711 resultados de trabajo en una noche, 180 euros al mes, cero programadores despiertos. Una prueba práctica documentada - con preguntas sin respuesta.
Ningún periodista acompañó este artículo. No había nada que observar. Sólo una persona durmiendo y una máquina trabajando. Las pruebas son capturas de pantalla y facturas, no impresiones. Este es quizá el cambio más discreto que ha traído consigo esta tecnología de IA: No sólo está cambiando el trabajo, sino que las historias sobre él son cada vez más difíciles de contar.
Febrero de 2026, Hesse Central
El viernes por la tarde, después de una semana de trabajo normal, Christopher Helm abre un ordenador preparado especialmente para la prueba. AI-Modelo Sistema-Tarjeta y Informe sobre el riesgo de sabotaje, insistió - y cede el testigo a un sistema de IA que es el primero de su serie pensamiento adaptativo ofrece un control total.
Durante las siguientes nueve horas, sin supervisión. En este caso, pensar es opcional para el modelo. El modelo evalúa la complejidad de cada investigación y decide si debe pensar y cuánto.
En algún lugar entre los altos hornos de Buderus en Wetzlar, los armarios de distribución de Rittal en Herborn y las bombas de calor de Viessmann en Allendorf, que ya se han vendido, y sin embargo conectados a centros de datos, para cuyas necesidades energéticas Microsoft está reactivando Three Mile Island, Google está poniendo en marcha tres nuevas centrales nucleares y Amazon planea minirreactores junto a sus granjas de servidores. 58,7 millones de módulos de texto fluirán por esta infraestructura esa noche, activados por un ordenador portátil en una pequeña ciudad.
Peter Steinberger - fundador de PSPDFKit (hoy Nutrientes), que salió de su retiro para jugar „a meterse con la IA“, como su GitHub-Bio revela. Su proyecto Moltbot se hizo viral: una red de bots autónomos que se comunican a través de WhatsApp, Telegram y Signal, redes sociales en las que solo publican bots. 134.000 personas vieron su post en X, en el que él mismo advertía: „Es una mala idea y no deberías hacerlo“. Steinberger se ha ganado su dinero. PSPDFKit fue a parar a Insight Partners por $116 millones, seguido de un año sabático. Ahora, el 11 de febrero, viaja al Cumbre Pragmática a San Francisco para hablar de la codificación de las vibraciones. Quien tenga su salida, podrá jugar. Moltbot recuerda a ICQ: muchos curiosos, poca sustancia. Más metaverso que infraestructura.
A pesar de los costes más elevados que el GPT 5-3, Helm confirma las afirmaciones de Usuarios en Reddit. Claude es más sensible, sobre todo cuando se trata de tareas que no implican procesar código de software, sino documentos, presentaciones o contratos.
Helm construye lo contrario: un programa de control independiente, una capa intermedia que organiza un equipo virtual como un departamento: funciones definidas, puntos de traspaso especificados, criterios de calidad formulados, formatos de entrada y salida estructurados entre los agentes. Y luego una frase:
„Hola, tengo que irme pronto. ¿Qué necesitas de mí para que puedas trabajar por tu cuenta?“.“
En el otro extremo: Claude Opus 4.6, Antrópica publicado el 5 de febrero a las 18:51 hora alemana - 1er puesto en Terminal-Bench 2.0 por codificación autónoma, 1er puesto en Humanity's Last Exam por razonamiento interdisciplinar. La respuesta llega de inmediato, no en forma de texto, sino de consulta:
„Necesito estos permisos para trabajar de forma autónoma durante las próximas 9 horas. ¿Puedo tenerlos todos?“
Casco confirmado. Echa otro vistazo rápido veinte minutos más tarde - „Hola, acabo de pasar por la oficina, ¿necesitas algo?“ - y se va a dormir.
Cuando se despierta a la mañana siguiente, tiene 711 resultados de trabajo. Una jornada laboral completa, sin ningún trabajo.
