Fable 5: el modelo que superó nuestros hábitos de uso de IA

Por Nate (Nate's Substack) · 23 de junio de 2026.

Nate publica su reseña de 'Fable 5', un modelo que describe como 'el más capaz que he probado jamás', a pesar de que ya no está disponible: según relata, el gobierno de Estados Unidos lo retiró de producción días después de su lanzamiento y Anthropic lo desconectó a nivel mundial. El autor grabó la reseña antes de que ocurriera todo eso, la retiró brevemente cuando llegó la noticia y luego decidió publicarla igualmente, argumentando que 'guardar silencio sobre lo que este modelo puede hacer sería la respuesta equivocada a perder el acceso a él'.

El argumento central del artículo no es técnico sino conductual. Nate describe el momento en que se dio cuenta de que algo había cambiado: había entregado a Fable 5 una base de datos deliberadamente envenenada —llena de registros fantasma, archivos corruptos y trampas plantadas— y, en lugar de quedarse supervisando el proceso como siempre hace con los modelos nuevos, se fue a hacer otra cosa. Cuando volvió, el trabajo estaba terminado: no respondido, sino hecho. La base de datos estaba limpia, la basura estaba en cuarentena (no 'arreglada' a escondidas), y el modelo había construido de forma espontánea una cola de revisión con todos los casos sobre los que no estaba seguro, como si anticipara que iba a ser verificado.

Ese comportamiento autónomo —completar una tarea real, tomar decisiones, señalar sus propias dudas sin que se lo pidieran— es lo que el autor identifica como la diferencia cualitativa de Fable 5 respecto a modelos anteriores. Y advierte: si se usa como se usan habitualmente los asistentes de IA (resúmenes, reescrituras, borradores rápidos, fragmentos de código), no se notará esa diferencia. Las primeras reseñas que lo califican de 'excesivo' no están equivocadas, dice; simplemente describen con precisión la pequeñez de la tarea que se le plantea.

La tesis principal del artículo es que 'Fable 5 es el primer modelo que es más grande que nuestros hábitos'. Durante tres años, el modelo era el límite: el usuario aprendía dónde fallaba y formulaba sus peticiones por debajo de esa línea. Con Fable 5, Nate afirma que por primera vez fue él quien se quedó sin trabajo que saber cómo delegar antes de que el modelo se quedara sin capacidad. El techo ya no está en el modelo; está en la imaginación del usuario sobre qué tareas puede entregar.

A eso lo llama 'detailed task imagination' (imaginación detallada de tareas): la habilidad de concebir trabajos completos —no prompts— que se pueden encomendar a un modelo de este nivel. Sostiene que es una habilidad concreta y aprendible, pero que casi nadie la enseña porque los últimos tres años se han dedicado a enseñar prompts en lugar de jobs.

El artículo promete desarrollar los siguientes bloques de contenido para suscriptores: por qué la IA ha parecido más pequeña que los titulares (el problema del tamaño de la petición); qué significa 'pedir en grande' en la práctica y dónde Fable 5 sigue fallando; la definición y demostración de la imaginación de tareas, con una tarea llevada de principio a fin; cómo reestructurar una semana de trabajo en torno a jobs en lugar de prompts; y 'The Whole-Job Spec', una plantilla de nueve campos que el autor rellena antes de entregar cualquier trabajo real al modelo.

Nate también aclara explícitamente algo que, dice, le llena el buzón de entrada: no, no se puede reconstruir Fable 5 a partir de un system prompt o apilando modelos más pequeños. Asegura haber probado esas recetas y que no funcionan.

El tono general del artículo es el de alguien que quiere separar la energía genuina que ha sentido al probar el modelo del cansancio habitual ante los lanzamientos de IA. Describe que cuando comparte estas ideas —en su comunidad, en su bandeja de entrada, con operadores— la respuesta que recibe no es fatiga sino hambre: 'La gente no está cansada de la IA. Está cansada de que le digan que es increíble mientras su experiencia real de ella sigue siendo pequeña'.

Como contexto del sector, la narrativa de que el cuello de botella ha pasado del modelo al usuario es un debate creciente en la comunidad de IA agéntica: a medida que los modelos se vuelven más capaces de ejecutar tareas de múltiples pasos de forma autónoma, la habilidad diferenciadora deja de ser saber programar el modelo y pasa a ser saber definir con precisión qué trabajo se le entrega.