Artificial Analysis, la plataforma independiente de evaluación de modelos de inteligencia artificial, publicó seis nuevos índices de capacidad orientados a industrias específicas. En todos ellos, Claude Fable 5 de Anthropic quedó en primer lugar, aunque alternativas mucho más baratas resuelven las mismas tareas por una fracción del costo.
Los nuevos índices comparan a los modelos en seis campos profesionales: Finanzas y Contabilidad, Legal, Salud y Medicina, Estrategia y Operaciones, Ingeniería y Economía. Se suman a los índices Agéntico y de Programación que la plataforma ya mantenía, para un total de ocho.
¿Cómo se construyen los índices?
Según Artificial Analysis, la metodología parte de las clasificaciones ocupacionales del sistema estadounidense ONET*. De ahí se derivan las habilidades específicas de cada dominio, como el modelado financiero, la investigación legal, el análisis de contratos o el apoyo a la decisión clínica. Para cada área se arma una batería de pruebas nueva, ponderada según la frecuencia con que cada habilidad aparece en esa industria. La plataforma afirma que todas las evaluaciones se ejecutan de forma independiente.
Claude Fable 5 lidera los ocho índices
Claude Fable 5, con Opus 4.8 como respaldo, se ubica primero en los ocho índices. Claude Opus 4.8 (max) llega segundo en seis de las ocho categorías, mientras que GPT-5.5 (xhigh) de OpenAI toma el segundo puesto en las dos restantes. GPT-5.6, que se lanza mañana, podría acortar la distancia entre los modelos actuales de Anthropic y GPT-5.5.
Debajo del primer nivel, el orden cambia bastante según el dominio. Gemini 3.5 Flash y Gemini 3.1 Pro Preview de Google, GPT-5.5 (xhigh), Claude Sonnet 5 (max) y el chino GLM-5.2 (max) intercambian posiciones según la tarea.
Entre los modelos de pesos abiertos, GLM-5.2 (max) lidera en cinco de los seis índices por industria. Con 53 puntos alcanza el quinto lugar general en el índice de Ingeniería, a solo dos puntos de Claude Sonnet 5 (max) y GPT-5.5 (xhigh), ambos con 55. En Estrategia y Operaciones, DeepSeek V4 Pro (max) toma la delantera abierta con 38 puntos.
Los resultados coinciden con los datos de LMArena, plataforma independiente donde millones de usuarios reales rankean modelos mediante comparaciones a ciegas. En la foto del 7 de julio, Claude Fable 5 encabeza el Text Arena, el Code Arena y el Agent Arena, y es el único laboratorio que lidera las tres categorías principales. En el Agent Arena, Fable 5 puntúa 16,58 por ciento sobre el promedio, muy por delante de GPT-5.5 xHigh (8,66 por ciento) y de GLM 5.2 de Z.ai (6,62 por ciento). OpenAI aparece décimo en el Text Arena, Google séptimo y DeepSeek en el puesto 38.
¿Vale la pena pagar la diferencia?
La mejor calidad llega con una prima considerable, y eso vale sobre todo para los modelos de frontera de Anthropic. DeepSeek V4 Flash (max) resuelve tareas en los seis índices por menos de 0,04 dólares cada una, con un desempeño de gama media. GLM-5.2 (max) ofrece el mejor rendimiento entre los abiertos, con costos de entre 0,26 y 0,58 dólares por tarea.
Claude Fable 5, en cambio, cuesta 3,48 dólares por tarea en el índice de Estrategia y Operaciones. Eso es más de cien veces lo que cobra DeepSeek V4 Pro (max), que pide 0,03 dólares, para una ventaja de apenas 12 puntos. Un benchmark previo ya había mostrado la prima elevada de Fable 5 frente a sus mejoras modestas de desempeño.
Si esa brecha justifica el precio es un debate abierto entre las empresas. Una opción es combinar modelos: usar un orquestador capaz que reparta tareas hacia modelos trabajadores más baratos, que entregan mejor valor por dólar. Los modelos de frontera también pueden servir como primera verificación de si un problema es resoluble; una vez confirmado, el paso siguiente es encontrar el modelo más económico que aún haga el trabajo.
Algunas voces, como el economista y entusiasta de los modelos de lenguaje Ethan Mollick, sostienen que el salto de un modelo como Fable 5 todavía no puede capturarse con los benchmarks actuales. Por ahora no hay evidencia que respalde esa afirmación.