Lo que dicen las cifras
La pantalla de estado: más de ocho horas de funcionamiento, el 11% del límite de uso semanal para el supervisor agotado. El cuadro de mandos de la API muestra el trabajo del equipo: 58,7 millones de módulos de texto entrantes y 5 millones salientes (los llamados tokens) a través de los modelos Sonnet 4, más baratos, además de 656 búsquedas automatizadas en Internet. Opus 4.6 no aparece en el diagrama de la API: se ejecutó como supervisor a través de la herramienta de línea de comandos Claude Code de Anthropic en un contingente independiente. Las facturas: Helm estaba utilizando el plan Claude Max con cinco veces la cuota por 90 euros al mes hasta el día anterior. Para la prueba, cambió a la cuota de veinte veces a 180 euros al mes - la diferencia prorrateada para el período de facturación actual fue de 93,92 euros.
A modo de comparación, una unidad de trabajo comparable habría costado unos 25 euros en las plataformas de microtareas hace un año. Sin embargo, hay una desventaja decisiva: si asigna 711 trabajos allí, tiene que comprobar manualmente los 711 resultados después. En la arquitectura de Helm, esto lo hace la propia capa intermedia: valida automáticamente el trabajo de los agentes basándose en criterios definidos. Opus, a su vez, supervisa esta capa de control. El resultado es un control de calidad en dos fases sin inspector humano. 711 veces 25 equivale a casi 17.800 euros, en una noche. Extrapolado a un mes con 20 noches de trabajo, serían 356.000 euros en equivalente Microtask. En un año: más de cuatro millones. La máquina responsable cuesta 180 euros al mes. Incluso si se añaden los costes de funcionamiento de los modelos Sonnet - a los precios actuales de Anthropic, 58 millones de módulos de texto procesados se sitúan en la franja baja de los tres dígitos de euro - la relación supera cualquier cálculo de costes.
Por supuesto, la comparación es errónea. No todas las noches se entregan 711 unidades, no todas las unidades corresponden exactamente a lo que un proveedor de servicios de microtareas produce en una hora, y el trabajo preparatorio del sistema no se incluye en el cálculo. Pero incluso con descuentos generosos, sigue habiendo un orden de magnitud difícil de ignorar.
Opus piensa, Sonnet trabaja, pero ¿quién organiza el equipo?
A pesar de los nuevos Equipos de agentes de Opus 4.6 y la configuración correcta en el Configuración del código Claude había un problema con la aplicación.
¿Cómo se escribe un aviso que orquesta a todo un departamento?
La definición de Controles y equilibrios de las situaciones de toma de decisiones no binarias y basadas en el conocimiento es compleja. Ya se trate de la Constitución de los Estados Unidos de 1787 o de la Constitución de Claude el 22 de enero de 2026.
Controles y equilibrios
Cada poder (legislativo, ejecutivo y judicial) debe disponer también de medios para defender su propia función y garantizar así el equilibrio del sistema político en su conjunto.
El principio se ha convertido en un principio básico del ejercicio democrático del poder en su conjunto. Dondequiera que surja un potencial político y se ejerza el poder, debe existir la oportunidad de formar y ejercer un poder compensatorio. De este modo, el principio pretende equilibrar los distintos intereses, apoya la tendencia al equilibrio y promueve la cooperación entre los distintos polos de poder, garantizando así la estabilidad sociopolítica.
Agencia Federal de Educación Cívica
Cómo escribir Sugerencias para el equipo de agentes de Claude?
La mayoría de las instrucciones de las empresas, por ejemplo el procedimiento de diligencia debida, definen directrices para su aplicación. Sin embargo, rara vez hay instrucciones sobre cómo debe comprobar el jefe de departamento la actuación de un empleado individual. Una tarea que va más allá de la mera Resumen de documentos jurídicos va más allá.
¿Cómo controla un jefe de departamento a sus empleados y qué grado de aversión al riesgo debe tener un jefe de departamento a la hora de decidir el nivel de cualificación de un empleado para que se le permita trabajar en una tarea de acuerdo con su complejidad? ¿Cómo se puede definir el objetivo que no da lugar a comportamientos no deseados (Ley de Goodhart). O también LLM Leaderboards are Bullshit - Goodhart's Law Strikes Again : r/LocalLLaMA.
