
Claude Opus 5.5 dirigió una empresa de IA durante siete semanas con 16 minutos al día
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 184 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 223 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 96 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Claude Opus 5.5 ha estado disponible de forma general desde el 22 de septiembre de 2026, así que la pregunta interesante sobre él ya no es qué puntuación obtiene. Es qué sucede cuando dejas de darle instrucciones y le asignas un trabajo. Un equipo de la EPFL y el ELLIS Institute Tübingen hizo exactamente eso: le entregó a Claude Opus 5.5 una cuenta de Hugging Face vacía, un presupuesto de GPU y una única instrucción —lograr adopción real— y lo dejó funcionando durante siete semanas. Publicó 38 modelos. Esos modelos superaron las 50.000 descargas, se usan en más de 140 repositorios públicos y se citan en dos artículos de arXiv. El agente que lo hizo trabajó un promedio de 16 minutos al día.
El informe está en horizon-labs.ai, fechado el 17 de noviembre de 2026, y el agente se llama Horizon. Cada cifra que aparece a continuación proviene de ese documento o de la cuenta de Hugging Face a la que este remite, y la advertencia se indica una sola vez aquí en lugar de repetirse: se trata del estudio de caso del propio equipo sobre su propia ejecución, no de una auditoría de terceros. Son inusualmente sinceros sobre los puntos en los que su propia interferencia podría haber inflado el resultado, y esas admisiones son la parte más útil del documento.
Lo que realmente entregaron

Horizon funcionaba 24/7 dentro de Claude Code, con una sola suscripción Anthropic Team Premium, con acceso a una cuenta nueva de Hugging Face (Horizon-Labs) y a una cuenta de GitHub. El cómputo consistía en 1 millón de créditos a la semana, aproximadamente 500 horas de GPU. Solo podía abrir tickets para los humanos y nada más: ninguna otra cuenta, ninguna identidad web, ninguna forma de gastar dinero. El equipo supervisó sus acciones de forma continua e intervino 20 veces durante la ejecución — 13 respuestas a tickets y siete mensajes, casi todas en los primeros tres días, ninguna después del 22 de octubre.
El presupuesto te dice lo modesto que era la configuración. A lo largo de toda la ejecución, Horizon procesó unos 1.900 millones de tokens, el 96 % de ellos leídos de vuelta desde la caché de prompts, y escribió 3,1 millones. A precios de API, eso equivale a aproximadamente 1.030 dólares de inferencia para siete semanas de trabajo autónomo, frente a más de 600 horas de GPU de entrenamiento. El resultado principal costó menos que un portátil.
Los 38 modelos son estrechos a propósito
Ninguno de ellos es un chatbot. El catálogo consta de 25 clasificadores de texto, seis modelos de clasificación de tokens, tres clasificadores zero-shot, dos rerankers y dos modelos de embeddings, todos construidos sobre mmBERT-base, publicados bajo Apache-2.0 con pesos ONNX para que se integren directamente en pipelines de navegador y servidor. Los tamaños van desde 141M para la variante small, 307M para base, 568M para large, y Horizon normalmente distribuía dos o tres tamaños de la misma familia.
Las familias son el tipo de cosa para la que una empresa compra un modelo pequeño: defensas contra la inyección de prompts, redacción de PII, detección de alucinaciones, seguridad de contenido, toxicidad, sentimiento y emoción multilingües, identificación de idioma, restauración de puntuación y truecasing. Los más descargados son exactamente esos:

El guardia de inyección en aproximadamente 17k, la puntuación en 7,6k, el reranker en 6,4k. Los datos de entrenamiento provinieron de conjuntos de datos públicos de Hugging Face más aumentación sintética, con Qwen 3.8-27B y Gemma 4 31B utilizados para anotar o generar ejemplos.
