Claude Opus 4 aguanta horas seguidas trabajando, y esa es la novedad
🟠 Intermedio · Importante · 5 min de lectura
Anthropic presentó el 22 de mayo Claude Opus 4 y Claude Sonnet 4. Los números de
las pruebas de programación están bien, pero lo que cambia el trabajo diario es
otra frase del anuncio: que puede trabajar de forma continuada durante varias
horas.
Qué ha pasado
Opus 4 lidera SWE-bench con un 72,5% y Terminal-bench con un 43,2%, y Anthropic
lo describe como capaz de mantener el rendimiento en tareas largas que requieren
esfuerzo sostenido y miles de pasos, trabajando de forma continuada durante
varias horas.
Sonnet 4 mejora de forma importante a Sonnet 3.7 y llega al 72,7% en SWE-bench,
respondiendo además con más precisión a lo que se le pide.
Los dos pueden usar herramientas, por ejemplo búsqueda web, durante el
pensamiento extendido, alternando entre razonar y usar herramientas. Pueden usar
varias herramientas en paralelo y tienen memoria bastante mejor.
Los precios se mantienen: Opus 4 a 15 y 75 dólares por millón de tokens de
entrada y salida, Sonnet 4 a 3 y 15.
Por qué importa
La cifra de SWE-bench es la que sale en los titulares y es la menos útil. Un
72,5% frente a un 70% no cambia nada en tu día.
Lo de las horas sí. Hasta ahora, un agente de programación era algo a lo que
dabas una tarea de cinco minutos y vigilabas. Si le dabas algo grande, se
perdía: olvidaba lo que había decidido veinte pasos atrás, repetía trabajo o se
iba por una rama sin sentido.
Un sistema que mantiene el hilo durante miles de pasos permite un modo de
trabajo distinto: le describes un objetivo, se pone, y tú revisas el resultado
en vez de supervisar cada paso.
Eso es exactamente lo que hace falta para que un agente sea útil de verdad, y
también lo que lo vuelve peligroso, porque un agente que trabaja solo durante
horas es un agente que puede hacer daño solo durante horas.
Lo que no sabemos todavía
Cuánto de ese rendimiento sostenido aguanta con código de verdad, con sus
inconsistencias y su documentación mala, en vez de con las tareas bien acotadas
de una prueba comparativa.
Tampoco sabemos qué cuesta en tokens una sesión de varias horas. A 75 dólares
por millón de tokens de salida, la cuenta de dejar a Opus 4 trabajando toda una
tarde no es despreciable y nadie la ha publicado.
Qué haría yo esta semana
Probar el trabajo largo con una red de seguridad de verdad: una rama aparte, un
contenedor, sin credenciales de producción. Dale una tarea que te llevaría a ti
media mañana y mira no solo si la termina, sino cómo llega hasta ahí.
Y mide el coste de esa sesión antes de acostumbrarte a trabajar así.