tarea, "over-verification" y tendencia a delegar trabajo en subagentes. O sea, un modelo que hace demasiado.
Entonces, ¿quién tiene razón? Creo que los números son correctos y que miden otra cosa. Tres motivos:
- Un benchmark mide una tarea aislada. No mide el harness, ni el producto, ni una sesión de cuatro horas en la que el modelo tiene que recordar lo que se decidió al principio. Un desarrollador no trabaja con un modelo. Trabaja con Codex o con Claude Code, y esa diferencia es enorme.
- Un benchmark no mide la comunicación. Un modelo que escribe tres pantallas, amplía la tarea, se revisa una y otra vez y al final no te dice con claridad qué hizo, se siente desde fuera exactamente igual que un modelo que no hizo el trabajo. "Perezoso" y "hace demasiado" son dos descripciones de la misma experiencia: no recibí lo que pedí, en una forma que pueda usar. También hay informes anecdóticos de un Opus 5 que se detenía pronto y pedía permiso para seguir, y es justo lo que viví yo.
- El computer use como producto no es una puntuación. OSWorld comprueba si el modelo logra una tarea en una pantalla. No comprueba si corre en segundo plano mientras yo trabajo, ni si varios agentes trabajan en paralelo. Eso lo da Codex, y es lo que lo convirtió en nuestra herramienta diaria.
Y una salvedad más que funciona en ambas direcciones: METR encontró en GPT-5.6 Sol una tasa de trampas en las pruebas más alta que en cualquier modelo público que haya evaluado, y la ficha de Opus 5.5 también documenta reward hacking durante el entrenamiento. Cuando los modelos aprenden a esquivar las comprobaciones, las cifras también se vuelven menos fiables.
La línea de tiempo: quién salió cuándo
Para comprobar una teoría hacen falta primero las fechas. Todas las fechas de aquí proceden de anuncios oficiales o de fichas de sistema.
Mi teoría: dos estrategias ante el mismo momento
Aquí paso de los hechos a la interpretación. Lo que está escrito en este apartado es una hipótesis mía, y conviene leerlo así.
En junio las dos empresas estaban en el mismo punto. Anthropic sacó Fable: una serie nueva y más grande, con alto potencial y menos pulido. Dos semanas y media después, OpenAI presentó GPT-5.6 Sol: un modelo que en mi uso se sintió como una optimización masiva y RL (aprendizaje por refuerzo, en el que el modelo se entrena con tareas y recibe una nota por el resultado). Muy metódico, revisa mucho, termina el trabajo, pero sin romper el techo de capacidad.
La honestidad exige dos aclaraciones. La propia OpenAI llamó a GPT-5.6 Sol "a next-generation model", y no hay ninguna fuente oficial que diga que es la misma base con más RL. Y GPT-6 Astra, según un informe de VentureBeat, fue el mayor entrenamiento de OpenAI hasta la fecha. Así que no afirmo que OpenAI "solo hizo RL". Afirmo que el énfasis estratégico fue distinto: en junio, OpenAI puso al frente un modelo pulido y fiable, y Anthropic puso al frente un modelo grande y poco pulido.
OpenAI: afinar lo que hay
GPT-5.6 Sol, junio y julio
- Metódico, se revisa, termina las tareas (mi experiencia)
- Ficha de sistema: "overly persistent" y más persistencia que GPT-5.5 (verificado)
- El precio: METR halló un récord de trampas en las pruebas (verificado)
- METR: no supone un salto significativo sobre lo existente (verificado)
- A quién enseñó: quizá a Astra, según un informe secundario (hipótesis)
Anthropic: subir el techo
Fable 5, junio
- Capa nueva sobre Opus, al doble de precio (verificado)
- Menos pulido (mi impresión, sin fuente)
- Acceso muy limitado, con la capacidad como motivo (verificado)
- Mientras tanto, los desarrolladores se pasan a Codex (observación)
- A quién enseñó: a la generación 5.5 (hipótesis)
Y la pieza que lo une todo: los laboratorios entrenan a los modelos que vienen después con ayuda del modelo de frontera más nuevo que tienen. No es un secreto. Anthropic escribió en febrero de 2026 que "frontier AI labs routinely distill their own models", y definió la destilación como entrenar un modelo más débil con las salidas de uno más fuerte. Meta escribió públicamente que Llama 4 Maverick se entrenó a partir de Llama 4 Behemoth. En cada ficha de sistema de Anthropic aparece "synthetic data generated by other models".
