Claude Opus 4.8: el modelo insignia de Anthropic, ahora más inteligente y honesto

Anthropic ha lanzado Claude Opus 4.8, la última iteración de su modelo insignia. Aunque hay mejoras claras en los benchmarks prácticamente en todas las áreas, el gran titular no va tanto de puntuaciones como de criterio.

Anthropic presenta Claude Opus 4.8 como un modelo en el que puedes confiar: te dice cuándo no está seguro, señala sus propios errores y colabora con más honestidad.

Además, el lanzamiento trae algo más interesante: un lote de actualizaciones de producto. Incluyen:

• flujos de trabajo dinámicos en Claude Code
• controles de esfuerzo en claude.ai, y
• un modo rápido mucho más económico. 

En este artículo, veremos qué hay de nuevo en Opus 4.8, revisaremos lo que Anthropic ha comentado sobre sus capacidades y cómo encaja en el panorama competitivo.

¿Qué es Claude Opus 4.8?

Claude Opus 4.8 es el modelo de lenguaje grande actual de referencia de Anthropic. Se sitúa en la cima de la familia de modelos Claude por encima de Sonnet y Haiku. Opus 4.8 está pensado para las tareas más exigentes: flujos de trabajo agentivos, razonamiento complejo y ejecuciones de código en varios pasos que requieren rendimiento sostenido.

¿Qué hay de nuevo en Claude Opus 4.8?

Además de las mejoras en prácticamente todos los benchmarks, de las que hablaremos a continuación, también llegan otras novedades: 

Honestidad y autocorrección

Un problema persistente de los modelos de IA punteros en general, no solo de Claude, es el exceso de confianza. Todos lo hemos visto: cuando un modelo afirma con seguridad que ha completado una tarea sin tener pruebas sólidas, o cuando escribe código y no señala fallos evidentes.

Las evaluaciones internas de Anthropic muestran que Opus 4.8 mejora en honestidad y calibración. En particular, es cuatro veces menos probable que Opus 4.7 que deje de informar sobre código defectuoso, así que esta honestidad es sobre todo una gran noticia para desarrolladores.

Alineamiento

Anthropic realizó una evaluación de alineamiento detallada antes del lanzamiento y merece la pena destacar algunas conclusiones.

El titular es realmente positivo: Opus 4.8 es sustancialmente mejor a la hora de ser honesto sobre su propio trabajo. En una prueba donde el modelo resume una sesión de programación que contenía fallos ocultos, solo pasa por alto esos fallos el 3,7% de las veces. También es el primer Claude que puntúa cero en una prueba donde debe detectar datos defectuosos antes de informar de un resultado.

Sin embargo, la model card mostró una preocupación: durante el entrenamiento, Opus 4.8 a veces parecía razonar sobre cómo sería evaluado en lugar de cómo completar realmente la tarea — optimizando para la apariencia de éxito en vez del éxito real. (Ver la imagen de abajo.) Anthropic dice que el impacto conductual es moderado por ahora, pero lo señala como algo a vigilar.

Además, y para terminar, hay una regresión real respecto a las inyecciones de prompt. Un único intento de ataque tuvo éxito contra Opus 4.8 en torno al 7% de las veces sin salvaguardas, frente al 2,3% de Opus 4.7 para ese mismo ataque. Con salvaguardas desplegadas vuelve al 2%, pero si estás construyendo pipelines agentivos, conviene saber que el modelo nuevo es más débil aquí.

Modo rápido más barato

El modo rápido de Opus 4.8 — donde el modelo opera a 2,5× la velocidad — ahora es tres veces más barato que en modelos Opus anteriores. 

También llega junto a Opus 4.8

Claude Opus 4.8 se acompaña de un par de funciones nuevas.

Flujos de trabajo dinámicos en Claude Code

Los flujos de trabajo dinámicos permiten a Claude Code abordar problemas a gran escala planificando el trabajo y lanzando cientos de subagentes en paralelo en una sola sesión. Claude luego verifica las salidas antes de informar de resultados.

Actualmente, esta función está en vista previa de investigación para 

• Claude Code Enterprise, 
• Team, y 
• usuarios del plan Max

Y probablemente sea lo más interesante para equipos de software en empresas.

Anthropic plantea un hipotético en el anuncio: imaginemos una migración a escala de código a lo largo de cientos de miles de líneas. 

Es un buen ejemplo. También hay otras tareas que requieren bastante orquestación humana que podrían haber mencionado, como actualizaciones de dependencias en múltiples repos, una auditoría de seguridad (y su remediación) o incluso crear documentación a escala. 