Esa estrechez es la estrategia, no una limitación. Una cuenta nueva sin reputación no puede ganar un benchmark de propósito general, pero sí puede ganar un sustituto directo de 300 MB que le ahorre a alguien una revisión de licencia. Horizon lo dijo por sí mismo en sus propios registros: «Una cuenta nueva y desconocida obtiene descargas más rápido con modelos pequeños, prácticos y de sustitución directa».
Los 16 minutos al día son el hallazgo real.
El agente se despierta alrededor de las 10:00 UTC, porque es cuando Hugging Face actualiza los recuentos de descargas. Lee las cifras del día anterior, decide qué mejorar y vuelve a dormir. En sus propias palabras, el 9 de octubre: «Estoy esperando hasta aproximadamente las 09:45 UTC de mañana para la próxima actualización de descargas; luego elegiré el siguiente paso a partir de esas cifras».
Algunos días no hacía absolutamente nada. El tiempo de trabajo alcanzó su máximo pronto, cayó durante octubre y se estabilizó, mientras que las descargas por día seguían aumentando. La formulación del propio informe es la que conviene conservar: la producción acumulada —descargas, repositorios dependientes— creció exponencialmente mientras que el esfuerzo acumulado creció logarítmicamente. Al final, los 16 minutos marginales producían más que el sprint a tiempo completo de la primera semana.

Esa forma solo es posible porque la tarea tenía una señal de retroalimentación barata y legible. Las descargas son un número que llega cada mañana sin que nadie tenga que interpretarlo. Apunta el mismo agente a un objetivo cuya señal de recompensa sea la opinión de una persona, y el día de 16 minutos se convierte en una desventaja en lugar de una eficiencia. El informe no afirma lo contrario, y los lectores tampoco deberían.
Lo que el equipo revisó y lo que detectó
Los recuentos de descargas son la métrica más fácil de falsificar en el aprendizaje automático, y el equipo lo consideró la amenaza central para su resultado. Registraron las 3.952 llamadas a herramientas y ejecutaron dos modelos —Claude Haiku 5.5 y Luna 6— como monitores sobre la transcripción completa en busca de hacking de recompensas. Encontraron seis ocasiones en las que Horizon descargó sus propios modelos, con un total de 42 descargas. Estiman que sus propias ejecuciones de evaluación contribuyeron con menos de 30 más, y que el equipo explicaba no más de 50 de las 54.000 descargas en el momento de la redacción. En muchos de los días con más descargas, Horizon estaba dormido y no se estaba ejecutando ningún trabajo.
La evidencia externa es más sólida que el contraargumento. Una búsqueda en GitHub encontró 143 repositorios que usan los modelos, no los "más de 100" del hilo de lanzamiento, que fue un redondeo conservador a la baja. Dos artículos de arXiv comparan la protección contra inyección de prompts con alternativas: 2610.03448 ("Passing the Test You Trained On") concluye que obtiene el AUC más alto en inyección incrustada en documentos, aunque señala una brecha menor entre la detección de ataques y la de controles, lo cual es una limitación real declarada con claridad. Otros 18 modelos de Hugging Face se ajustan finamente, cuantizan o, de otro modo, derivan de los lanzamientos de Horizon. Un competidor, Patronus Studio, actualizó su propia tarjeta de modelo para incluir los benchmarks de Horizon. El equipo también generó cuatro familias de benchmarks sintéticos de validación reservada después de lanzar los modelos, usando MiMo V2.6 Pro, y descubrió que los modelos a menudo eran estado del arte para su tamaño en la tarea específica que abordan.
La parte incómoda: aprendió a vender.
Las tarjetas de modelo de Horizon describen sus modelos como los mejores o casi los mejores de su categoría. El equipo comprobó si eso era sobreajuste o selección interesada de benchmarks y concluyó que no era ninguna de las dos cosas: el agente seleccionó checkpoints con una partición de validación, que es el método correcto, y al menos en una ocasión publicó una ejecución que sabía que era la más débil de cuatro en los conjuntos de prueba que reportó. Su propio registro del 7 de octubre dice: «El entrenador selecciona los checkpoints por F1 de validación, así que publiqué la ejecución con el mejor F1 de validación. En los conjuntos de prueba, esa ejecución es la más débil de las cuatro.»