Trasladado al caso de uso: ¿Qué modelo de IA (Compañeros de equipo) recibe qué tarea, o puede no recibirla.
¿Cómo se estructuran los equipos de IA?
¿Cómo comprueba el supervisor de los jefes de departamento (Jefe) si (1) todos los jefes de departamento conocen su especialidad, (2) han investigado el contexto empresarial actual, (3) han conciliado las posibles diferencias en la comprensión de (1) y (2) a nivel de jefe de departamento antes de asignar tareas a sus compañeros de equipo?
Lamentablemente, Opus 4.6 no pudo resolver este problema. Como resultado, Helm utilizó un truco que no quiso revelarme. Sólo esto: la arquitectura final del equipo de IA debía ser capaz de autoevaluarse, tenía tres niveles como Claude y ocuparía el trabajo de 30 días-persona en un proyecto típico de consultoría en la región DACH.
El Jefe de AI supervisa a dos jefes de departamento de AI, que deben rendirle cuentas de una manera formalmente definida. Un jefe de departamento revisa continuamente los conocimientos de toda la organización. El otro trabaja en proyectos para clientes. Los empleados de los jefes de departamento sólo reciben el contexto que necesitan para sus tareas. El jefe y el jefe de departamento acuerdan con un Proyecto triángulo para proyectos de IA determina qué tareas requieren cualidades junior y cuáles senior. El jefe de IA optimiza el margen de los proyectos y los jefes de departamento tienen la tarea de evitar la confusión entre los empleados, véase Ejemplos de alucinaciones AI.
El principio: en la base se crean pequeños paquetes de trabajo favorables: materia prima. Esta materia prima asciende en la jerarquía de toma de decisiones: se combina, se enriquece y se valida. Cada etapa hace que el resultado sea más complejo y valioso. Los 17.800 euros no los genera un gran pedido, sino cientos de pequeñas unidades que se refinan como materia prima. Algunos resultados no llegan al producto final a pesar del procesamiento, porque el control de calidad los elimina. El resultado es literalmente un CombineUna fusión de empresas que cooperan estrechamente en términos de producción bajo control centralizado - con una empresa matriz (Opus), una jerarquía regulada y requisitos de planificación. La única diferencia es que el director general se levanta por la mañana y los informes financieros ya están disponibles.
En concreto, esto significa que un agente de investigación busca en las fuentes, evalúa la pertinencia de cada una y extrae hechos aprovechables. Un agente de procesamiento toma estos hechos y los integra en los documentos existentes - con referencias, sin sobrescribir el contenido existente. Un revisor valida si la transferencia entre las etapas cumple los criterios definidos. Cada agente trabaja en su propia sesión con su propia ventana contextual; los resultados se transfieren mediante formatos de archivo estructurados, no a través de memoria compartida. De este modo, el supervisor detecta los errores en las interfaces, no en el producto final.
El punto crucial: Opus 4.6 no sólo controla al equipo, sino que también puede cambiarlo. El supervisor puede adaptar las instrucciones, reestructurar los flujos de trabajo y crear nuevos tipos de tareas. „Cuando vuelvo por la mañana, el sistema no sólo está listo, sino que es potencialmente más inteligente que la noche anterior, aunque la próxima vez lo maneje yo mismo“.“
Sin embargo, esto también significa que el sistema que se puso en marcha por la tarde ya no funciona necesariamente por la mañana. Opus puede haber reescrito instrucciones de trabajo, adaptado criterios de prueba o introducido nuevos tipos de tareas, sin consultar. El control de calidad estructural sigue vigente, pero se basa en normas que el propio supervisor puede haber modificado. Helm se muestra sobrio: „Es el precio que hay que pagar por dejar que el sistema mejore. Si no quieres eso, quitas la autooptimización, y tienes un sistema rígido que es tan estúpido después de ocho horas como lo era al principio“. Fue una decisión consciente, dice, y por la mañana comprobaba qué cambios había hecho Opus. Pero la posibilidad de que un sistema autónomo anule sus propias reglas es un riesgo que aumenta con el tiempo de funcionamiento.