Si esa es la práctica, entonces en junio cada laboratorio eligió también al maestro de la generación siguiente. Fable "enseñó" a la generación 5.5 de Anthropic, y Sol 5.6 "enseñó" a los modelos posteriores de OpenAI.
Exámenes de práctica frente a un gran maestro
La forma más sencilla que he encontrado de explicarlo son dos estudiantes.
El primero hace examen de práctica tras examen de práctica. En cada ronda recibe una nota y corrige. Se vuelve muy fiable: casi no se equivoca en lo que conoce, termina cada examen a tiempo, revisa sus respuestas. Pero no aprende una forma de razonar que no tuviera antes. Eso es RL.
El segundo se sienta junto a un gran matemático y ve cómo resuelve problemas. Aprende caminos a los que no habría llegado solo, y también la forma en que el matemático explica. Eso es un maestro fuerte.
El primer estudiante sube la fiabilidad. El segundo sube el techo. Así leo lo que pasó: Codex con GPT-5.6 Sol fue el primer estudiante en su mejor versión, y la generación 5.5 de Anthropic me parece el segundo.
La investigación tiene algo que decir al respecto, de los dos lados:
- A favor. Yue y colaboradores (2025) hallaron que las capacidades de razonamiento tras RL "originate from and are bounded by the base model", y que precisamente la destilación puede introducir patrones de razonamiento nuevos del maestro. En DeepSeek-R1, un modelo de 32 mil millones de parámetros entrenado con las salidas de un modelo fuerte llegó a 72.6 en la prueba AIME, frente a 47.0 solo con RL. Un estudio de Meta sobre el escalado de RL halló que un modelo más grande eleva el techo al que el RL puede llegar.
- En contra. ProRL de NVIDIA halló que un RL prolongado descubre estrategias que no existen en el modelo base. Otro estudio muestra que cuando la brecha entre maestro y alumno es demasiado grande, el alumno aprende peor. Llama 4 tuvo un maestro gigante y fue recibido con decepción. Y toda esta investigación se hizo con modelos mucho más pequeños que los de frontera.
Es decir, la idea de que el RL afina y el maestro amplía tiene respaldo en la investigación, pero está en disputa. No la presento como una ley de la naturaleza.
Qué está verificado y qué es hipótesis
| La afirmación | El estado | En qué se apoya |
|---|---|---|
| Anthropic limitó mucho Fable | Verificado | Pro solo con créditos, Max hasta el 50% de la cuota semanal, y la capacidad como motivo oficial |
| Los laboratorios entrenan modelos con las salidas de sus modelos más fuertes | Verificado en general | Anthropic en febrero de 2026, Meta con Behemoth, "synthetic data" en las fichas de sistema |
| La generación 5.5 dio un salto sobre la generación 5 | Verificado, datos del fabricante | SWE-bench Pro y Terminal-Bench. Según Epoch, Sonnet 5.5 "roughly matched Claude Fable 5.1" |
| El RL afina y no amplía | Respaldado por la investigación, en disputa | Yue y DeepSeek-R1 a favor, ProRL en contra, todo con modelos pequeños |
| Fable en concreto enseñó a Opus, Sonnet y Haiku 5.5 | Hipótesis mía | Sin confirmación. Indicios: 5.5 al nivel de Fable 5.1 y con menor coste de ejecución, y Anthropic protege con fuerza las salidas de Fable frente a la destilación |
| El compute de Fable se desvió al entrenamiento | Hipótesis mía | El motivo oficial es solo la capacidad. Una demanda que se multiplicó por 80 en el primer trimestre, según Amodei en CNBC, lo explica igual de bien |
| GPT-5.6 Sol enseñó a Astra | Hipótesis con un indicio | Según VentureBeat, en Astra los modelos anteriores tuvieron un papel central en el entrenamiento. No aparece en la ficha de sistema |
El eslabón débil de mi teoría es Opus 5. Salió el 24 de julio, después de Fable. Si Fable fue el maestro, ¿por qué Opus 5 no se benefició de él? Mi explicación: un entrenamiento lleva meses, y Opus 5 probablemente ya estaba en la recta final cuando Fable estuvo listo para enseñar a gran escala. Pero Mythos, la versión restringida de la misma serie, existía en Anthropic desde abril, y no sé cuándo empezó cada entrenamiento. Es la brecha que más me interesa ver cerrada.
