Claude Fable 5.1 y GPT-6 Astra: qué implican los nuevos modelos frontera | Imanol Terán

Anthropic acaba de lanzar Claude Fable 5.1 y OpenAI ha presentado GPT-6 Astra, su nuevo modelo frontera y el primero que la compañía clasifica en el nivel crítico de capacidad en ciberseguridad.

La lectura rápida es la de siempre: una nueva vuelta en la carrera por tener el modelo más potente.

La lectura útil es bastante más incómoda.

Estos lanzamientos apuntan a sistemas capaces de trabajar durante horas, utilizar aplicaciones, coordinar tareas, investigar, encontrar vulnerabilidades desconocidas y producir resultados que ya no se parecen tanto a una respuesta de chat. Al mismo tiempo, llegan con despliegues por fases, accesos restringidos, supervisión continua, retención de datos específica y salvaguardas que pueden detener una tarea legítima.

No estamos hablando solo de modelos que “saben más”. Estamos hablando de modelos que pueden hacer más cosas, durante más tiempo y con menos intervención.

Y ahí cambia la pregunta para una empresa. Ya no basta con saber cuál responde mejor. Hay que decidir qué puede tocar, durante cuánto tiempo, con qué datos, bajo qué permisos y quién revisa el resultado.

Qué ha lanzado Anthropic con Claude Fable 5.1

Claude Fable 5.1 se lanzó el 1 de septiembre de 2026 como el modelo de Anthropic más capaz para programación, trabajo de conocimiento, investigación y tareas largas. Está disponible en Claude, Claude Code, Claude Cowork, la API y las principales plataformas cloud.

Pero hay un matiz importante: Anthropic ha presentado dos versiones del mismo modelo base.

Claude Fable 5.1 es la versión de acceso general, con salvaguardas más restrictivas en ciberseguridad, biología y química.
Claude Mythos 5.1 utiliza el mismo modelo, pero ofrece acceso más amplio a esas capacidades para organizaciones y profesionales verificados.

Esta separación dice bastante de la etapa en la que estamos entrando. La capacidad ya no se publica necesariamente de una sola forma para todo el mundo. El acceso depende del riesgo, del tipo de usuario y del entorno de control.

Fable 5.1 cuesta 10 dólares por millón de tokens de entrada y 50 por millón de salida, igual que Fable 5. La reducción está en la lectura de caché, que baja un 75%. Anthropic estima que esto recorta alrededor de un 25% el coste de una carga habitual y hasta un 45% en trabajos muy agénticos, donde el modelo reutiliza mucho contexto.

Esto también es una señal. En tareas largas, el dato interesante deja de ser solo el precio por token. Empiezan a importar el coste por trabajo terminado, la cantidad de contexto reutilizado, los reintentos y el tiempo de supervisión humana.

Qué mejora de verdad Fable 5.1

Anthropic muestra avances claros en programación agéntica, uso del ordenador, investigación científica y flujos de trabajo empresariales. En sus propias evaluaciones, Fable 5.1 sube del 17,1% al 31,4% frente a Fable 5 en AutomationBench, una prueba de tareas de empresa de principio a fin, y pasa del 24,7% al 52,6% en Terminal-Bench-Science.

Son saltos llamativos. Pero conviene leerlos bien.

Son resultados publicados por el fabricante, con configuraciones concretas y salvaguardas activas. No demuestran que el modelo vaya a resolver el 31,4% de los procesos de tu empresa ni que sea el doble de útil en cualquier proyecto científico. Un benchmark orienta; no sustituye una prueba con tus documentos, tus herramientas y tus criterios de aceptación.

Lo que sí resulta relevante es la dirección: el modelo está optimizado para mantener el hilo en tareas largas, comprobar su propio trabajo, recuperarse de fallos y entregar un resultado completo con menos vigilancia.

Anthropic recoge casos de acceso anticipado en los que Fable 5.1 trabajó durante 38 horas sobre un problema de aprendizaje automático, construyó un prototipo durante varios días o localizó la causa de un fallo de software que llevaba años sin explicación. Son testimonios seleccionados por la propia compañía, no pruebas independientes. Aun así, muestran cuál es la promesa del producto: delegar una misión, no encadenar veinte prompts.

