Anthropic y OpenAI están atrapados en una carrera cada vez más reñida por la supremacía fronteriza de la IA, y la brecha entre sus modelos emblemáticos se está reduciendo a una competencia de punto de referencia por punto de referencia.
Claude ha liderado tareas de ingeniería de software program del mundo actual: Fable 5 obtuvo una puntuación del 80,3 % en SWE-Bench Professional en su lanzamiento en junio, muy por delante del 58,6 % de GPT-5.5. Pero el GPT-5.6 Sol recientemente lanzado de OpenAI reclama el lugar de última generación en el Índice de agentes de codificación de análisis synthetic en 80, muy por delante de Fable 5, mientras utiliza menos de la mitad de los tokens y el tiempo.
Desde el lanzamiento de Mythos y el acceso anticipado a un grupo selecto de empresas de su Glasswing Alliance, Anthropic se ha posicionado al frente de la carrera fronteriza. Siguió lanzando Fable 5, una versión de Mythos con salvaguardias adicionales en torno a la biología, la ciberseguridad y la investigación de inteligencia synthetic, para un conjunto mucho más amplio de usuarios, consolidando ese liderazgo.
Ese impulso se vio obstaculizado cuando una disputa con el gobierno de EE. UU. sobre los controles de exportación llevó a que Anthropic fuera tratado como un riesgo para la cadena de suministro, lo que la obligó a suspender el acceso a Fable 5 y Mythos 5 durante 19 días (del 12 de junio al 1 de julio de 2026) antes de que el Departamento de Comercio levantara los controles pertinentes y se restableciera el acceso.
Poco más de una semana después de que Fable 5 volviera a estar disponible para todos los usuarios, OpenAI presentó su propia familia de próxima generación: GPT-5.6 Sol, Terra y Luna. En lugar de un único buque insignia, OpenAI dividió el lanzamiento en tres niveles de capacidad con precios separados, con Sol en la parte superior y Luna en la parte inferior, argumentando que esto permite que cada nivel avance a su propio ritmo.
OpenAI ha expresado que Sol supera al buque insignia de Anthropic en varios frentes. En Brokers’ Final Examination, una evaluación de flujos de trabajo profesionales de larga duración en 55 campos, Sol obtuvo una puntuación de 53,6, lo que según OpenAI está 13,1 puntos por delante de Fable 5. En el índice de agentes de codificación de análisis synthetic, Sol registró un nuevo máximo de 80, aproximadamente 2,8 puntos por encima de Fable 5. También reclama nuevas calificaciones de última generación en BrowseComp (92,2%) y OSWorld 2.0 (62,6%).
La imagen no es unidireccional
Pero el panorama no es unidireccional. Anthropic todavía tiene una amplia ventaja en SWE-Bench Professional, donde el 80,3% de Fable 5 se sitúa muy por encima del 64,6% que informa OpenAI para Sol, una brecha de aproximadamente 15 puntos en uno de los puntos de referencia de codificación agente más seguidos.
Observadores independientes han señalado que Terminal-Bench y SWE-Bench Professional recompensan diferentes tipos de trabajo: la automatización de terminales favorece el arnés estilo Codex de Sol, mientras que la resolución de problemas de toda la base de código todavía favorece a Claude.
Para entender por qué las dos empresas pueden reclamar una victoria, es útil pensar en las dos pruebas como tipos diferentes de entrevistas de trabajo para el mismo candidato.
SWE-Bench Professional es como entregarle a alguien una casa a medio terminar que un contratista anterior dejó atrás y pedirle que encuentre exactamente lo que está mal y arregle solo eso, sin tocar nada más ni provocar fugas en una habitación diferente.
Recompensa a un modelo que puede leer con atención, navegar por algo grande y desconocido y realizar una reparación precisa y contenida, de la misma manera que un ingeniero de software program corrige un error específico en una base de código que no creó.