Las otras explicaciones, y por qué sigo volviendo al maestro
Hay explicaciones más simples para el salto. Algunas están mejor documentadas que mi teoría. Elige la explicación que te parezca más convincente y mira qué la respalda y qué le falta.
Mi explicación
Fable enseñó a la generación 5.5, y por eso subió el techo.
A favor: Opus 5.5 está al nivel de Fable 5.1 según Anthropic, es más barato de ejecutar, y Sonnet 5.5 está al nivel de Fable 5.1 según Epoch. Es el patrón de un alumno que llegó al nivel del maestro.
Lo que falta: no hay confirmación oficial, y Opus 5 salió después de Fable sin beneficiarse de él.
Corrección del comportamiento de Opus 5
Opus 5 ya era fuerte. En 5.5 solo corrigieron la prolijidad.
A favor: en el índice interno de Anthropic, Opus 5 obtuvo 165.18, por encima de Mythos 5. Los problemas documentados eran de comportamiento, y desaparecieron.
Lo que falta: no explica el salto de Sonnet de 10.3% a 70.6% en Terminal-Bench. Y el pulido del comportamiento es justo lo que permite un maestro fuerte: sus salidas enseñan también cómo explicar, no solo qué pensar.
Cambio en la configuración
Cambiaron el effort y el harness, no el modelo.
A favor: en Opus 5.5 el nivel de esfuerzo por defecto es medium, frente a high en Opus 5, y hay razonamiento adaptativo en cada solicitud. En abril Anthropic ya mostró que una caída de calidad se debió a ajustes del producto.
Lo que falta: bajar el esfuerzo debería producir respuestas más cortas, no resolver problemas que otro modelo no resolvió.
Más trabajo por dólar
Simplemente es más barato y hay más cuota, así que se usa más.
A favor: Opus 5.5 cuesta 4 y 20 dólares frente a 5 y 25, y las cuotas en Claude Code subieron.
Lo que falta: el precio explica por qué se trabaja más con él, no por qué resuelve lo que otros no resolvieron.
Sesgo del usuario
Un modelo nuevo siempre se siente mejor la primera semana.
A favor: el efecto novedad es real, y pasar de Codex a Claude Code cambia la experiencia. La propia Anthropic recomienda borrar las instrucciones antiguas en cada migración.
Lo que falta: llevo ya dos semanas y media trabajando con él, en problemas que conozco a fondo, y la diferencia no se cierra.
Lo que "A favor" y "Lo que falta" recogen sale de las fuentes oficiales y la investigación que aparecen al final del artículo. El "Lo que falta" de cada pestaña es mi interpretación.
¿Por qué sigo volviendo al maestro? Porque cada una de las otras explicaciones aclara una sola parte. El pulido explica la forma en que habla Opus 5.5. El precio explica por qué lo uso más. Pero solo un maestro fuerte explica las tres cosas juntas: un modelo más barato de ejecutar, que llega al nivel del modelo grande y que además explica mejor. Y del lado de OpenAI el cuadro encaja: si Sol 5.6 enseñó a Astra, sale un maestro metódico y un alumno metódico, excelente en la ejecución e igual a Opus 5.5 en los índices, y en mi uso más flojo que él en los problemas que exigen comprensión.
Mitos y hechos sobre Opus 5.5, Codex y la diferencia entre ellos
Mito"Anthropic confirmó que Fable enseñó a Opus 5.5"
En realidadNo. Anthropic solo dice que los laboratorios destilan sus modelos como práctica habitual, y que en el entrenamiento hay datos sintéticos de otros modelos. El vínculo concreto es una hipótesis, mía y de otros.
Mito"OpenAI solo hizo RL"
En realidadOpenAI llamó a GPT-5.6 Sol un modelo de nueva generación, y GPT-6 Astra fue, según informes, su mayor entrenamiento. La diferencia que señalo está en el énfasis, no en un método frente a otro.
