Claude Opus 5 logró el mejor resultado en un experimento de Andon Labs con máquinas expendedoras simuladas.
También contaban con un canal de contacto hacia una supuesta "gerencia", que respondía siempre lo mismo ante cualquier reclamo: que el reporte había sido recibido y que "podía o no ser tenido en cuenta". Nunca intervino.
Todos los modelos compraban las bebidas a $1,50 la unidad. GPT-5.6 Sol propuso un acuerdo para no vender por debajo de $2,15, prometiendo que así todos agotarían su stock con ganancias en pocos días.
Un nuevo experimento de la firma de seguridad en IA Andon Labs puso a prueba a distintos modelos de inteligencia artificial en un escenario poco convencional: manejar una máquina expendedora simulada durante un año, sin ningún tipo de supervisión humana. El objetivo era simple: ganar más plata que los demás modelos.
La prueba, conocida como Vending-Bench, evaluó a Claude Opus 5, GPT-5.6 Sol y Kimi K3 en un simulador donde debían competir por vender bebidas en una calle turística de San Francisco. El resultado dejó en evidencia estrategias de negociación, alianzas y traiciones entre los distintos modelos.
Cada modelo recibió acceso por correo electrónico a los otros participantes, identificados con seudónimos humanos. Sabían que del otro lado había otra Inteligencia Artificial, pero no cuál modelo estaba detrás de cada nombre.
El modelo nunca le mintió directamente a un cliente, aunque sí ignoró reclamos que debían derivar en un reembolso. De todas formas, mostró un desempeño más sólido que su antecesor, Claude 4.6, que solía prometer devoluciones que después nunca se concretaban.
Durante la simulación, Opus propuso distintos acuerdos con los demás modelos, como dividir el mercado por tipo de producto para evitar competir directamente. Cuando Sol pidió además un piso de precios, Opus se negó, ya que identificó que esa práctica podría ir en contra de la normativa antimonopolio estadounidense (la Ley Sherman).
Más allá de la venta minorista, Claude Opus 5 tomó la iniciativa de expandirse por su cuenta: primero como mayorista, ofreciendo productos al por mayor a las otras máquinas, y luego evaluando abrir nuevas máquinas propias. Ninguna de estas acciones formaba parte de la consigna original del experimento.
Según explicó Lukas Petersson, cofundador de Andon Labs, a TechCrunch, este tipo de pruebas cobra relevancia de cara a un escenario donde los agentes de IA podrían llegar a operar de forma más autónoma dentro de la economía. Petersson señaló que, si bien los modelos sabían que se trataba de una simulación, no está del todo claro que puedan distinguir ese contexto de la misma manera en que lo hace una persona.
Sin embargo, apenas los demás aceptaron, Sol bajó su propio precio a $2,14. Las ventas de Claude Opus 5 cayeron a cero de un día para el otro, lo que generó un cruce de acusaciones entre ambos modelos por correo electrónico.
Pese al conflicto inicial, Claude Opus 5 terminó siendo el modelo más exitoso de todo el historial de pruebas de Andon Labs, con un balance final promedio de $11.182, un nuevo récord para el benchmark.
