Claude Opus 5 busca el equilibrio entre inteligencia, coste y trabajo sostenido

Qué ha cambiado

Anthropic lanzó Claude Opus 5 el 24 de julio de 2026. La posición que le da la empresa es clara: no lo presenta únicamente como un modelo de respuesta rápida, sino como uno destinado a resolver tareas de programación y de conocimiento que requieren revisar resultados, emplear herramientas y mantener el contexto durante varios pasos. El modelo está disponible mediante la API con el identificador claude-opus-5 y, según la documentación vigente, figura como activo. La fecha de retirada que aparece como más temprana posible es el 24 de julio de 2027; no es una fecha de retirada confirmada, sino un límite mínimo dentro de la política de ciclo de vida de Anthropic.

El principal cambio comercial es el precio de la API: 5 dólares por millón de tokens de entrada y 25 dólares por millón de tokens de salida, las mismas tarifas base que Anthropic atribuye a Opus 4.8. A ello se suma un parámetro de «esfuerzo» que permite decidir cuánto razonamiento y consumo de tokens dedicar a cada solicitud. La promesa implícita es que un nivel menor de esfuerzo puede contener gasto y latencia, mientras que los niveles altos buscan priorizar la calidad en tareas más difíciles.

La ficha técnica sitúa su ventana de contexto en un millón de tokens y su salida máxima habitual en 128.000 tokens; la API por lotes, todavía marcada como beta, puede llegar a 300.000 tokens de salida. El modelo acepta texto e imágenes como entrada y genera texto. Su corte de conocimiento fiable y de datos de entrenamiento se sitúa en mayo de 2026. Por tanto, no debe tratarse como una fuente autónoma de información actualizada sobre hechos posteriores a esa fecha: para esos casos necesita acceso a fuentes externas, herramientas de búsqueda o documentación aportada por la organización que lo use.

También hay cambios operativos que afectan a integraciones existentes. La documentación de Anthropic indica que parámetros como temperature, top_p y top_k están en desuso para los modelos Claude 4.7 y posteriores; si se configuran fuera de sus valores predeterminados, pueden producir un error. Para equipos que actualicen una aplicación, la migración no consiste solo en cambiar el nombre del modelo: deben revisar parámetros, pruebas de regresión, presupuestos de tokens y reglas de supervisión.

Capacidades y evidencia: qué afirma el proveedor

Anthropic sostiene que Opus 5 logra resultados de primer nivel en algunas evaluaciones de programación y trabajo de conocimiento. Entre las pruebas que destaca están Frontier-Bench v0.1, CursorBench 3.2, ARC-AGI 3, Zapier AutomationBench y OSWorld 2.0. En programación, afirma que supera a los demás modelos evaluados en Frontier-Bench y que, a esfuerzo máximo, queda a menos de medio punto porcentual del resultado máximo de Claude Fable 5 en CursorBench, con la mitad del coste por tarea. En automatización y uso de ordenador, la empresa afirma obtener una mejor relación entre resultados y coste que otros modelos incluidos en sus gráficos.

La empresa también comunica mejoras frente a Opus 4.8 en evaluaciones internas de ciencias de la vida, incluidas tareas de química orgánica y bioinformática. En concreto, informa de una diferencia de 10,2 puntos porcentuales en un benchmark interno de inferencia de estructuras moleculares a partir de espectroscopía y de 7,7 puntos en una tarea relacionada con variantes de proteínas. Estos datos describen mediciones de Anthropic y no equivalen, por sí solos, a una validación clínica, científica o regulatoria del uso del modelo en investigación aplicada.

La evidencia publicada combina varios tipos de material. Hay benchmarks con nombres y resultados resumidos; hay pruebas ejecutadas por Anthropic; y hay testimonios de empresas que participaron en acceso temprano. Los testimonios pueden aportar ejemplos de adopción, pero no son comparaciones independientes ni sustituyen una evaluación reproducible en las condiciones de cada organización. Además, la propia nota de lanzamiento precisa que al menos una de las mediciones de Frontier-Bench se ejecutó en un entorno interno, con cinco intentos por tarea y con Opus 4.8 como respaldo cuando los clasificadores de seguridad rechazaban solicitudes de Opus 5 o Fable 5.

