Un usuario dio a Opus 5 un motor de videojuegos y 24 horas para clonar GTA 6

Un usuario dio a Claude Opus 5 acceso a Unreal Engine durante 24 horas y le pidió que construyera un clon de GTA 6 por su cuenta. El resultado se parece más a un GTA de hace dos generaciones que al juego que intentaba imitar, y aun así está muy por encima de lo que un modelo trabajando solo podía entregar hace un año.

Puntos clave

24 horas de ejecución autónoma con acceso a Unreal Engine, sin intervención humana durante el proceso.
El experimento usó AAABench, un banco de pruebas abierto en GitHub para medir a los modelos construyendo videojuegos.
La valoración de quien lo ha cubierto es que el resultado está más cerca de un GTA 4.5 que de un GTA 6.
El punto de comparación no es el juego original, es lo que salía del mismo experimento hace doce meses.

Por qué un videojuego es una buena prueba

Construir un juego en un motor 3D es de las tareas más exigentes que se le pueden dar a un modelo, y no por la dificultad de cada pieza suelta.

Un juego obliga a mantener coherencia entre sistemas que no se parecen: física, control de cámara, comportamiento de personajes no jugables, colisiones, interfaz, gestión de recursos. Cada uno funciona por separado y se rompe cuando se juntan mal. Además todo eso se ejecuta y se ve: un error no es una excepción en un log, es un coche que atraviesa un edificio.

Es decir, es una prueba de trabajo largo con dependencias cruzadas y verificación visual. Eso se parece bastante más a un proyecto real que a resolver un problema de examen.

Dónde encaja con lo que ya sabíamos de Opus 5

No es el primer experimento de este tipo. A principios de mes, Andrej Karpathy dio un párrafo de El Señor de los Anillos a Opus 5 y le salieron 5.500 líneas de Three.js. Y en julio, en la simulación de Andon Labs, Opus 5 rompió 11 treguas y ganó 11.182 dólares gestionando un negocio simulado.

Los tres experimentos miden lo mismo desde ángulos distintos: cuánto aguanta el modelo trabajando solo sin que un humano lo reconduzca. La respuesta, de momento, es que aguanta bastante más de lo que aguantaba, y que se le nota cuando el trabajo pasa de horas a jornadas.

El caveat

Esto es una demostración de un usuario, no un estudio. No hay metodología pública detallada de esta ejecución concreta, ni una segunda ejecución que confirme que el resultado se repite, ni forma de saber cuánta preparación previa hubo en el encargo.

El banco de pruebas que usó sí es abierto y reproducible, que es lo que le da algo de suelo al asunto. Pero un vídeo de un resultado bueno no dice nada de cuántos intentos malos hubo antes.

Por qué importa

La lectura útil no es sobre videojuegos. Es sobre cuánto tiempo puede trabajar un agente solo antes de descarrilar.

Casi todo lo que se automatiza hoy en una empresa son tareas de minutos: redactar, extraer, clasificar, resumir. Lo que se está midiendo aquí es otra cosa: un encargo abierto, con muchas piezas dependientes, ejecutado durante un día entero sin nadie mirando.

Si esa capacidad sigue mejorando al ritmo de los últimos doce meses, el tipo de trabajo que tiene sentido delegar cambia. Ahora mismo lo sensato sigue siendo trocear: encargos acotados, con un punto de revisión humana al final de cada tramo. Pero merece la pena repetir la prueba cada pocos meses con un proceso propio, y ver dónde está el límite este trimestre en vez de asumir el del anterior.

Relacionado