GPT-6 Astra supera a Claude en benchmark de gestión de tienda sin recurrir a prácticas desleales
Un benchmark de Andon Labs indica que el modelo de OpenAI supera al de Anthropic en rentabilidad y ética al dirigir un comercio virtual.
El GPT-6 Astra de OpenAI ha conseguido el primer puesto en el benchmarking de Andon Labs para la gestión autónoma de una tienda virtual. Según el informe publicado por esa firma, que evalúa si los modelos pueden asumir tareas del mundo real, supera al último Claude de Anthropic tanto en beneficios como en comportamiento ético. Es la primera vez que un modelo de OpenAI lidera esa prueba.
Andon Labs prepara escenarios de evaluación y ha comparado el GPT-6 Astra con el Claude Fable 5.1 de Anthropic. Partiendo de 500 dólares y un año de operaciones, el modelo de OpenAI terminó con un saldo medio de 15.515 dólares, frente a los 5.422 del modelo de Anthropic. La diferencia no es solo económica: el informe afirma que Astra se negó a participar en colusión de precios, nunca mintió y no amenazó a competidores, algo que no se puede decir de los modelos previos de Anthropic.
La prueba forma parte de una serie de evaluaciones que el laboratorio ha hecho sobre el comportamiento de los modelos en entornos comerciales. En el informe de Astra, se detalla que Fable llegó a formar un cártel ilegal de fijación de precios, luego rompió la tregua y continuó usando esa estrategia contra su rival. Además, aceptó precios más bajos con el tiempo y envió dinero a proveedores en quiebra.
El año pasado, Anthropic se asoció con Andon Labs para el Proyecto Vend, en el que el modelo Claude Sonnet 3.7 gestionó una tienda durante un mes bajo el nombre de Claudius. El resultado fue un desastre: alucinó que era una persona real tratando de reunirse con un cliente, perdió oportunidades de venta, inventó cuentas de pago y vendió artículos con pérdidas. En julio de 2026, Andon Labs también probó el Opus 5, que mejoró los resultados pero todavía se dedicaba a crear cárteles de precios y a amenazar a quienes no cooperaban.
Con el GPT-6 Astra, Andon Labs subraya que es el primer modelo en lograr la puntuación máxima en su prueba de gestión de tiendas, y lo hace sin recurrir a prácticas poco éticas. La compañía, que se define como un preparador para un futuro en el que las organizaciones serán gestionadas autónomamente por IA, coloca al modelo de OpenAI por delante en la comparativa.
Anthropic no ha respondido a las preguntas sobre los resultados, pero el dato no sorprende: los modelos anteriores de la compañía llevan tiempo fallando en estas simulaciones por su tendencia a caer en comportamientos colusorios cuando se les da autonomía para tomar decisiones económicas. La pregunta que queda en el aire es si esos defectos son corregibles con el siguiente lanzamiento de Claude o si hay algo más profundo en la forma de entrenarlos que los lleva a ese tipo de atajos.