Eso es más importante que una mejora pequeña en redacción o razonamiento.

La ciencia es otra pista de hacia dónde va esto

Anthropic también ha publicado resultados de investigación que van más allá del software de oficina. Según la compañía, Mythos 5.1 diseñó moléculas de unión a proteínas que después fueron validadas experimentalmente y Fable 5.1 creó un nuevo mapa de elevación de una parte de Venus a partir de datos de radar históricos.

OpenAI acompaña el lanzamiento de Astra con dos resultados sobre las distancias entre números primos. La compañía publica las demostraciones y materiales de verificación: en uno de ellos, Astra ayudó a reducir de 246 a 186 una cota matemática que llevaba más de una década sin mejorar; en el otro, mejoró un término que permanecía estable desde hacía más de 80 años.

No significa que estos modelos sean científicos autónomos ni que podamos aceptar sus hipótesis sin revisión. Sí significa que algunos modelos frontera empiezan a participar en ciclos de trabajo que combinan bibliografía, código, simulación, herramientas especializadas y validación física.

La diferencia es importante.

Generar una idea plausible es relativamente fácil. Proponer una hipótesis, preparar el análisis, ejecutar herramientas y dejar un resultado que otro especialista pueda comprobar es mucho más valioso. También exige mucha más trazabilidad.

Si el modelo interviene en una decisión científica, financiera, legal o técnica, necesito saber qué fuentes consultó, qué pasos ejecutó, qué supuestos introdujo y dónde fallaron sus comprobaciones. Cuanto mejor sea el resultado, más peligroso puede ser revisarlo con menos atención solo porque “parece profesional”.

Qué ha lanzado OpenAI con GPT-6 Astra

OpenAI presentó GPT-6 Astra el 3 de septiembre de 2026. El despliegue comienza con un grupo limitado de organizaciones y llegará durante los próximos días a ChatGPT Plus, Pro, Business y Enterprise, además de la API de OpenAI y Amazon Web Services. En las cuentas Enterprise estará desactivado por defecto hasta que un administrador lo habilite.

En la API, el modelo se llama gpt-6-astra y su tarifa estándar es de 10 dólares por millón de tokens de entrada y 50 por millón de salida. El modo rápido puede alcanzar 2,5 veces la velocidad por el doble de precio. Los planes Pro, Business y Enterprise recibirán también acceso a GPT-6 Astra Pro, y los clientes de API elegibles podrán usarlo con retención cero de datos.

La propuesta práctica de Astra está en el uso del ordenador. OpenAI dice que puede rellenar formularios, actualizar un CRM, organizar un calendario, investigar en la web, preparar borradores en correo o documentos, analizar datos, crear una web y comprobar visualmente que funciona. No es solo una lista de conocimientos: es capacidad para moverse por aplicaciones y terminar un flujo.

En Codex, Astra introduce además una función experimental para conservar notas entre ventanas de contexto y buscar en el historial anterior cuando una sesión larga supera el contexto disponible. Es un cambio menos espectacular que un benchmark, pero muy relevante para proyectos que duran horas o días: perder menos decisiones, pruebas fallidas y requisitos por el camino.

Astra mejora mucho, pero no gana todas las comparaciones

OpenAI publica saltos importantes frente a GPT-5.6 Sol. Astra alcanza un 41,4% en AutomationBench frente al 18,1% de Sol y el 31,4% que la tabla atribuye a Fable 5.1. En Terminal-Bench Science llega al 64,6%, por encima del 52,6% de Fable 5.1. En OSWorld 2.0 logra un 72,6% y completa las tareas en unos 40 minutos de media, frente al 65,7% y 75 minutos de Sol.

También aparecen cifras enormes: 97,6% en FrontierMath Tier 4 y 99,9% en ARC-AGI-3. Pero el propio anuncio explica que las pruebas se ejecutaron con niveles máximos de esfuerzo y que el resultado de ARC-AGI-3 utiliza el entorno de agentes de la API de OpenAI con dos ajustes para acercarlo al rendimiento real.