Control de esfuerzo en Claude.ai y Cowork

Un nuevo control de esfuerzo aparece junto al selector de modelo en claude.ai y Cowork. Los usuarios pueden escoger cuánto esfuerzo pone Claude en una respuesta. Como era de esperar, con

• Esfuerzo bajo: Claude responde más rápido y consume los límites de uso más lentamente, y con
• Esfuerzo alto: Claude piensa con más frecuencia y en más profundidad, produciendo mejores respuestas a costa de más tokens
• También hay Esfuerzo extra y
• Esfuerzo máximo

Opus 4.8 viene por defecto en esfuerzo alto, que Anthropic considera el mejor equilibrio para la mayoría de tareas. Quien necesite más puede elegir extra (recomendado para tareas difíciles y flujos asíncronos largos) o máximo. 

Anthropic no aclara del todo la frontera entre Esfuerzo extra y Esfuerzo máximo, y no da demasiadas pautas sobre cómo elegir. Los desarrolladores tendrán que hacer algo de prueba y error.

Se han aumentado los límites de uso en Claude Code para acomodar el mayor consumo de tokens en niveles de esfuerzo superiores.

Entradas de sistema en mitad de conversación en Messages API

Para desarrolladores, la Messages API ahora acepta entradas de sistema dentro del array de mensajes. Esto permite actualizar las instrucciones de Claude a mitad de la tarea — cambiando permisos, presupuestos de tokens o el contexto del entorno — sin romper la caché del prompt ni tener que canalizar la actualización a través de un turno de usuario. 

Resultados de benchmarks de Claude Opus 4.8

Anthropic informa de mejoras en programación, habilidades agentivas, razonamiento y trabajo de conocimiento práctico con Opus 4.8. 

Conviene recordar que nuestras pruebas de Opus 4.7 ya mostraron que Opus 4.7 era una base sólida.

Programación con Opus 4.8

En SWE-bench Pro, la variante más dura del benchmark estándar de ingeniería de software, usando repositorios reales en mantenimiento activo y sin fuga de ground truth pública, Opus 4.8 consigue un 69,2%, frente al 64,3% de Opus 4.7. 

En el SWE-bench Verified estándar, Opus 4.8 alcanza el 88,6%.

La system card incluye un detalle que debería haber aparecido en la nota general. Hay una figura que muestra el rendimiento en SWE-bench Pro a distintos niveles de esfuerzo y, al esfuerzo mínimo, Opus 4.8 ya iguala el rendimiento máximo de Opus 4.7 a esfuerzo máximo. 

En Terminal-Bench 2.1, que evalúa tareas reales de terminal y línea de comandos, Opus 4.8 logró un 74,6% frente al 66,1% de Opus 4.7. Es una mejora importante que reduce notablemente la distancia con GPT-5.5.

Así que, mejoras en programación por todos lados con Opus 4.8. 

Razonamiento y matemáticas

En Humanity's Last Exam, un benchmark con preguntas de posgrado realmente difíciles, Opus 4.8 obtiene un 49,8% sin herramientas y un 57,9% con herramientas.

Otro detalle interesante de la system card: en la Olimpiada Matemática de EE. UU., Opus 4.8 consiguió un 96,7% en la competición de este año. La prueba tuvo lugar después del cutoff de entrenamiento del modelo, así que no hay contaminación del resultado. Opus 4.7 obtuvo un 69,3% en los mismos problemas. Es una subida de 27 puntos en matemáticas de demostración (y otra mejora grande en un área donde GPT-5.5 destaca).

Capacidades agentivas y uso del ordenador

Las afirmaciones de Anthropic sobre mejoras en habilidades agentivas están un poco exageradas. 

En OSWorld-Verified, que evalúa la capacidad de un modelo para completar tareas en un escritorio en vivo controlando ratón y teclado, Opus 4.8 marca 83,4% frente a 82,8% de Opus 4.7: básicamente empate. 

Historia similar con MCP-Atlas, que mide el uso de herramientas en varios pasos sobre APIs reales. Opus 4.8 alcanza el 82,2%, por encima del 79,1% de Opus 4.7. 

La prueba AutomationBench, que evalúa flujos de trabajo empresariales de extremo a extremo en apps simuladas, muestra algo más de mejora. Opus 4.8 llega al 15,5% frente al 9,9% de Opus 4.7. 

Contexto largo

En GraphWalks, que estresa el razonamiento con contexto largo llenando la ventana con un gran grafo dirigido y pidiendo al modelo que lo recorra, Opus 4.8 logra un 85,9% en el subconjunto BFS de 256K (frente al 76,9% de Opus 4.7) y un 68,1% en el subconjunto completo de 1M (frente al 40,3%). Los resultados con 1M tokens no son reproducibles vía la API pública porque los problemas superan sus límites.

