Anthropic anunció los nuevos modelos Claude Fable 5 y Claude Mythos 5. Fable 5 está pensado para uso general, Mythos 5 usa el mismo modelo subyacente con restricciones más laxas y sigue disponible solo para socios seleccionados. Puedes acceder a Fable 5 mediante la API de Claude como claude-fable-5 por 10 $ por millón de tokens de entrada y 50 $ por millón de tokens de salida.
Esa es la parte que todo el mundo lee. Pero, sinceramente, ¿el precio por token? Es el dato menos interesante de toda la historia. Veamos por qué.
Qué anunció Anthropic
Se dice que Fable 5 es notablemente más fuerte en programación, trabajo analítico, comprensión de imágenes, contexto largo y tareas científicas. Anthropic menciona migraciones de código a gran escala, análisis de documentos y hojas de cálculo, lectura precisa de datos a partir de gráficos y tareas agénticas largas que requieren una planificación continua.
La palabra clave es "agéntico". Fable 5 no es principalmente un modelo al que se le hace una pregunta y se obtiene una respuesta. Está construido para tareas en las que el modelo trabaja a lo largo de varios pasos, mantiene su propio plan y avanza hacia el objetivo de forma relativamente autónoma. Y es exactamente ahí donde empieza a romperse la forma en que pensamos sobre el coste.
Una nueva tendencia: los modelos son cada vez más prolijos
Estamos viendo un cambio que no se puede leer en una tabla de precios. Los modelos más recientes son cada vez más prolijos. Para resolver la misma tarea, dan más pasos, "razonan" más sobre el enfoque y analizan las cosas con mayor profundidad.
Esto no es un defecto, todo lo contrario. Es precisamente lo que les permite abordar tareas más complejas. Pero tiene una consecuencia: el mismo problema que antes un modelo resolvía en una sola pasada ahora puede pasar por varias rondas de razonamiento, pasos intermedios y autocomprobación.
Coste por token frente a coste por resultado
Durante años nos hemos fijado en una sola métrica: cuánto cuesta un millón de tokens. Es comparable, parece objetivo y encaja perfectamente en una tabla. Pero mide la entrada, no el valor.
La pregunta real no es "cuánto cuesta un token" sino "cuánto cuesta llevar una tarea hasta su finalización". Es decir: cuántos tokens, cuántos intentos y cuánta supervisión humana consume una cosa terminada: un contrato analizado, una migración completada, un informe que no tienes que corregir manualmente.
Una vez que empiezas a calcular así, la clasificación de modelos por precio por token deja de tener sentido. Un modelo más barato que da vueltas puede costar más que uno más caro que acierta el resultado a la primera.
¿Construyendo automatizaciones e IA sobre datos de la empresa?
En Apexloop, los datos, los documentos, las automatizaciones y los permisos comparten un único modelo común, de modo que el resultado de un agente de IA se puede comprobar, auditar y medir, no solo ejecutar.
Qué significa esto para el despliegue empresarial
Para los equipos que construyen aplicaciones internas, automatizaciones o asistentes de IA sobre datos de la empresa, este cambio de mentalidad importa más que unos pocos dólares en la lista de precios.
El avance hacia tareas agénticas largas resulta atractivo: un modelo que mantiene mejor un plan y un contexto es más práctico para flujos de trabajo como el análisis de contratos, la migración de datos, la preparación de informes o la revisión de bases de datos. Pero ese mismo cambio es exactamente lo que aumenta el consumo de tokens. Aquí, la capacidad y el coste suben de la mano.
Así que el consejo práctico no es "elige el modelo más barato", sino:
- Define qué significa un "resultado completado" para una tarea dada y mide los costes contra eso.
- Haz seguimiento de la tasa de éxito al primer intento, no solo del precio por token.
Donde una tarea más sencilla sea suficiente, no despliegues el modelo más prolijo. El objetivo no es el máximo razonamiento, sino el mínimo razonamiento necesario para el resultado.
Un detalle que también afecta al resultado
Una cosa más que entra en los cálculos de "coste por resultado". Fable 5 está disponible de forma general, pero Anthropic añadió clasificadores de seguridad conservadores encima. Si una consulta cae en áreas sensibles, como ciberseguridad, biología o química, la respuesta puede ser asumida por Claude Opus 4.8.
Para una empresa, esto significa que, para una parte de las consultas, el comportamiento del modelo puede cambiar. Anthropic afirma que esto afecta, en promedio, a menos del cinco por ciento de las sesiones y que las salvaguardas a veces atrapan una solicitud inocua. Si estás construyendo un producto sobre este modelo, conviene tener en cuenta esta variabilidad: también forma parte de la pregunta de con qué fiabilidad obtienes el resultado esperado.
Qué llevarse de todo esto
Un modelo más fuerte no es automáticamente una solución completa. En un despliegue real, lo que sigue decidiendo es el modelo de datos, los permisos, la auditoría, las pruebas de los resultados y los límites claramente diseñados de lo que el agente de IA puede hacer de forma autónoma.
Pero incluso la forma de pensar sobre el coste merece una actualización. Un modelo nuevo es una oportunidad para cambiar la mentalidad: dejar de preguntar cuánto cuesta un token y empezar a preguntar cuánto cuesta un resultado. Esa es la métrica que realmente importa.