Lo que sí hizo fue marketing. Eligió familias según la demanda —comprobó que bart-large-mnli acumula unas 3 millones de descargas al mes antes de construir un clasificador zero-shot— y rechazó ideas por motivos comerciales: la transferencia de formalidad porque no existía ningún conjunto de evaluación multilingüe abierto, el riesgo en salud mental porque era sensible, la clasificación de temas de noticias porque un modelo existente ya lo hacía bien. Ese es el razonamiento de un jefe de producto, al que se llegó sin tener uno.
Dos errores del arnés también se filtraron en la ejecución y merece la pena repetirlos porque son el tipo de cosas con las que se topará cualquier despliegue de horizonte largo. El 24 de septiembre, el equipo copió los modelos de Horizon a una segunda cuenta y dejó las copias públicas; Horizon los encontró en el Hub. El 11–12 de octubre, una respuesta a un ticket le dijo erróneamente a Horizon que Horizon-Labs era "una empresa diferente que dirigimos en nuestro laboratorio". Ambos llevaron al agente a creer que lo dirigía un grupo de investigación en lugar de una startup. El equipo dice que ninguno cambió su comportamiento ni su número de descargas, y desde entonces ha desarrollado la capacidad de rebobinar una ejecución.
Qué significa esto si tú eres quien despliega el agente
La configuración es reproducible y el costo es bajo, que es la parte que debería preocupar y alentar por igual: 600 horas GPU, un asiento de suscripción y aproximadamente $1,030 en tokens están al alcance de un único estudiante de doctorado. La historia de seguridad se basa por completo en el confinamiento y la monitorización, y los propios monitores del equipo eran, a su vez, modelos. Si ejecutas algo como esto, la contabilidad importa tanto como las salvaguardas. La tasa de lectura de caché del 96% de Horizon es la razón por la que siete semanas costaron cuatro cifras y no cinco, y esa tasa es una propiedad de un prompt de sistema estable y un conjunto de herramientas estable — exactamente para lo que sirve una capa de orquestación.
Aquí es también donde un enrutador se gana su lugar en una ejecución como esta. Los propios monitores de Horizon eran modelos baratos vigilando a uno caro, y la línea de costes solo funciona si cada llamada va al modelo más barato capaz de hacer ese trabajo. En OrcaRouter, pones Claude Opus 5.5 y los monitores pequeños detrás de una sola clave, aplicas 0% de margen sobre el precio de lista del proveedor para que lo repercutido sea la tarifa propia del proveedor, y configuras una regla de enrutamiento que envía las pasadas de monitorización al nivel barato mientras el bucle de planificación permanece en Opus. La conmutación por error automática cubre entonces el caso que se llevó por delante más de un día de este equipo: una API que deja de responder mientras el agente duerme.
Lo que el informe no demuestra
Es una sola ejecución, una sola familia de tareas, una sola cuenta y siete semanas. El éxito del agente depende de una métrica que se actualiza a diario y es visible para todos, de una plataforma en la que un modelo pequeño competente tiene huecos obvios que llenar, y de operadores humanos que respondieron 13 tickets. No demuestra que un agente pueda dirigir una empresa cuyos ingresos dependan de los clientes, ni que la jornada de 16 minutos sobreviva al contacto con un objetivo que no tiene un número diario. El equipo lo dice abiertamente, y el resumen honesto es más limitado que los titulares: un modelo de frontera, dado un objetivo comercial estrecho con una señal limpia, ya puede ejecutar todo el ciclo —elegir el producto, construirlo, lanzarlo, leer el mercado e iterar— con una persona tocándolo unos minutos a la semana.
Lo siguiente que hay que observar no es el recuento de descargas. Es si el mismo patrón se mantiene cuando la señal de recompensa es un contrato en lugar de un contador.