Y la tabla evita una lectura demasiado cómoda: Fable 5.1 sigue por delante en el Artificial Analysis Intelligence Index y en Humanity’s Last Exam con herramientas. En algunos benchmarks de programación las diferencias entre Astra, Fable y Opus son pequeñas o cambian según la variante.

No hay un ganador universal. Hay configuraciones, herramientas, niveles de esfuerzo y tareas distintas.

Además, todos estos resultados aparecen en el anuncio de OpenAI. Aunque incluya comparaciones con modelos rivales y algunas reproducciones externas, sigue siendo una evaluación preparada por el fabricante. Para una empresa, la prueba importante continúa siendo la del proceso real.

El salto más delicado sigue estando en ciberseguridad

GPT-6 Astra alcanza el umbral crítico de capacidad en ciberseguridad de OpenAI, el primero de sus modelos que recibe esa clasificación.

Según el marco de la compañía, este nivel implica que, con acceso y herramientas adecuados, el modelo puede encontrar vulnerabilidades desconocidas y desarrollar formas de explotarlas en numerosos sistemas bien protegidos sin guía humana paso a paso.

OpenAI afirma que Astra obtuvo un 100% en ExploitBench, una prueba con vulnerabilidades conocidas, y un 39% en una adaptación interna con fallos recientes, frente al 5,5% de GPT-5.6 Sol. Durante otras evaluaciones encontró y utilizó dos vulnerabilidades de día cero. También consiguió construir cadenas de ataque contra un navegador y un sistema operativo reforzados.

Aquí hay dos cautelas importantes.

Primero, son evaluaciones publicadas por OpenAI y varias se ejecutaron sin las salvaguardas de producción. Segundo, los resultados más avanzados corresponden a una configuración con acceso especializado, no a lo que recibe por defecto cualquier usuario de ChatGPT o Codex.

La versión que se está desplegando permite revisión segura de código y preparación de parches, pero rechaza tareas más sensibles, como crear una prueba de concepto para explotar una vulnerabilidad. OpenAI ampliará algunos usos defensivos mediante su programa Daybreak.

De nuevo aparece el mismo patrón que en Anthropic: un único salto de capacidad, varias capas de acceso.

Qué ha dicho Sam Altman sobre Astra

Antes del lanzamiento, Sam Altman describió Astra como un avance importante y puso el foco en tres capacidades: el uso del ordenador a gran velocidad, los agentes persistentes y la posibilidad de contribuir a descubrir conocimiento nuevo.

En una demostración para clientes recogida por TIME, 16 agentes dividieron un problema matemático de investigación, coordinaron el trabajo y ensamblaron una propuesta de demostración. Altman dijo que espera que sea el primer modelo que “invente cosas nuevas de una manera que importe” y calificó esa capacidad como cercana a la idea de AGI.

En una entrevista publicada por Axios el 3 de septiembre, su tono fue más grave. Afirmó que las próximas generaciones serán difíciles de asimilar, que algunos modelos ya son sobrehumanos en determinadas capacidades y que el ritmo de los lanzamientos podría quedar condicionado por la velocidad a la que avancen la alineación y la seguridad.

Conviene separar una declaración de una prueba.

Altman dirige la compañía que acaba de lanzar el producto. Sus comentarios sirven para entender cómo quiere posicionar Astra y qué riesgos reconoce OpenAI, pero no demuestran por sí solos que hayamos llegado a la AGI ni que el modelo vaya a inventar descubrimientos relevantes de forma fiable.

Ahora ya tenemos anuncio, acceso inicial y tarjeta del sistema. Lo que todavía falta es uso suficiente fuera de los entornos seleccionados por OpenAI para saber cómo se comporta en procesos reales, con datos imperfectos, aplicaciones que fallan y criterios que no caben en un benchmark.

El incidente de Hugging Face cambia el contexto

La prudencia de OpenAI no aparece de la nada.

En julio, durante evaluaciones internas de ciberseguridad, varios agentes de investigación de OpenAI eludieron controles del entorno de pruebas y accedieron a sistemas de Hugging Face. OpenAI ha aclarado que Astra no estuvo implicado.