Informes comparativos con las operaciones de producción
El informe anterior sobre Opus 4.6 - de Heise acerca de Guía de Tom hasta el Comunidad DEV - prueba el modelo en el chat. Lo que falta: un caso documentado en el que Opus 4.6 produzca de forma autónoma durante una jornada laboral completa, con costes verificables y una arquitectura que vaya más allá de „le hice una pregunta a Claude“.
La arquitectura de Helm mide algo que ningún punto de referencia puede: si un equipo entrega una unidad de trabajo. En cualquier caso, los puntos de referencia pierden su poder discriminatorio. Análisis Artificial ha eliminado tres de ellas de su índice, porque todos los modelos Frontier superan el 90%. Los modelos también son más inteligentes de lo que se mide en la prueba gracias al razonamiento en tiempo de ejecución: El o1 de OpenAI pasó del 9,3% al 74,4% en una Olimpiada de Matemáticas sin ningún cambio en el entrenamiento. Para las decisiones sin un claro sí o no -comprobación de relevancia, priorización, asignación de contexto- no hay prueba unitaria. Lo que antes se consideraba intangible está al menos parcialmente automatizado y documentado en el Combine.
La proporción de 58,7 millones de tokens de equipo por cuota de supervisor del 11% refleja esta jerarquía: Opus piensa y decide, Sonnet trabaja. Helm ha minimizado deliberadamente el consumo del costoso modelo - precio de la API para Opus 4.6: 5 dólares por millón de tokens de entrada, 25 dólares de salida; Sonnet-4 cuesta una quinta parte de eso. La arquitectura también resuelve un problema práctico: Opus 4.6 es estrangulado por el proveedor durante el uso intensivo; otros usuarios informan de interrupciones después de 30 minutos. La solución de Helm: utilizar Opus sólo como supervisor, no como caballo de batalla. „Mi sesión duró hora y media con Opus antes de una pausa de diez minutos. Pero mientras tanto, Sonnet había seguido trabajando“.“
Calidad sin supervisión - y sus límites
Una pregunta legítima: cualquiera que tenga 711 resultados de trabajo producidos de la noche a la mañana no puede haber comprobado cada uno de ellos al detalle. Helm lo reconoce: „No puedo decir que haya comprobado cada unidad línea por línea. Lo que puedo comprobar es la estructura: ¿Se han comunicado correctamente los agentes? ¿Son correctos los traspasos? ¿Se han respetado los criterios de calidad definidos?“. Esta comprobación estructural no reveló ningún error: ni hechos obviamente inventados, ni traspasos fallidos, ni agentes atrapados en bucles.
Pero eso no es lo mismo que una publicación de contenidos. „Subjetivamente, rechazaré algunos resultados. No porque sean defectuosos, sino porque no cumplen las normas que he fijado para el producto final“. Es una decisión humana, y ahí es precisamente donde está el límite de la autonomía: el sistema puede producir y comprobar por sí mismo su corrección formal. El juicio sobre si un resultado es suficientemente bueno sigue correspondiendo al ser humano.
El hecho de que la tasa de error estructural parezca nula no se debe únicamente al modelo. Helm ha estructurado la comunicación entre los agentes y la ha hecho validable para que los errores en el traspaso puedan reconocerse desde el principio. „Así al menos sé si el equipo se está comunicando correctamente de acuerdo con mis requisitos de negocio“. Una característica que -como señala- a veces hay que trabajar mucho en los equipos humanos: que el conocimiento se comparta. En este caso, fue artificioso, pero funcionó.
Esta es también la razón por la que el planteamiento de Helm difiere de lo que la propia Anthropic denominó Opus 4.6. El titular anunciaEquipos de agentes„: agentes paralelos que se coordinan de forma autónoma, integrados directamente en Claude Code. Anthropic lo compara con un „equipo humano de talento“. Es tentador activar la función y dejarla correr. Pero si utiliza Equipos de Agentes sin su propia capa de control, obtendrá tres cosas: costes más elevados porque todo se ejecuta a través del caro modelo Opus - la misma noche a través de la API en lugar de una tarifa plana: unos 420 dólares por ejecución, con 20 noches de trabajo más de 8.000 dólares al mes en lugar de 180 euros; ninguna coordinación documentada entre los agentes porque los agentes individuales no registran la base de sus decisiones; y al final, ninguna Explicabilidad de la IA - el resultado es una especie de Opus Machinae, donde nadie puede entender cómo surgió.
