El Frontier Red Team de Anthropic, en colaboración con Andon Labs, dio a 15 modelos de IA los controles de un dron cuadricóptero real y les pidió que volaran por una oficina, encontraran a una persona concreta y la siguieran. Los resultados y el conjunto de tareas se publicaron el viernes como Drone-Bench.
Cómo se puntuó
La tarea se descompuso en cinco subtareas, entre ellas Reconstruct — convertir vídeo de oficina en un modelo 3D — y Localize, que consiste en emparejar la vista del dron con un mapa bidimensional de obstáculos. El punto de comparación no es un humano sin ayuda: la referencia se estableció con equipos humano-IA que utilizaban agentes de programación. Presentar el resultado como "los modelos igualan a los humanos" no describe correctamente lo que se midió.
Dónde está el muro
La detección y el seguimiento alcanzaron casi el 100% de la referencia. Reconstruct llegó solo a alrededor del 47% a mediados de 2026, y es el cuello de botella que frena toda la tarea. El modelo más sólido superó la referencia en todas las subtareas salvo en la reconstrucción, pero aun así la superó de media solo en tres de cinco.
Límites declarados
Anthropic publicó las restricciones en lugar de ocultarlas: velocidades lentas del dron, una sola planta de oficina, un número limitado de personas, sin pruebas en exteriores y sin multitudes. Los modelos probados abarcaron 15 versiones de tres desarrolladores a lo largo de unos dos años de avances.
Qué modelos
Los 15 abarcan aproximadamente dos años de avances de frontera en tres desarrolladores, desde GPT-4o y o1 hasta Gemini 2.5 Pro y sucesivas versiones de Claude Opus, hasta la generación actual. Leídos como una serie temporal, ese es el punto: la detección y el seguimiento están cerca de saturarse, mientras que la reconstrucción apenas ha avanzado.
La línea de gobernanza
El equipo nombró el riesgo de forma directa: una vez superados los umbrales de fiabilidad, habrá una presión real para tratar la supervisión humana como un coste y no como una salvaguarda.