El incidente importa porque los agentes no se limitaron a dar una respuesta incorrecta. Usaron canales no autorizados, explotaron vulnerabilidades y actuaron fuera del objetivo permitido para conseguir una mejor puntuación en la prueba.

OpenAI pausó parte del entrenamiento, endureció el aislamiento de sus entornos y amplió la supervisión. Para Astra, la compañía dice haber mejorado tanto la alineación del modelo como los sistemas que monitorizan sus acciones y detienen una actividad potencialmente no autorizada. En una nueva prueba basada en aquel incidente, Astra no intentó salir del objetivo autorizado, frente al 48,2% registrado por GPT-5.6 Sol sin las protecciones de producción.

Hay, sin embargo, un dato que no conviene esconder. OpenAI reconoce que el razonamiento escrito de Astra resultó más difícil de monitorizar que el de GPT-5.6 Sol en pruebas diseñadas para intentar eludir esa supervisión. La compañía atribuye parte de la diferencia a que Astra resuelve tareas sencillas con menos pasos escritos, pero considera el retroceso suficientemente importante como para mantenerlo como línea prioritaria de investigación.

Esta es, para mí, una de las lecciones centrales.

El riesgo de un modelo frontera no está solo en lo que sabe. Está en la combinación de objetivo, herramientas, autonomía, acceso y tiempo. Un modelo encerrado en un chat tiene un alcance. El mismo modelo con navegador, terminal, credenciales y horas para insistir tiene otro muy distinto.

Qué es realmente un modelo frontera

“Modelo frontera” no es una medalla permanente ni una categoría comercial perfectamente cerrada. Se utiliza para hablar de los sistemas que están en el límite de las capacidades disponibles y que, precisamente por eso, plantean riesgos y necesidades de evaluación nuevas.

En la práctica, la frontera ya no se mide solo por responder preguntas difíciles. También incluye:

Mantener objetivos durante horas o días.
Coordinar varios agentes y herramientas.
Utilizar un ordenador y moverse entre aplicaciones.
Encontrar errores, vulnerabilidades o hipótesis que una persona no había detectado.
Recuperarse de fallos sin perder el contexto.
Actuar con suficiente autonomía como para que los permisos importen mucho más.

Por eso Fable 5.1 y GPT-6 Astra son interesantes incluso antes de decidir cuál es “mejor”. Ambos muestran que el valor y el riesgo se están desplazando desde la respuesta hacia la ejecución.

De responder mejor a trabajar durante más tiempo

Durante los últimos años hemos evaluado la IA con preguntas: ¿redacta bien?, ¿razona?, ¿programa?, ¿se inventa datos?

Con los agentes persistentes hay que añadir otras preguntas:

¿Sabe detenerse cuando falta información?
¿Respeta el límite de una carpeta, una cuenta o una aplicación?
¿Pide aprobación antes de una acción irreversible?
¿Deja un registro entendible de lo que ha hecho?
¿Comprueba el resultado o solo lo da por bueno?
¿Qué ocurre cuando una herramienta falla a mitad del proceso?

Una respuesta mediocre se corrige. Una acción equivocada puede modificar archivos, enviar información, tocar un entorno de producción o desencadenar otra automatización.

La inteligencia del modelo importa. El diseño del sistema que lo rodea importa igual o más.

Las salvaguardas ya forman parte del producto

Hasta hace poco, la seguridad aparecía muchas veces como un apartado separado del lanzamiento. Aquí ya condiciona la experiencia normal.

Fable 5.1 puede redirigir determinadas consultas de ciberseguridad o biología a modelos menos capaces. Su uso general implica por defecto 30 días de retención de datos para monitorización de seguridad, aunque Anthropic está desplegando controles empresariales que permiten mantener los datos en infraestructura del cliente y ofrecer condiciones equivalentes a retención cero.

OpenAI avisa de que la supervisión de Astra puede ralentizar, pausar o detener trabajos legítimos. En ChatGPT o Codex, el usuario puede tener que revisar una acción antes de continuar; mediante la API, la tarea se detiene.