Terminal-Bench 2.1, por otro lado, se trata menos de arreglar una cosa específica y más de habilidad basic en toda la casa. Hay que evaluar si esta persona puede configurar la electricidad, hacer funcionar las tuberías y recuperarse si un paso sale mal a mitad del camino.
Es una prueba más amplia del funcionamiento del panel de management de una computadora que incluye la instalación de software program, la configuración de servidores, la ejecución de trabajos de varios pasos y la resolución de problemas a lo largo del camino.
Un modelo puede ser un solucionador de errores meticuloso sin ser un gran operador en todos los aspectos, y viceversa. Esta es aproximadamente la razón por la que Fable 5 lidera la prueba de “arreglar esto con precisión”, mientras que GPT-5.6 Sol lidera la prueba de “manejar todo este flujo de trabajo desordenado”.
Hay un segundo aspecto que vale la pena conocer, ya que estos puntajes no solo prueban el modelo de IA en sí, sino que también prueban el conjunto de herramientas con el que se proporciona para trabajar.
OpenAI ha evaluado sus modelos utilizando su propio conjunto de herramientas interno “Codex”, ajustado para funcionar bien con la forma en que les gusta operar a sus modelos, un poco como dejar que el operador use sus propias herramientas en lugar de alquilarle un conjunto de equipos estándar. Un contratista será experto en ejecutar bien con las herramientas a las que está acostumbrado, pero puede resultarle difícil utilizar un conjunto de herramientas diferente.
En un escenario regular, este contratista necesitará algo de tiempo adicional para acostumbrarse a las nuevas herramientas antes de comenzar a trabajar. E incluso cuando trabajen con las nuevas herramientas, les llevará algún tiempo adquirir conocimiento tácito. Si uno tuviera en cuenta esto en la capacidad de GPT 5.6 Sol, entonces su ventaja con Fable 5 será más estrecha.
Una lucha de productos más amplia
Además de la familia de modelos GPT-5.6, la compañía también anunció ChatGPT Work, un modo agente basado en GPT-5.6 que puede leer correos electrónicos, resumir textos, crear presentaciones y organizar concepts incipientes en gráficos y paneles a través de una nueva función «Sitios», así como ejecutar tareas programadas o recurrentes.
Este producto es un competidor directo de Claude Cowork, que de manera related puede completar tareas de uso de herramientas de varios pasos para los usuarios, aunque los dos difieren en sus ecosistemas de complementos y en qué tan profundamente cada uno está entretejido en las herramientas de codificación de su creador: Codex para OpenAI, Claude Code para Anthropic.
Entonces, ¿cómo se comparan y contrastan los modelos de los dos laboratorios fronterizos emblemáticos? Según lo que muestran los puntajes de referencia y evaluación, ambos son muy capaces y están cerca uno del otro en basic. Cada uno viene con una especialidad diferente en lugar de que un modelo esté categóricamente por delante.
El lugar donde OpenAI muestra claramente su distinción es en la eficiencia simbólica. En el índice de agentes codificadores de análisis synthetic, Sol iguala o supera la puntuación de Fable 5 mientras utiliza menos de la mitad de los tokens de salida, toma menos de la mitad del tiempo y cuesta aproximadamente un tercio menos.
En el Índice de Inteligencia de Análisis Synthetic más amplio, Sol se ubica a un solo punto de Fable 5 y completa las tareas en un 61% menos de tiempo y aproximadamente la mitad del costo.
Para los equipos que sopesan el costo por tarea completada en lugar de las puntuaciones de referencia brutas, esta brecha de eficiencia puede ser un issue decisivo sobre qué modelo encabeza cualquier clasificación particular person. Sin embargo, al igual que con la comparación anterior entre Codex y arnés impartial, vale la pena verificar si esa eficiencia se mantiene fuera del entorno optimizado de OpenAI antes de apostar por un flujo de trabajo de producción.
Publicado – 10 de julio de 2026 04:13 p. m. IST