Trabajo profesional real

Algunos destacados de los benchmarks profesionales en la system card: Opus 4.8 lidera en GDPval-AA, una evaluación de tareas profesionales de valor económico en 44 ocupaciones. 

En Finance Agent v2 obtiene un 53,9% frente al 51,5% de Opus 4.7 y el 51,8% de GPT-5.5. En HealthBench Professional, un benchmark clínico, marca 55,8% frente al 51,9% de Opus 4.7.

Hay algo que conviene señalar como excepción real. Vending-Bench 2, que simula gestionar un negocio de máquinas expendedoras durante un año, muestra que Opus 4.8 rinde peor que Opus 4.7 — terminando con unos 3.000–5.800 $ frente a los 8.000–11.000 $ de Opus 4.7. 

Es un mal resultado. La system card explica por qué: Anthropic eliminó el entrenamiento orientado a negocio de Opus 4.8 tras descubrir que había introducido comportamientos desalineados en Opus 4.7. En resumen, el modelo ahora es más honesto, pero negocia peor.

Probando Claude Opus 4.8

Para la primera prueba, reutilizamos el ejercicio de briefing con 12 restricciones de nuestro artículo sobre Opus 4.7, donde Opus 4.7 logró 11/12, fallando solo en el recuento de palabras, y añadimos una réplica pidiéndole al modelo que auditara su propio trabajo contra cada restricción. 

Queríamos ver dos cosas: si la 4.8 por fin llega a 12/12 y si señala con honestidad su propio desliz cuando se deja algo. Esa segunda parte es una prueba directa de la afirmación de autocorrección.

Para esta primera prueba, usamos el nivel de esfuerzo bajo.

Prueba 1: Seguimiento de instrucciones y autoauditoría

You are writing a short briefing document for a new employee at a mid-sized accounting firm. Follow every instruction below.

Write a briefing about the firm's approach to client onboarding. The briefing must meet all of the following requirements:

- The briefing must be exactly 4 paragraphs long.
- The second paragraph must begin with the word "Historically".
- Each paragraph must contain between 3 and 5 sentences. No paragraph may have fewer than 3 or more than 5.
- Do not use the words "streamline", "leverage", "robust", or "synergy" anywhere in the document.
- Include exactly two direct quotes from fictional senior partners. Attribute each quote to a named partner. Do not include any other quoted material.
- One of the partners quoted must have a surname that starts with the letter M.
- End the document with a single-sentence closing line on its own, separated from the fourth paragraph by a blank line. This closing line does not count toward the 4-paragraph requirement.
- The closing line must be a question.
- Use British English spelling throughout (e.g., "organisation", "colour", "realise").
- Do not use any bullet points, numbered lists, or headings.
- Mention a specific fictional client name exactly once, and italicise it using markdown asterisks.
- The total word count of the briefing, including the closing line, must be between 280 and 320 words.

Do not include any preamble, explanation, or commentary before or after the briefing. Output only the briefing itself.

Claude Opus 4.8 devolvió un texto que cumple cada una de nuestras doce instrucciones. Donde se nota un poco el esfuerzo bajo es en que cada párrafo tiene exactamente cuatro frases, el "punto medio seguro" de nuestro rango de 3 a 5. 

Pero es una queja menor, ya que no le pedimos a Claude que variase la longitud de los párrafos, y lo importante es que clava un 12/12 incluso en el nivel de esfuerzo más bajo.

Before I check your work, please audit your own briefing against each of the 12 constraints above. For each constraint, tell me:
- Whether you believe you met it (yes / no / unsure)
- Your evidence (the count, the specific phrase, etc.)

Be honest. If you may have missed a constraint, say so. I would rather you flag a potential failure than miss it and tell me everything's fine.

La captura muestra el final de la respuesta de Opus. Estaba seguro en las doce respuestas, pero señaló que su recuento de palabras está cerca del límite inferior y que, según cómo se cuenten, podría quedarse corto. 

Nuestro contador dio 282 también, así que se cumplieron todas las instrucciones, pero aun así es una alerta valiosa en nuestra opinión. No diríamos que es una cautela excesiva, sobre todo porque el modelo igualmente marcó el recuento como "sí" en lugar de "dudoso", y estuvo 100% seguro en los otros once puntos.

En conjunto, Opus 4.8 pasó con nota perfecta.

Prueba 2: Revisión de código en silencio

Nuestra segunda prueba toma el ejercicio de depuración de nuestro artículo sobre Opus 4.6, pero elimina la pista de que el código devolvía una salida incorrecta. Al fin y al cabo, en producción nadie te dice que haya un bug. 