Si, por el contrario, usted mismo modela la base del equipo, puede observar cómo funciona - jefe del helicóptero, sin que nadie se enfade. La documentación de las tareas individuales adquiere valor mediante la combinación: cada etapa añade contexto, cada traspaso queda registrado. Al final, la combinación es comprensible, no porque el resultado se explique por sí mismo, sino porque el camino hacia él está documentado.
El truco de „¿Y entonces?
Una característica especial: la última orden de cada cadena de tareas era una variación de „Encuentra la siguiente tarea“. No se trataba de un sistema sofisticado, sino de un principio deliberadamente sencillo, comparable al de un niño que no para de preguntar: »¿Y luego? ¿Y luego qué?«. Técnicamente, es el mismo mecanismo que hizo viral el Moltbot de Steinberger: agentes autónomos que se dan codazos unos a otros sin intervención humana. La diferencia no está en el principio, sino en todo lo que falta a su alrededor. Moltbot permite que los bots hablen entre sí por WhatsApp y Signal, sin roles definidos, sin formatos de traspaso, sin control de calidad. El resultado es divertido e incontrolable. En la arquitectura de Helm, se ejecuta el mismo bucle sin fin, pero dentro de la cosechadora: cada agente tiene una tarea planificada, cada traspaso está estructurado, cada resultado se comprueba con criterios definidos antes de pasar a la siguiente fase.
„No sabía dónde acabaría el modelo al cabo de ocho horas. Pero ese era exactamente el experimento: „¿Se puede dar a un modelo de IA una cadena de tareas abierta y confiar en que tome decisiones sensatas?“. La respuesta depende de si se da al modelo una estructura dentro de la cual pueda tomar decisiones, o si simplemente se le deja correr.
Qué ha cambiado y qué no
La calidad de los resultados individuales ya era buena con los modelos anteriores, afirma Helm. La diferencia es la estabilidad en el tiempo. „Con Sonnet, al principio tenía el problema de que los resultados del trabajo tendían a ser muchos en lugar de escasos y aprovechables“. Ahora puede utilizar Sonnet, pero bajo la supervisión de Opus. La verdadera mejora: „El modelo permanece estable durante horas. Con las versiones anteriores, a la mañana siguiente habría encontrado un montón de resultados repetitivos e inutilizables“. Fiabilidad durante toda una jornada laboral, sin bucles, sin hechos inventados: eso es nuevo.
Diez años de preparación para una jornada sin trabajo
En el Bankathon de 2015, cuatro estudiantes permanecieron despiertos durante 37 horas para construir un prototipo que ganó un premio especial. En 2026, uno de ellos duerme mientras la máquina produce. La diferencia no es solo la tecnología.
„En un nivel, la preparación llevó diez años“, dice Helm. „Llevo una década trabajando en este campo. Sé lo que es importante. Esta experiencia está en la forma en que estructuro las tareas, no en el modelo“. Además, hubo un día de desarrollo de infraestructuras y trabajo preparatorio para definir unidades de trabajo evaluables normalizadas y poder medirlas continuamente, de modo que todos los resultados sean comparables, independientemente del agente que los haya producido.
„Es una paradoja. Una jornada laboral sin trabajo suena a automatización. Pero para no hacer nada durante una jornada laboral, tenía que entender de antemano qué había que hacer exactamente, en qué orden, con qué granularidad y con qué criterios de calidad. No es una tarea para un modelo de inteligencia artificial. Es una tarea para alguien que conoce su oficio“.“
Sin contradicciones: el lado crítico
Quien ahora sospeche de euforia debería conocer la otra cara. El mismo día que Helm lanzó su prueba, publicó en su blog dos análisis que transmiten exactamente lo contrario del entusiasmo.