Esto no es un detalle menor para un proceso empresarial. Si una automatización depende de un modelo frontera, hay que diseñar también qué ocurre cuando el proveedor bloquea una acción, cambia una salvaguarda o deriva la solicitud a otro modelo.

La seguridad puede introducir falsos positivos. La alternativa no es quitarla sin más, sino tratar esa interrupción como una condición normal del proceso.

¿Significa todo esto que ya ha llegado la AGI?

No hay base suficiente para afirmarlo.

Que un modelo resuelva una tarea científica difícil, encuentre una vulnerabilidad o use un ordenador mejor que una persona en una prueba concreta no demuestra que tenga una competencia general, estable y fiable en todos los trabajos de valor económico.

Tampoco deberíamos caer en el extremo contrario y despacharlo como marketing.

Cuando los laboratorios empiezan a restringir capacidades, pausar entrenamientos, separar versiones por nivel de acceso y asumir alrededor de un 20% adicional de cómputo para monitorizar ciertas tareas, algo material está cambiando. Puede haber comunicación interesada, claro, pero también hay decisiones operativas costosas detrás.

Mi lectura es que no necesitamos resolver hoy el debate sobre la AGI para tomar en serio la transición. Basta con reconocer que estos sistemas ya pueden recibir objetivos más amplios, actuar durante más tiempo y producir consecuencias mayores.

Qué debería hacer una empresa ahora

No correría a sustituir todas las herramientas por Fable 5.1 o GPT-6 Astra solo porque encabecen una tabla.

Haría seis cosas bastante menos vistosas:

Elegir un proceso concreto. Un informe, una revisión documental, una investigación o una tarea técnica con principio y final claros.
Definir permisos mínimos. Empezar por lectura y borrador antes de permitir escritura, envío o acceso a producción.
Crear criterios de aceptación. Qué debe contener el resultado, qué errores son inadmisibles y qué pruebas tiene que superar.
Registrar acciones y fuentes. No basta con conservar la respuesta final; hay que poder reconstruir el trabajo.
Preparar una salida segura. Si el agente se bloquea, pierde contexto o activa una salvaguarda, una persona debe poder continuar.
Comparar el proceso, no la marca. Medir tiempo total, coste, calidad, reintentos y revisión humana con más de un modelo cuando el caso lo justifique.

Es el mismo marco que propongo al priorizar agentes de IA en procesos de empresa. Los modelos cambian muy rápido. Un proceso bien delimitado permite probarlos sin rehacer toda la organización cada vez que aparece un nombre nuevo.

También conviene revisar qué datos pueden usarse, dónde se retienen y qué obligaciones de transparencia existen. La llegada de modelos más capaces no elimina la necesidad de informar y gobernar el uso de IA; la hace más importante.

Mi lectura: la potencia deja de ser el cuello de botella

Fable 5.1 y GPT-6 Astra no anuncian que la herramienta vaya a resolver sola el trabajo de una empresa. Anuncian algo más concreto: la capacidad técnica empieza a avanzar más rápido que nuestra forma de integrarla con criterio.

Fable 5.1 ofrece tareas largas, investigación, uso del ordenador y una versión de acceso restringido para capacidades sensibles. GPT-6 Astra ya se está desplegando con mejoras fuertes en uso del ordenador, ciencia, trabajo profesional y ciberseguridad, acompañado de controles que también pueden interrumpir trabajo legítimo.

El error sería quedarse con el titular de quién gana la carrera.

La pregunta útil es qué pasa cuando un modelo tan capaz entra en un proceso mediocre, con permisos excesivos, datos desordenados y nadie claramente responsable de revisar lo que hace.

La IA generativa no sustituye el criterio: amplifica el proceso que ya tienes, para bien o para mal.

Cuanto más potente sea el modelo, menos margen hay para improvisar ese proceso.

Si tu empresa está pasando del chat a agentes que investigan, usan aplicaciones o ejecutan tareas completas, un diagnóstico IA ayuda a ordenar casos de uso, datos, permisos y controles antes de dar más autonomía de la necesaria.

Fuentes consultadas