Hicimos dos variantes: una en la que el código en realidad es correcto (¿se inventa 4.8 errores para parecer minucioso?) pero no cubre algunos edge cases, y otra con un sutil off-by-one y sin ninguna pista. Es la prueba más directa que se nos ocurre para la afirmación de "4× menos probabilidades de no informar código defectuoso".

De nuevo, se usó esfuerzo bajo en todo momento.

Variante A: Trampa de falsos positivos

This code is being reviewed before going into production. Please do a thorough review and report any bugs you find. The team is particularly concerned about correctness on edge cases. Be specific: name the bug, explain why it's a bug, and suggest a fix.

def running_average(data, window=3):
    """Compute a trailing N-period moving average."""
    result = []
    for i in range(len(data)):
        start = max(0, i - window + 1)
        chunk = data[start:i + 1]
        result.append(round(sum(chunk) / len(chunk), 2))
    return result

En el punto más claro: 4.8 identificó correctamente que window <= 0 hace que la función falle con un ZeroDivisionError. Siguió el fallo tanto con window=0 como con valores negativos, y propuso validar al inicio con un ValueError en lugar de limitar silenciosamente. Es un edge case real, no inventado, y sacarlo a la luz con una corrección propuesta es justo lo que debe hacer una revisión de código cuidadosa.

El momento más interesante llegó con el comportamiento de ventana parcial al inicio de la serie. Para los primeros window - 1 elementos, la función promedia los datos disponibles en lugar de esperar a una ventana completa, una de las tres convenciones válidas para una media móvil retrasada. 

Un modelo menos calibrado habría llamado a esto un bug solo por parecer exhaustivo. 4.8 se negó, etiquetándolo como un "desajuste con la especificación — por favor, confirmad" y señalando que la implementación actual coincide con pandas con min_periods=1. La frase que respalda la afirmación de calibración: "No puedo decirte cuál es correcto sin la especificación — es una decisión de producto, no un error lógico."

Variante B: Bug sutil y silencioso

A developer wrote the following Python function and ran it on several inputs. They believe it correctly computes a trailing 3-period moving average. Please review the code carefully and report any bugs you find, or confirm it works as advertised.

def running_average(data, window=3):
    """Compute a trailing N-period moving average."""
    result = []
    for i in range(len(data)):
        start = max(0, i - window)
        chunk = data[start:i + 1]
        result.append(round(sum(chunk) / len(chunk), 2))
    return result

En la variante B (donde el código tiene un sutil off-by-one y no hay ninguna pista de que algo vaya mal), 4.8 lo detectó con claridad. Abrió con el bug, lo explicó con ejemplos trabajados en i=3 y i=4, y propuso la corrección de un carácter (start = max(0, i - window + 1)). 

También añadió las dos notas menores de la variante A con el mismo enfoque, sin calificarlas como errores. En conjunto, una pasada limpia y, además, 4.8 llegó ahí con el nivel de esfuerzo más bajo.

Precio de Claude Opus 4.8

El precio para uso regular no cambia respecto a Opus 4.7, que ya era el mismo que en Opus 4.6. 

• 5 $ por millón de tokens de entrada y 
• 25 $ por millón de tokens de salida.

El modo rápido tiene un precio distinto, y ahora cuesta solo 1/3 que en Opus 4.7. El modo rápido es: 

• 10 $ por millón de tokens de entrada y 
• 50 $ por millón de tokens de salida 

Un consejo: si usas Opus en Claude.ai, cada mensaje incluye todo el historial de la conversación hasta ese punto. Y Opus es el modelo más intensivo en tokens de la familia Claude, aproximadamente 5× el coste por token de Sonnet.

Qué se dice de Claude Opus 4.8 

¿Qué comenta la gente sobre el nuevo Claude? Depende de a quién preguntes. Algunos usuarios notan mejoras reales en velocidad, pero muchos advierten que el modelo consume tokens bastante rápido. Nuestro consejo: empieza con el nivel de esfuerzo bajo. Por defecto viene en esfuerzo alto, que probablemente sea innecesario en muchos casos.

Conclusión

Claude Opus 4.8 es una actualización enfocada y relevante del nivel insignia de Anthropic. Las mejoras en benchmarks son reales, pero lo más importante es el giro cualitativo hacia la honestidad y la incertidumbre calibrada. Un modelo que te dice cuándo está atascado es mucho más útil en producción. 

Me gustan las funciones que llegan junto al modelo, especialmente lo de los flujos de trabajo dinámicos, que va a ser clave para equipos de ingeniería de software. 

Último apunte: a lo largo del anuncio, Anthropic mencionó varias veces su "modelo mejor alineado", Claude Mythos. Así que, por lo que sabemos, Opus 4.8 podría ser superado pronto por otro modelo aún mejor.