Anthropic presentó en septiembre de 2026 Claude Fable 5.1 y Claude Mythos 5.1. La compañía los coloca en la parte alta de su catálogo para código, trabajo profesional e investigación. En la misma semana también anunció Enterprise Frontier Safeguards, una solución pensada para combinar privacidad tipo zero data retention con controles de detección de abuso.
La noticia tiene una lectura bastante directa para una empresa de Donostia - San Sebastián, Gipuzkoa o Euskadi: los modelos potentes ya no se compran solo por capacidad. Se compran por cómo encajan con datos internos, presupuesto, permisos y revisión humana.
Ese matiz importa. Un agente IA que escribe un borrador comercial no pesa lo mismo que uno que consulta documentación interna, prepara cambios en un repositorio o ayuda a revisar incidencias de cliente. Cuando el modelo mejora, la tentación es darle más trabajo. Antes conviene decidir dónde puede trabajar y dónde tiene que parar.
Qué ha anunciado Anthropic
Anthropic presenta Fable 5.1 y Mythos 5.1 como el mismo modelo con niveles de salvaguarda distintos. Fable 5.1 queda disponible de forma general. Mythos 5.1 entra en programas de acceso controlado, con salvaguardas orientadas a usos de ciberseguridad y ciencias de la vida.
Hay tres puntos útiles para empresa.
- Anthropic afirma que Fable 5.1 reduce el coste estimado un 25% frente a Fable 5 en cargas típicas donde se factura por token, gracias a precios más bajos en lecturas de caché. En trabajos muy agentic, habla de ahorros que pueden llegar aproximadamente al 45%.
- Enterprise Frontier Safeguards busca mantener la privacidad de zero data retention mientras aplica controles de seguridad. Según Anthropic, los datos se almacenan en infraestructura cloud controlada por el cliente, no por Anthropic.
- EFS se desplegará por fases desde otoño y se ha desarrollado con más de 100 clientes de sectores como finanzas, salud, fabricación, telecomunicaciones, legal, retail y sector público. También tendrá soporte en Claude Code, Claude Enterprise, Claude Platform, Google Agent Platform y Microsoft Foundry, además de opciones sobre AWS.
No hace falta tragarse la nota de producto entera para sacar la conclusión. Los proveedores están intentando resolver una tensión real: las empresas quieren modelos más capaces, pero no quieren perder control sobre datos, coste y uso indebido.
La lectura para una empresa de Gipuzkoa
En una pyme industrial, una ingeniería, una asesoría o una empresa de servicios de Gipuzkoa, el problema rara vez es "queremos el modelo más nuevo". El problema suele ser más concreto: tenemos información dispersa, procesos con muchas excepciones y equipos que no pueden revisar una caja negra.
Fable 5.1 puede ser interesante para agentes que leen contexto largo, preparan código, comparan documentación o ayudan en tareas técnicas. Pero la compra de capacidad sin diseño operativo acaba igual que muchas demos de IA: funciona en la reunión y se atasca en producción.
Antes de escalar, yo miraría cuatro cosas.
- Qué datos necesita leer el agente. No "documentación interna" en general, sino carpetas, tablas, tickets o repositorios concretos.
- Qué puede escribir o preparar. Una cosa es proponer una respuesta. Otra, enviarla. Una cosa es sugerir un cambio de código. Otra, hacer merge.
- Cuánto puede gastar una tarea. Si un flujo agentic puede encadenar pasos, también puede encadenar coste.
- Dónde revisa una persona. La revisión no debería aparecer solo al final, cuando el agente ya ha tomado veinte decisiones pequeñas.
El gancho comercial: pilotos con frontera clara
La oportunidad no está en comprar licencias y esperar productividad. Está en elegir un proceso con frontera clara.
Ejemplos razonables para empezar:
- un agente que revise incidencias repetidas y prepare una respuesta para soporte;
- un asistente técnico que busque en documentación interna con RAG privado y cite fuentes;
- un agente de preventa que resuma leads B2B y proponga preguntas de cualificación;
- un copiloto para desarrollo que revise cambios, explique riesgos y deje la decisión al equipo.
Todos esos casos pueden ser útiles en empresas de Donostia - San Sebastián, Gipuzkoa y Euskadi. Ninguno debería empezar con permisos amplios. Primero se acota el caso. Después se mide si ahorra tiempo, reduce errores o mejora la velocidad de respuesta.
Qué revisar antes de mover el presupuesto
Si tu empresa está valorando Claude, ChatGPT Enterprise, Gemini, Microsoft Foundry u otra plataforma, la pregunta no debería ser solo qué modelo responde mejor. Pregunta también esto:
- ¿Dónde se procesan y guardan los datos del piloto?
- ¿Existe una opción de retención cero o un esquema equivalente para el caso sensible?
- ¿Qué logs quedan para auditar una decisión?
- ¿Qué límite de gasto tiene cada agente o flujo?
- ¿Qué herramientas puede usar y cuáles quedan fuera?
- ¿Qué salida necesita aprobación humana antes de llegar a cliente, ERP, CRM, repositorio o ticket?
Son preguntas aburridas. Precisamente por eso son buenas. Si nadie las contesta, el piloto acaba dependiendo de confianza, no de control.
Cómo lo bajaría a un piloto de 30 días
Un primer piloto no necesita resolver media empresa. Puede limitarse a una tarea repetida, con entradas parecidas y salida revisable.
Semana 1: elegir el caso, listar fuentes, decidir permisos y escribir qué queda prohibido.
Semana 2: montar el flujo con datos reales pero acotados. Si usa documentos internos, empezar con un RAG privado pequeño y fuentes aprobadas.
Semana 3: medir respuestas, errores, tiempos, coste por tarea y puntos donde el agente pide ayuda.
Semana 4: decidir con números. Si mejora el proceso, se amplía un poco. Si no, se para sin drama y se aprende dónde estaba el atasco.
El anuncio de Anthropic va de modelos y salvaguardas. La decisión empresarial va de otra cosa: si vas a dar más autonomía a la IA, ponle una frontera antes de que empiece a trabajar.