Autoaprendizaje recursivo y Fable 5.1: por qué la carrera de la IA abandonó el debate sobre la AGI y se centró en la orquestación aplicada

• Crecimiento en tareas científicas (Terminal-Bench-Science 0.1): del 24,7% de Fable 5 al 52,6% de Fable 5.1
• Codificación agéntica y automatización: 55,8% en Terminal-Bench 4.0 y 31,4% en AutomationBench
• Reducción del coste de lectura de caché: menos 75% (abaratamiento de casi la mitad en los ciclos agénticos)
• Ciclo de cambio de generación: menos de 3 meses (del 9 de junio al 1 de septiembre de 2026)

A finales del verano, la industria volvió a discutir la afirmación de Sam Altman de que OpenAI ha recorrido el 80% del camino hacia la AGI y planea cerrar el 20% restante antes de que termine 2026. El principal argumento era un sistema del nivel de Astra: formulas una hipótesis, el agente escribe por sí mismo el código en el repositorio interno del laboratorio, ejecuta el experimento, analiza los registros y entrega un informe terminado, sustituyendo una semana de trabajo de un investigador.

Pero el primero de septiembre, Anthropic lanzó Claude Fable 5.1 sin manifiestos filosóficos rimbombantes, y las cifras de este lanzamiento explicaron lo que está ocurriendo mejor que cualquier debate sobre la naturaleza de la mente.

¿Por qué el resultado en el benchmark científico se duplicó en apenas

tres meses?

Si se comparan los resultados de Fable 5 del nueve de junio con los de Fable 5.1 de septiembre, salta a la vista un salto anómalo precisamente en las disciplinas de investigación y agénticas. En el paquete científico Terminal-Bench-Science 0.1, el nuevo modelo obtiene un 52,6% frente al 24,7% de su predecesor y al 29,0% del pesado Opus 5. En codificación agéntica, en Terminal-Bench 4.0, el indicador creció del 42,0% al 55,8%, y en flujos de trabajo de AutomationBench, del 17,1% al 31,4%.

Al mismo tiempo que aumentaba la precisión, Anthropic redujo el precio de lectura de caché en un 75%. Para un chat normal esto es un bono agradable, pero para un enjambre autónomo de agentes que en cada paso vuelve a leer decenas de miles de tokens de contexto del sistema y del historial de llamadas a herramientas, la factura de infraestructura cae casi a la mitad. Los dos principales laboratorios del mundo están apuntando sincronizadamente al mismo objetivo: ya no necesitan un interlocutor conversacional, están construyendo un investigador científico autónomo.

¿Cómo participan ya hoy los modelos en la creación de la próxima

generación de IA?

Antes, el cambio de generación de los grandes modelos de lenguaje dependía de la construcción de nuevos centros de datos y de ciclos de preentrenamiento de un año. Ahora el intervalo se ha reducido a ochenta días, porque la propia herramienta se ha incorporado oficialmente al circuito de su propio desarrollo.

Esto ya no son teorías de futurólogos, sino líneas directas sacadas de la documentación técnica de los proveedores:

• En las notas de lanzamiento de GPT-5.3-Codex, los ingenieros de OpenAI dejaron constancia abiertamente de que los primeros checkpoints del modelo depuraron las ejecuciones de entrenamiento, gestionaron el despliegue y analizaron los fallos en las evaluaciones («instrumental in creating itself»).
• Dentro de la infraestructura de Google funciona el circuito AlphaEvolve, que optimiza los núcleos de cómputo y acelera el entrenamiento de las siguientes versiones de Gemini.
• En Anthropic, agentes de investigación automatizan la selección de trayectorias sintéticas y la verificación de entornos para el entrenamiento por refuerzo.

El bucle de mejora recursiva se ha cerrado a nivel de ingeniería. Mientras los comentaristas discuten si esto cuenta como una verdadera AGI, la velocidad de obsolescencia de los modelos concretos se ha cuadruplicado.

¿Cómo construir un entorno de trabajo en el que cambiar el modelo

insignia tome un minuto?

La principal conclusión práctica para cualquier CTO o responsable de producto es: no se puede atar la lógica de negocio de la empresa a los caprichos de una red neuronal concreta. Hace apenas mes y medio, la única opción para una arquitectura compleja parecía ser Opus; hoy, en la mayoría de las trayectorias largas, Fable 5.1 lo supera, y dentro de un mes la situación volverá a cambiar.

En mi arquitectura, todas las reglas, la memoria de cinco capas, el enrutamiento y más de 370 habilidades aplicadas están completamente separados del núcleo de cómputo. Cambiar el orquestador de Opus a Fable, o derivar las tareas por lotes a un modelo más rápido, es una modificación de una sola línea en el archivo de configuración, con total conservación de la experiencia acumulada. Y si es necesario migrar entre herramientas CLI, los mecanismos de importación estándar transfieren subagentes, hooks y servidores MCP sin pérdida de contexto.

Los análisis de los últimos benchmarks y las mediciones reales de modelos en tareas de producción se publican en mi canal de Telegram [@jemal_hamidun](https://t.me/jemal_hamidun). Un entorno multimodelo con cambio instantáneo de proveedores ya está integrado en la base de [Nomad AI](https://nomadnet.ai). Se puede aprender a diseñar sistemas agénticos independientes del proveedor en [Hamidun Academy](https://academy.hamidun.com), con una prueba gratuita de 72 horas, y recoger los adaptadores actualizados para los nuevos lanzamientos de modelos y discutirlos en masterminds en la comunidad cerrada [Vibe Club](https://hamidun.com/club).