Hasta hace muy poco, trabajar con inteligencia artificial requería una paciencia infinita. Había que explicar el contexto una y otra vez, detallar cada paso de la solución y auditar obsesivamente los resultados obtenidos.
Esa era del "babysitting" algorítmico está llegando a su fin.
Según la experiencia de Cursor, un agente de IA para el desarrollo de software profesional, la evaluación de Claude Fable 5 ha demostrado que los nuevos modelos ya no necesitan que les mastiquen la realidad. Ahora son capaces de enfrentarse a los problemas con un sentido del mundo incorporado desde el primer instante.
Por qué los benchmarks públicos han dejado de ser útiles
En Cursor tienen una posición privilegiada: soportan todos los grandes modelos de frontera. Esto los convierte en un juez excepcionalmente neutral sobre el rendimiento real de cada inteligencia artificial.
Nate Schmidt, el ingeniero responsable de evaluar el comportamiento de estos modelos, notó una desconexión preocupante. Las puntuaciones públicas de las IA habían dejado de coincidir con la recepción real que tenían entre los desarrolladores.
Para solucionar esto, su equipo creó su propia métrica: CursorBench.
Esta herramienta nació para capturar la realidad del trabajo diario. Atrás quedaron los problemas perfectamente definidos; CursorBench evalúa instrucciones caóticas, incompletas y mal especificadas.
En la vida real, un usuario simplemente pega el registro de un error y escribe la palabra "arreglar".
Para tener éxito, el modelo debe inferir la intención del usuario. Tiene que aislar la causa raíz, aplicar la solución y validarla por su cuenta sin recibir más ayuda. Incluso le tienden trampas, como indicarle que un módulo funcional está roto, solo para ver si el agente cuestiona la suposición del usuario o si le sigue ciegamente hacia un callejón sin salida.
En este entorno hostil, Claude Fable 5 logró un asombroso 72.9% de éxito en su nivel de esfuerzo máximo. Una cifra que marca un nuevo estándar para las herramientas de agentic coding.
El salto del razonamiento local a la visión de misión global
Una cosa es aprobar un examen técnico y otra muy distinta es tener capacidad de planificación a largo plazo.
Para poner a prueba esto último, Schmidt utilizó un simulador de vuelo espacial programable. Su instrucción fue una sola línea en blanco: construir un cohete y aterrizarlo en la luna.
Primero probó con Claude Opus. Lo dejó ejecutándose en un segundo monitor entre 12 y 16 horas.
El resultado fue un fracaso iterativo constante. El modelo lanzaba el cohete, se quedaba sin combustible en órbita, añadía demasiado peso en combustible para compensar y luego ni siquiera lograba salir de la atmósfera al ser demasiado pesado.
Opus aplicaba un razonamiento puramente local, pensando solo en el evento inmediato.
Luego, Schmidt reinició el simulador con Claude Fable 5. En solo unos minutos, el cohete subió, se quedó en órbita baja y volvió a bajar. Parecía el mismo fracaso de antes, pero al leer el registro de acciones, Schmidt descubrió algo fascinante.
El modelo había decidido no ir a la luna en su primer intento.
Fable prefirió realizar una misión inicial solo para entrar en órbita y recopilar telemetría. Quería usar esos datos para informar y ajustar su siguiente viaje. Pocos intentos después, había un módulo de aterrizaje en la luna, y todo el proceso tomó apenas un par de horas.
La delgada línea entre ser muy inteligente o hacer trampa
Cuando un modelo empieza a resolver tareas altamente ambiguas de forma tan aplastante, los ingenieros desconfían.
El equipo de Cursor empezó a sospechar al ver los resultados. El modelo obtenía victorias en problemas donde la instrucción parecía simple, pero que exigían comprender absolutamente todo el sistema subyacente.
Pensaron que, de alguna manera, el modelo estaba haciendo trampa.
Tuvieron que analizar los rastros de ejecución y leer el razonamiento interno de la IA paso a paso en las tareas más difíciles. Lo que descubrieron fue que simplemente era capaz de encontrar soluciones profundas que ningún otro modelo lograba vislumbrar.
Además, demostró ser increíblemente eficiente en el uso de tokens en relación con el trabajo que llegaba a completar.
Reescribiendo las reglas de la energía de activación en los equipos
En cualquier empresa, hay proyectos que se quedan en el cajón de los deseos. Reescrituras o mejoras que todo el mundo sabe que aportarían valor, pero que nadie puede justificar por el inmenso tiempo que consumen.
La llegada de Claude Fable 5 cambia drásticamente esa ecuación de costes.
Schmidt señala que este modelo reduce la "energía de activación" necesaria para abordar este tipo de tareas. Como la IA puede sostener y construir gran parte del esqueleto del proyecto por sí misma, el equipo se atreve a abordarlo.
Esto permite a la empresa buscar un óptimo global del producto, en lugar de conformarse con parches temporales.
También ha transformado la coordinación interna. Antes de tocar código compartido, utilizan un agente para leer los cambios recientes de sus compañeros, detectando conflictos sin que nadie tenga que interrumpir su trabajo para hacer reuniones de estado.
La regla simple para elegir cuándo desplegar el modelo más avanzado
No todos los problemas requieren la herramienta más potente y costosa. El equipo ha encontrado una fórmula eficaz para optimizar sus recursos tecnológicos.
Para equilibrar coste y rendimiento, emparejan Claude Fable 5 con modelos más rápidos y ligeros para el trabajo rutinario. Solo despliegan el modelo superior cuando la capacidad técnica es el verdadero cuello de botella.
Schmidt tiene una regla de oro muy sencilla para tomar esta decisión.
Si tienes una buena idea de cómo es el camino del punto A al punto B, probablemente no necesites a Fable. Pero si estás en el punto A y no tienes ni la menor idea de dónde está el punto B, es una elección excelente.
Para los problemas del percentil 99, los más enrevesados, el objetivo es optimizar el tiempo hasta la solución. Ahí es donde Claude Fable 5 no tiene rival.
Qué implica este nivel de autonomía para tu despacho profesional
Aunque Cursor opere en el desarrollo de software, las lecciones de CursorBench son un espejo exacto de lo que ocurre diariamente en una asesoría fiscal, laboral o contable.
Tus clientes rara vez envían instrucciones perfectamente documentadas y sin ambigüedades.
Lo habitual en un despacho es recibir un correo confuso, un requerimiento de Hacienda escaneado a medias o un escueto "arregla esto" con facturas desordenadas. Esta es la versión contable del registro de errores caótico que evalúa Schmidt.
Hasta ahora, aplicar IA requería dedicar mucho tiempo a detallar el contexto y guiar a la máquina.
Si Claude Fable 5 puede cuestionar suposiciones falsas e investigar una causa raíz en código no especificado, puede hacer exactamente lo mismo cruzando nóminas, convenios y normativas tributarias. Los despachos deben empezar a delegar misiones completas, no solo pedirle a la IA que redacte borradores.
Conclusión: El fin del límite de lo posible
El equipo de Cursor sigue buscando los límites de esta nueva generación de inteligencia artificial. Su próximo experimento es dejar al modelo administrando un sistema back-end sin supervisión durante días o semanas enteras.
Internamente, ya lo están usando para cazar cuellos de botella en el rendimiento y puntos de dolor de los usuarios de forma proactiva, sin esperar a recibir reportes o quejas formales.
Como señala Schmidt, existe toda una clase de problemas que las empresas ni siquiera se planteaban resolver porque parecían inabarcables. Con modelos capaces de razonar a escala global, ha llegado el momento de atreverse a empujar esos límites.