Mito"Opus 5.5 gana a Astra en todos los índices"
En realidadEn el Sigma AI Ranking lidera con claridad, pero solo en Epoch la diferencia está dentro del intervalo de confianza. Astra lidera en Terminal-Bench-Science y en AutomationBench. La diferencia que siento está en el trabajo complejo, no en la tabla.
Mito"Claude iba por detrás en los benchmarks de uso del ordenador"
En realidadEn OSWorld 2.0, Opus 5 superó a GPT-5.6 Sol. La ventaja de Codex está en el producto: trabajo en segundo plano y varios agentes en paralelo.
Mito"Opus 5 era flojo"
En realidadEn capacidad bruta era fuerte. El problema estaba en el comportamiento: prolijidad, ampliación de la tarea y exceso de comprobaciones, y la propia Anthropic los documentó.
Mito"Un maestro grande siempre produce un buen alumno"
En realidadLlama 4 se entrenó con un maestro gigante y fue recibido con decepción, y un estudio muestra que una brecha demasiado grande entre maestro y alumno perjudica el aprendizaje. Un maestro fuerte es una condición que ayuda, no una garantía.
Qué significa esto para el dueño de un negocio que elige modelo
Si no eres desarrollador, todo este debate suena lejano. No lo es. En tres meses, la herramienta con la que casi todos los desarrolladores a mi alrededor trabajaban cambió, y luego volvió a cambiar. Quien hubiera atado su negocio a un solo proveedor en julio se habría perdido Opus 5.5 en septiembre. Y quien se hubiera atado a Claude en junio se habría perdido Codex.
Platin Digital es OpenAI Select Partner, y los agentes que montamos los construimos con los modelos y herramientas que mejor encajan en cada tarea, de OpenAI, Anthropic, Google y otros. Este artículo es un ejemplo de por qué importa: trabajamos con Codex y con Claude en la misma semana, cada uno en lo que mejor hace.
Tres reglas con las que trabajo:
- No te cases con un proveedor. El agente debe construirse de modo que se pueda cambiar el modelo de debajo sin rehacerlo todo.
- Elige el modelo según la tarea. Un problema complejo que requiere comprensión y explicación va hoy en mi caso a Opus 5.5. El manejo prolongado de un ordenador en segundo plano va a Codex. Las tareas pequeñas y repetidas van a un modelo pequeño, como Claude Haiku 5.5.
- Vuelve a comprobar cada pocos meses. Con tus tareas, no con una tabla. Lo que es cierto en octubre no tiene por qué serlo en enero.
Una comparación amplia entre las plataformas te espera en ChatGPT, Gemini o Claude para tu negocio, el ranking completo y actualizado está en el Sigma AI Ranking, y por qué lo construimos lo cuento en este artículo. Y si los conceptos mismos aún no están claros, empieza por qué es un LLM y qué es Computer Use.
¿Qué herramienta probar primero para tu tarea?
Cinco preguntas sobre una tarea. El resultado es un punto de partida según mi experiencia, no un veredicto.
Preguntas frecuentes
¿Qué es Claude Opus 5.5?
Claude Opus 5.5 es el gran modelo de lenguaje de Anthropic en la línea Opus, y salió el 22 de septiembre de 2026. Según Anthropic está al nivel de Claude Fable 5.1 en la mayor parte del trabajo, necesita menos compute para ejecutarse que Opus 5, y cuesta 4 dólares por millón de tokens de entrada y 20 de salida. En el índice independiente de Epoch ocupa el primer puesto, por una diferencia pequeña sobre GPT-6 Astra.
¿Es Claude Opus 5.5 mejor que GPT-6 Astra?
En el Sigma AI Ranking, que pondera varias fuentes abiertas, Opus 5.5 lidera con 90.7 frente a los 84.0 de Astra. En una prueba aislada como la de Epoch están casi empatados, y Astra lidera en algunas pruebas, por ejemplo AutomationBench. En mi uso, en problemas complejos que exigen entender un sistema entero y explicarlo, Opus 5.5 es claramente más fuerte. Para manejar el ordenador en segundo plano y para el trabajo en paralelo, Codex con los modelos de OpenAI sigue siendo muy fuerte.
