La nueva evaluación de Anthropic no demuestra que un modelo pueda operar un sistema de armas real. Demuestra algo más acotado y, por eso mismo, más útil: ciertas tareas que antes requerían conocimientos especializados pueden medirse directamente en un modelo y compararse bajo condiciones controladas.
El primer frente es la inteligencia táctica. Anthropic probó tareas de correlación de cuentas, clasificación de personas y geolocalización. En esta última, los modelos recibieron fotografías cuya ubicación de referencia estaba oculta y tuvieron que inferir el lugar usando las pistas visuales. La empresa encontró que los modelos de clase Mythos podían acercarse o superar referencias humanas en algunas condiciones, aunque el resultado dependía mucho del modelo y de la dificultad.
El segundo hecho es la evaluación de control de drones. Los modelos no recibieron un dron físico: escribieron código de vuelo dentro de un simulador y recibieron retroalimentación mediante trayectoria, datos de la unidad de medición inercial y cuadros de la cámara. Después podían modificar el código y volver a intentarlo dentro de un presupuesto de lanzamientos. El entorno permitía comparar cómo resolvían el problema distintos modelos.
El tercer dato pone en perspectiva el llamativo 80%. En el escenario más sencillo, con un vehículo estacionado y de alto contraste, Opus 5 consiguió impactos simulados en 80% de sus lanzamientos. Pero al promediar las nueve configuraciones de la evaluación, Opus 5 alcanzó 20%. Contra vehículos en movimiento la tasa bajó a 47% y después a 30% con más obstáculos; con bajo contraste sólo consiguió 8%, y los escenarios con camuflaje o señuelos dejaron de ser resueltos de forma consistente.
Los resultados también muestran por qué un solo porcentaje puede ser engañoso. En los escenarios más difíciles, viento, interferencias y objetivos menos visibles redujeron el rendimiento de todos los modelos. En una prueba de navegación con interferencias de GPS, los modelos de frontera podían detectar parte de la discrepancia entre sensores y continuar por estimación inercial, pero el desempeño seguía degradándose cuando la perturbación era más sutil.
Anthropic señala varias limitaciones. La representación visual es mucho más sencilla que una cámara real y algunos sistemas de campo utilizan sensores o módulos dedicados que no estaban disponibles en la prueba. Los modelos tampoco tenían acceso a Internet, bibliotecas completas de soluciones ni una persona revisando extensamente la telemetría. Por eso la propia empresa interpreta los resultados como un piso de capacidad, no como un techo.
La lectura de Azutora está en esa combinación: las capacidades ya son suficientemente concretas para medirse en tareas de percepción, programación y control, pero la distancia entre simulación y operación real sigue siendo grande. El riesgo editorial no es convertir una prueba de laboratorio en una capacidad militar desplegada; es ignorar que el nivel de automatización alcanzado ya permite estudiar de manera reproducible qué partes de una cadena técnica puede ejecutar un modelo por sí mismo.