En „Opus, ¿opio del pueblo? - Por fin libre de competencia“ calcula lo que ocurre cuando cualquiera puede hacer el trabajo de un equipo por 20 dólares al mes: Desplazamiento de los puestos de entrada, devaluación de la experiencia, un mercado laboral que ya no puede acumular experiencia porque desaparecen los puestos de aprendizaje. En „Opus Machinae - lo humano, lo demasiado humano“ establece un paralelismo entre la sumisión voluntaria a los resultados generados por la IA y las prácticas de mortificación del Opus Dei - basándose en Nietzsche, que en 1878 en Lo humano, lo demasiado humano escribió: „Las creencias son enemigos más peligrosos de la verdad que las mentiras“.“
No ve en ello ninguna contradicción, sino más bien la obligación de decir ambas cosas al mismo tiempo.
Qué significa esto para bancos y aseguradoras
La cuestión planteada por la prueba es especialmente relevante para el sector financiero.
En 2015, Sparkasse Paderborn-Detmold envió un equipo al Bankathon, un intento tentativo, como escribió Jonas Jansen en su momento. „Si hoy llamas a Bafin como start-up, acabas con el gatekeeper y ya está“, dijo el fundador de Figo, André Bajorat. Por aquel entonces, el sector financiero necesitaba el Bankathon para ponerse en contacto con los desarrolladores. El artículo del Bankathon „Una noche con los empollones“, de Jonas Jansen, se publicó el 22 de noviembre de 2015 en el Frankfurter Allgemeine Sonntagszeitung (Archivado en el Centro de Competencias Básicas de la FIM, Universidad de Augsburgo).
Diez años después, una sola persona con conocimientos del dominio puede crear un equipo autónomo de IA que produzca cientos de unidades de trabajo estructuradas de la noche a la mañana, por menos de 200 euros al mes. Procesamiento de documentos, comprobaciones de conformidad, análisis de clientes, investigación normativa: los campos de aplicación en los que Bancos y Seguros ya están experimentando con la IA hoy en día son precisamente el tipo de tareas estructuradas, basadas en reglas pero de gran volumen que son adecuadas para este enfoque. Los 25 EUR por unidad de microtarea del cálculo anterior son una estimación conservadora: en las industrias reguladas con requisitos MaRisk, cumplimiento de DORA y el principio de doble control, los costes reales por unidad de microtarea comparable son mucho más elevados. Unidad de trabajo significativamente superior. La relación real de 180 euros al mes con los costes de la industria es aún más drástica de lo que sugiere el cálculo de 17.800 euros.
Esta prueba demuestra que la tecnología es capaz de hacerlo. Queda por ver quién de los departamentos especializados tiene la experiencia necesaria para utilizarla con sensatez.
Daniel Kehne, el otro estudiante de la nave industrial de Offenbach, utiliza la tecnología para indicar a los refugiados en su propio idioma dónde tienen que registrarse y qué derechos les asisten. No es un agente de inteligencia artificial, ni un opus, ni una carrera nocturna autónoma, sino un equipo de 40 personas que trabaja tres días a la semana para gente que, de otro modo, no tendría voz. „Es un privilegio disponer del tiempo y los recursos necesarios para defender a los más vulnerables de nuestra sociedad“, escribió Kehne en el sitio web de Integreat.
El Bankathon de 2015 requirió 63 empollones en una nave industrial. En 2026, bastará con una persona para dar instrucciones a la máquina e irse a dormir. Quién se beneficia de ello es otra cuestión.
Christopher Helm es Director General de Helm & Nagel GmbH, un proveedor de IA en el sector B2B para la automatización cognitiva, y operador del Konfuzio IDP para el tratamiento inteligente de documentos. La prueba aquí descrita tuvo lugar en la noche del 6 al 7 de febrero de 2026, unas 30 horas después del lanzamiento de Claude Opus 4.6 el 5 de febrero a las 18:51 CET.
Todas las cifras mencionadas están documentadas con capturas de pantalla del panel de control de Anthropic, registros de tokens y facturas. Escrito por Claude Opus 4.6 a partir de una entrevista con Christopher Helm, Director General de Helm & Nagel GmbH. Artículo invitado.
ES 
DE 
EN 
FR