El 99,9% en ARC-AGI-3 no es la cifra importante: lo que cambia el tablero es el coste por tarea

Los hechos que aporta el material son tres. Primero: el modelo alcanza un 99,9% en ARC-AGI-3, el test diseñado para medir razonamiento fluido —resolver puzles nuevos que no ha visto en el entrenamiento— y no memoria. Segundo: ejecuta tareas en Excel cuatro veces más rápido que un humano. Tercero, y decisivo: su coste por tarea es inferior a la mitad del de Fable 5.1, el modelo de Anthropic que hoy encabeza nuestro índice de Calidad Zendoric.

Empecemos por lo que ese 99,9% no dice. Un benchmark con casi el 100% de aciertos deja de ser un instrumento de medida: está saturado. Es exactamente lo que nos ocurrió con Cybench en ciberseguridad, donde todos los modelos punteros rozan el techo y la prueba ya no distingue entre ellos. Cuando una cifra llega al 99,9%, lo que aprendemos es que el test se ha quedado corto, no que el problema esté resuelto. La pregunta útil pasa a ser cuál es la siguiente prueba que sí discrimina.

El dato de Excel apunta a otra cosa, y es más concreto de lo que parece. Las hojas de cálculo son el sistema nervioso del back-office: conciliaciones, informes, cierres, presupuestos. Cuatro veces más rápido que un humano no es una demostración de laboratorio, es una capacidad directamente facturable. Encaja con lo que venimos documentando sector a sector: lo administrativo y repetitivo es lo más expuesto, mientras el criterio, la relación con el cliente y lo presencial aguantan.

Y llegamos al número que realmente mueve la aguja. Menos de la mitad de coste por tarea que Fable 5.1 significa que la capacidad de frontera se abarata a un ritmo que el debate público todavía no ha digerido. Cuando la inteligencia deja de ser un bien caro, la adopción se decide por presupuesto operativo y no por proyecto estratégico: cualquier pyme, cualquier hospital, cualquier ayuntamiento entra en el juego. Ese abaratamiento es el mecanismo por el que la IA puede acabar acelerando el diagnóstico médico o el descubrimiento de fármacos, no un adorno de la nota de prensa.

Nuestra lectura: hay que separar las dos mitades de este anuncio. La mitad del benchmark es la parte débil —una cifra saturada que sirve más para el marketing que para medir— y conviene esperar a resultados en pruebas duras y sin guía antes de darla por buena; el material tampoco identifica al modelo, así que tomamos el dato como afirmación de la fuente, no como capacidad verificada. La mitad del coste es la parte fuerte, y es la que define la próxima etapa: el cuello de botella se desplaza del talento al precio, y de ahí a la organización. A corto plazo eso presiona empleos administrativos reales y obliga a rediseñar procesos, con el riesgo —ya visto en Ford, Klarna o el Commonwealth Bank— de automatizar antes de tiempo y tener que recontratar. A largo plazo, la inteligencia barata es precisamente la condición para que la abundancia deje de ser una promesa y se convierta en infraestructura.