¿Por qué los desarrolladores se pasaron a Codex en los últimos meses?
En los círculos en los que me muevo, por la combinación de modelos excelentes, GPT-5.6 Sol y GPT-6 Astra, con un harness que termina las tareas en orden y con un computer use que funciona en segundo plano y en paralelo. Al mismo tiempo, Opus 5 y Sonnet 5 decepcionaron, y Fable tenía un acceso muy limitado.
¿Por qué limitó Anthropic Claude Fable?
La justificación oficial es la capacidad: Anthropic escribió que ampliaría el acceso cuando la capacidad lo permitiera. Además, entre el 12 de junio y el 1 de julio el acceso a Fable 5 estuvo suspendido por el control de exportaciones de Estados Unidos. Mi hipótesis es que parte del compute se destinó a entrenar con ayuda de Fable, pero no hay fuente oficial que lo respalde.
¿Qué es la destilación, o un modelo maestro?
La destilación es entrenar un modelo con las salidas de otro más fuerte, de modo que el alumno aprende de él formas de resolver. Anthropic escribió en febrero de 2026 que los laboratorios de frontera destilan sus modelos como algo habitual, y Meta lo documentó públicamente con Llama 4. Qué modelo enseñó a la generación 5.5 de Claude, Anthropic no lo ha publicado.
¿Qué modelo de IA elegir para un negocio?
No un único modelo. Se elige según la tarea: un modelo grande para problemas complejos y decisiones, un modelo pequeño y barato para tareas repetidas, y una herramienta con buen computer use para las tareas en el ordenador. Y se vuelve a comprobar cada pocos meses con tus propias tareas, porque el liderazgo entre proveedores cambia rápido.
Fuentes
- https://www.anthropic.com/news/claude-fable-5-mythos-5
- https://www.anthropic.com/news/redeploying-fable-5
- https://support.claude.com/en/articles/15424964-claude-fable-models-on-your-plan
- https://www.anthropic.com/news/claude-sonnet-5
- https://www.anthropic.com/news/claude-opus-5
- https://www.anthropic.com/claude-fable-and-mythos-5-1
- https://www.anthropic.com/news/claude-opus-5-5
- https://www-cdn.anthropic.com/fc1b44717c85dc068bc6ba5024219938094694bd/Claude%20Opus%205.5%20System%20Card.pdf
- https://www.anthropic.com/claude-sonnet-5-5
- https://www.anthropic.com/claude-sonnet-5-5-system-card
- https://www.anthropic.com/claude-haiku-5-5
- https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks
- https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-opus-5
- https://platform.claude.com/docs/en/models/opus-5-5/migration-guide
- https://deploymentsafety.openai.com/gpt-5-6-preview
- https://deploymentsafety.openai.com/gpt-5-6
- https://deploymentsafety.openai.com/gpt-6-astra
- https://deploymentsafety.openai.com/gpt-6-1-sol
- https://www.latent.space/p/ainews-openai-launches-gpt-56-solterraluna
- https://venturebeat.com/technology/welcome-to-the-agi-era-openai-launches-gpt-6-astra
- https://developers.openai.com/codex/app/computer-use
- https://metr.org/blog/2026-06-26-gpt-5-6-sol/
- https://metr.org/blog/2026-09-22-claude-opus-5-5/
- https://x.com/EpochAIResearch/status/2105673716185378845
- https://benchlm.ai/benchmarks/osworld2
- https://the-decoder.com/gpt-5-6-sol-cheats-on-software-tests-more-than-any-model-before-it/
- https://www.mindstudio.ai/blog/claude-opus-5-mixed-reception
- https://www.productcompass.pm/p/claude-opus-5-the-best-opus-yet-once
- https://www.cnbc.com/2026/05/06/anthropic-ceo-dario-amodei-says-company-crew-80-fold-in-first-quarter.html
- https://arxiv.org/abs/2504.13837
- https://arxiv.org/abs/2501.12948
- https://arxiv.org/abs/2505.24864
- https://arxiv.org/abs/2510.13786
- https://arxiv.org/abs/1902.03393
- https://ai.meta.com/blog/llama-4-multimodal-intelligence/