Esa última precisión es importante para interpretar los gráficos. Una puntuación obtenida en un sistema con reintento, herramientas, una configuración concreta de esfuerzo o un modelo de respaldo no debe leerse como la capacidad aislada de un único modelo en una única llamada. Tampoco es seguro trasladar una clasificación de benchmark a un proceso real de empresa. En producción intervienen factores que muchas pruebas no recogen por completo: calidad del contexto, permisos de las herramientas, estado de los datos, formato de las instrucciones, tolerancia al error, necesidad de trazabilidad y coste de las revisiones humanas.

La guía de prompting de Anthropic ofrece una señal práctica de cómo espera que se utilice el modelo. Recomienda estructurar instrucciones complejas con etiquetas XML, proporcionar ejemplos relevantes y diversos, y ordenar con cuidado los documentos largos. Para entradas de más de 20.000 tokens, aconseja colocar primero la información extensa y después la consulta; también recomienda pedir citas textuales de los documentos aportados antes de realizar el análisis. Son prácticas útiles para reducir ambigüedad, pero no garantizan exactitud factual ni eliminan la necesidad de controles externos.

Límites y riesgos documentados

El lanzamiento no elimina las restricciones de seguridad. Anthropic afirma que Opus 5 no supera la frontera de capacidades de doble uso de riesgo en biología y ciberseguridad, y que permanece por detrás de Mythos 5 en investigación biológica y en ciberseguridad ofensiva. Aun así, reconoce mejoras relevantes al identificar vulnerabilidades de software como consecuencia de su capacidad general. Distingue esa detección de la creación de exploits: según su evaluación OSS-Fuzz, Opus 5 se aproxima a Mythos 5 al localizar vulnerabilidades, pero queda considerablemente por detrás al desarrollar exploits.

Para controlar ese riesgo, Anthropic aplica clasificadores a determinadas solicitudes de ciberseguridad. La política descrita permite localizar vulnerabilidades en código fuente, pero bloquea el análisis de vulnerabilidades basado en binarios, las pruebas de penetración y la generación de exploits. Cuando una petición se marca en Claude.ai, Claude Code o Claude Cowork, el comportamiento predeterminado es redirigirla a Opus 4.8. La API puede habilitar igualmente respaldos automáticos. Esta arquitectura limita algunos usos, pero introduce otra cuestión de gobernanza: una organización debe registrar qué modelo respondió finalmente, porque el comportamiento, el coste y las restricciones pueden diferir de los esperados inicialmente.

Anthropic también reconoce limitaciones importantes en investigación biológica autónoma de larga duración, precisamente el ámbito que identifica como más relevante para los riesgos biológicos. La existencia de salvaguardas y de pruebas de seguridad no significa que el sistema sea infalible. Los controles automáticos pueden producir bloqueos injustificados, clasificaciones incorrectas o respuestas de un modelo alternativo. Por el contrario, una solicitud que no active un clasificador tampoco queda validada como correcta, segura o adecuada para una decisión de alto impacto.

En tareas de información, persisten riesgos habituales de los modelos de lenguaje: respuestas plausibles pero erróneas, citas inexistentes o mal atribuidas, omisión de condiciones relevantes y errores al interpretar datos. El corte de conocimiento de mayo de 2026 añade un límite temporal concreto. Para análisis legales, médicos, financieros, científicos o de seguridad, Opus 5 debe operar como apoyo bajo revisión experta y con verificación sobre fuentes primarias, no como sustituto del criterio profesional.

Hay además un coste de dependencia tecnológica. La documentación de Anthropic advierte que los modelos pueden ser activos, heredados, obsoletos o retirados, y que las solicitudes a modelos retirados fallarán. Aunque la empresa indica que notificará con al menos 60 días de antelación la retirada de modelos públicos a clientes con despliegues activos, conviene diseñar aplicaciones con pruebas de compatibilidad, abstracción del proveedor, métricas por versión y planes de reversión. La continuidad del servicio no debería depender de que un modelo concreto conserve indefinidamente el mismo comportamiento.

