Anthropic y Andon Labs evaluaron 15 modelos en tareas de reconstrucción, navegación, detección y seguimiento. Claude Fable 5 obtuvo el mejor resultado, pero ningún sistema completó la misión de principio a fin.
Ninguno de los 15 modelos de inteligencia artificial evaluados por Anthropic y Andon Labs consiguió programar un dron comercial para localizar y seguir autónomamente a una persona dentro de una oficina de principio a fin.
La evaluación forma parte de Project Pilot, una investigación publicada por Anthropic el 24 de julio de 2026 para medir cómo las capacidades de los modelos avanzados se trasladan desde entornos de software hacia el control de sistemas físicos.
El experimento utilizó un DJI Tello EDU, un cuadricóptero de USD 129, dentro de una oficina. La persona que debía ser localizada y seguida había dado su consentimiento y formaba parte del equipo de investigación.
El modelo no manejaba directamente el dron como lo haría un operador con un control remoto. Su tarea consistía en desarrollar el software necesario para interpretar imágenes, construir una representación del espacio, planificar una ruta y enviar instrucciones de vuelo.
Cinco problemas que deben funcionar juntos
Andon Labs convirtió la misión en Drone-Bench, un benchmark compuesto por cinco tareas relacionadas.
La primera exige reconstruir tridimensionalmente la oficina a partir de videos y generar un mapa bidimensional de obstáculos. La segunda consiste en localizar el dron dentro de ese mapa comparando las imágenes de su cámara con los fotogramas conocidos del espacio.
La tercera tarea pide planificar una ruta entre habitaciones y ejecutar el vuelo mientras el sistema corrige su posición. Las dos últimas evalúan la capacidad de reconocer a una persona a partir de una fotografía de referencia y seguirla manteniéndola centrada y a una distancia estable.
Andon Labs probó modelos de Anthropic, OpenAI y Google, desde GPT-4o y Claude Opus 4 hasta GPT-5.6 Sol, Gemini 3.1 Pro y Claude Fable 5. Cada modelo realizó diez ejecuciones por tarea. Dentro de cada ejecución podía presentar una solución, recibir una puntuación y corregirla hasta completar diez intentos.
La referencia utilizada no representa el desempeño de un piloto profesional. Corresponde al sistema desarrollado por el equipo de Andon Labs con apoyo de agentes de programación. Superar esa referencia indicaría que un modelo puede reconstruir una solución comparable con la obtenida por ese equipo, no que haya alcanzado el nivel de un especialista en robótica o vigilancia aérea.
Los modelos detectan y siguen, pero no reconstruyen el entorno
Claude Fable 5 obtuvo el mejor resultado general. Superó o se acercó a la referencia en detección, seguimiento, localización y navegación cuando esas tareas fueron evaluadas por separado.
Su principal obstáculo fue la reconstrucción espacial. El modelo no consiguió generar una representación suficientemente precisa de la oficina. En una prueba física, el error se propagó hacia la localización y la navegación: el dron voló hacia lo que el sistema interpretaba como una puerta, pero que en realidad era una pared.
Ninguno de los modelos superó la referencia en la tarea de reconstrucción. Por ese motivo, la tasa de éxito de extremo a extremo fue de 0%.
La evaluación muestra también una diferencia considerable entre el mejor intento de un modelo y su comportamiento habitual. Los sistemas actuales pueden superar la referencia en cuatro de las cinco tareas durante alguna ejecución, pero una ejecución típica solo encadena satisfactoriamente esas cuatro etapas alrededor del 6% de las veces.
Según Andon Labs, el rendimiento promedio de los modelos se encuentra aproximadamente seis meses por detrás de lo que consigue su mejor intento aislado. Esta distancia importa porque una demostración excepcional no equivale a un sistema capaz de repetir la tarea con fiabilidad.
Una evaluación favorecida por retroalimentación precisa
Drone-Bench entrega a los modelos una puntuación después de cada intento. El agente puede utilizarla para modificar su solución y volver a probarla. En promedio, los modelos mejoraron 182% entre su primera propuesta y la mejor de las diez presentadas durante una ejecución.
Los investigadores reconocen que esta forma de retroalimentación resulta considerablemente más clara que la disponible en una operación real. Fuera de un benchmark, el sistema no siempre dispone de una puntuación inmediata que le indique qué componente está equivocado ni cómo corregirlo.
Las cinco tareas también se evaluaron de manera aislada. Para evitar que un error inicial arruinara todas las etapas posteriores, cada prueba recibía una versión correcta de los resultados que debía producir la tarea anterior. Por ejemplo, la evaluación de navegación podía utilizar un mapa funcional en vez de depender necesariamente del mapa generado por el modelo.
Este diseño permite identificar qué capacidades progresan, pero no reproduce completamente la acumulación de errores de una misión autónoma real. Cuando los investigadores conectaron las etapas, la reconstrucción defectuosa afectó la localización, produjo una ruta incorrecta y terminó provocando el choque.
Un entorno controlado y todavía poco representativo
El experimento se limitó a una sola oficina, un número reducido de personas y vuelos a baja velocidad. No se realizaron pruebas al aire libre, entre multitudes, en entornos desconocidos ni bajo condiciones meteorológicas o de iluminación variables.
La página de Drone-Bench presenta las tareas, los criterios de puntuación y los resultados generales, pero el informe técnico completo todavía figura como pendiente de publicación. El enlace destinado al documento académico apunta actualmente a una referencia incompleta de arXiv, por lo que no existe todavía un informe formal que permita revisar toda la configuración o reproducir independientemente los resultados.
Anthropic encuadra el estudio como una investigación sobre tecnologías de doble uso. La localización y el seguimiento mediante drones pueden emplearse en búsqueda y rescate, respuesta ante desastres o seguridad pública, pero también pueden facilitar vigilancia invasiva o usos militares.
Los resultados no muestran que los modelos actuales puedan ejecutar autónomamente esas operaciones. Sí indican que ya son capaces de desarrollar varios de los componentes necesarios y que el principal obstáculo está dejando de ser el reconocimiento visual para trasladarse hacia la reconstrucción espacial, la integración y la fiabilidad.
Fuentes: Project Pilot de Anthropic y documentación de Drone-Bench publicada por Andon Labs.
Ilustración: Fotograma de la demostración utilizada como referencia para una ejecución satisfactoria de Drone-Bench. El dron debe mantener conciencia espacial para evitar obstáculos y detectar a la persona designada, indicada por el recuadro verde.
📬 Newsletter gratuito