Impacto práctico: cómo decidir si encaja

Para equipos de desarrollo, la propuesta de Opus 5 resulta más pertinente cuando el trabajo exige entender un repositorio, investigar un fallo, proponer cambios coordinados, ejecutar herramientas y validar resultados. Su valor potencial no se mide por la redacción de una respuesta breve, sino por el coste total de cerrar una tarea: tokens, llamadas a herramientas, latencia, tiempo de revisión humana, fallos evitados y repetición de ejecuciones. Una prueba útil debe usar incidencias, módulos, documentación y criterios de aceptación representativos, pero sin exponer secretos ni datos personales innecesarios.

En trabajo de conocimiento, el modelo puede ser útil para resumir expedientes extensos, comparar documentos, extraer estructuras de tablas, preparar borradores o identificar cuestiones para revisión. El enfoque más prudente es obligar a separar evidencia, inferencias y recomendaciones; solicitar referencias al material entregado; y establecer que la salida no se use para ejecutar acciones externas sin confirmación. La capacidad de mantener contexto no resuelve por sí sola un problema de calidad de datos: si los documentos son contradictorios, incompletos o están mal fechados, una síntesis bien redactada puede seguir siendo equivocada.

El ajuste de esfuerzo permite experimentar con una cartera de tareas. Las peticiones rutinarias pueden evaluarse con niveles inferiores, mientras que depuración compleja, razonamiento numérico o análisis documental de alto impacto pueden justifican un nivel mayor y controles adicionales. No obstante, la opción más económica no siempre minimiza el coste final, y la más intensa no siempre entrega la mejor respuesta. Conviene medir tasa de éxito, tokens de entrada y salida, tiempo de respuesta, intervenciones humanas, errores críticos y variabilidad entre ejecuciones. Las comparaciones deben hacerse contra el proceso actual y no únicamente contra otro modelo.

La propia guía técnica sugiere evitar instrucciones heredadas que pidan una autoverificación excesiva al migrar a Opus 5, porque podrían añadir tokens y latencia. Esa recomendación no equivale a eliminar la revisión externa. Una cosa es la instrucción interna para que el modelo repase su trabajo y otra muy distinta es un control independiente: pruebas automatizadas, validación de datos, revisión de código, doble firma o aprobación humana antes de una operación irreversible.

La decisión de adopción debería incluir un piloto delimitado. Es recomendable seleccionar un conjunto de tareas con resultados verificables, definir un umbral de calidad y un presupuesto, probar distintos niveles de esfuerzo, registrar cuándo intervienen los filtros o respaldos, y revisar muestras de fallos. Si el modelo usa herramientas con capacidad de escribir, desplegar, comprar, modificar permisos o enviar comunicaciones, los permisos deben ser mínimos y reversibles. La autonomía debe crecer de forma gradual y solo después de demostrar fiabilidad en un entorno controlado.

Conclusiones

Claude Opus 5 representa, según la información de Anthropic, una actualización centrada en hacer más viable el uso de un modelo avanzado para programación, automatización y análisis de conocimiento sin elevar la tarifa base frente a Opus 4.8. La ventana de contexto de un millón de tokens, el control de esfuerzo y la atención a flujos de varios pasos dibujan un producto pensado para integraciones de mayor alcance que un chat convencional.

Sin embargo, las afirmaciones de rendimiento deben leerse en su contexto. Proceden en gran parte del proveedor, dependen de benchmarks, arneses de evaluación, niveles de esfuerzo y, en ciertos casos, mecanismos de respaldo. Los resultados son indicios relevantes, pero no una demostración universal de superioridad ni una garantía de rendimiento en un entorno concreto. La pregunta decisiva para una organización no es si Opus 5 encabeza una tabla, sino si mejora de forma medible un proceso específico con riesgos y costes aceptables.

El modelo tampoco elimina los problemas de seguridad, actualización factual, alucinaciones o dependencia de versiones. Anthropic documenta restricciones en ciberseguridad, limitaciones en investigación autónoma prolongada y una fecha de corte de conocimiento. Usado con datos bien gobernados, pruebas propias, observabilidad y revisión humana proporcionada al riesgo, puede ser una herramienta de apoyo para tareas complejas. Usado como autoridad autónoma o como sustituto de controles, sus limitaciones siguen siendo determinantes.

Continúa explorando

Correcciones y transparencia

Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.