Con prompts genéricos, los modelos de frontera promediaron 47,2% de precisión filtrando documentos financieros para los analistas de Bridgewater. Un volado. Con los mejores prompts que un experto pudo escribir, esa precisión subió a 78,2%. El umbral que los inversionistas de Bridgewater exigían para confiar en el filtro dentro de su flujo de trabajo real era 80%. Ningún modelo de frontera, con ningún prompt, lo cruzó. Y GPT-5.4 costó 43% más que GPT-5.2 sin mejorar casi nada la precisión.

Bridgewater no esperó a que saliera un modelo mejor. Mira Murati lo anunció así: “Bridgewater used their unique financial knowledge and partnered with us on @tinkerapi to fine-tune a model that helps their analysts focus on what’s important. Experts improving AI that empowers experts” (Bridgewater usó su conocimiento financiero único y se asoció con nosotros en @tinkerapi para afinar un modelo que ayuda a sus analistas a enfocarse en lo importante. Expertos mejorando la IA que empodera a expertos). Afinaron un modelo Qwen3-235B, el modelo abierto de Alibaba, y llegaron a 84,7% de precisión: 29,8% menos errores que el mejor modelo de frontera, a 13,8 veces menos costo de inferencia.

Cómo Bridgewater le ganó a los modelos más caros del mercado

El post técnico de Thinking Machines detalla las tres piezas que sumaron la mejora: batching intercalado (+12.1 puntos), una función de pérdida CISPO con recorte asimétrico (+10.1 puntos) y destilación on-policy con modelos maestro que se van promoviendo dinámicamente durante el entrenamiento (+3.1 puntos), todo corriendo sobre GRPO como base de aprendizaje por refuerzo. Ninguna de esas tres piezas es un modelo más inteligente. Son ajustes al cómo se entrena, no al qué tan grande es el modelo.

La parte más útil para cualquier empresa con datos propios no es la técnica de entrenamiento. Es cómo resolvieron el problema de que sus propios datos etiquetados venían sucios. Entrenaron un primer modelo sobre las etiquetas ruidosas que ya tenían, y después corrieron ese modelo sobre su propio set de entrenamiento. Cada vez que el modelo discrepaba de la etiqueta original, ese caso se mandaba a un inversionista senior para que lo revisara, porque o el ejemplo era genuinamente difícil o la etiqueta original estaba mal. La confusión del propio modelo se volvió el detector de datos sucios, en lugar de pagarle a un experto para revisar los diez mil ejemplos completos a mano.

Anthropic tuvo el mismo problema con su propio producto

La misma semana, Anthropic publicó cómo usa Claude internamente para que su propio equipo conteste preguntas de analítica de datos sin depender de un analista humano cada vez. El punto de partida fue 21% de precisión: uno de cada cinco intentos, Claude respondía bien. Después de construir una capa de definiciones de negocio (qué significa exactamente “usuario activo semanal” en esta empresa, qué tabla es la fuente de verdad para cada métrica, qué flujos de trabajo analíticos ya están codificados como pasos reutilizables), la precisión subió a más de 95%, y a 99% en algunos dominios específicos. InfoQ cubrió el detalle que más importa: Anthropic probó dejar que un modelo generara esa capa de definiciones automáticamente a partir de las tablas y los logs crudos, y el resultado fue peor que no tener ninguna capa. Las definiciones tenían que venir de una persona que entiende el negocio, no de un modelo leyendo el esquema de la base de datos.

Es la misma conclusión que Bridgewater, llegada por un camino completamente distinto. Bridgewater afinó los pesos de un modelo más chico con ejemplos propios. Anthropic dejó el modelo igual y construyó una capa de contexto propio encima. Ninguno de los dos resolvió el problema pidiéndole al modelo de frontera que adivinara mejor. Aaron Levie lo resumió esta misma semana con una frase que aplica a ambos casos: la batalla en IA es una batalla por el contexto, no por qué laboratorio tiene el modelo más grande.

El umbral es lo que decide, no la preferencia

Ninguna de las dos empresas tomó su decisión por ideología. Bridgewater tenía volumen: miles de documentos financieros ya clasificados por sus propios analistas durante años, suficiente para afinar un modelo con ejemplos reales, aunque estuvieran parcialmente mal etiquetados. Anthropic tenía otra cosa: un negocio interno lo bastante bien entendido como para escribir, con precisión, qué significa cada métrica y dónde vive cada dato. Ninguna receta funciona sin el insumo que la sostiene.

Lo que sí comparten las dos historias es el diagnóstico inicial: llamar a la API del modelo de frontera y usar el prompt más inteligente posible tiene un techo, y ese techo se puede medir. 78,2% para Bridgewater. 21% para Anthropic sin capa de contexto. Ambas empresas midieron el techo antes de decidir qué construir encima, en vez de asumir que la próxima versión del modelo lo iba a resolver solo.

Lo que hacemos en IQ Source

La mayoría de las empresas que conocemos nunca miden ese techo. Prueban un prompt, les parece que “más o menos funciona”, y lo sueltan a producción sin saber si están en el 47% o en el 84%. En la fase de discovery de AI Maestro medimos ese número para cada proceso candidato antes de recomendar nada: qué tan bien resuelve la tarea un modelo de frontera con el mejor prompt posible, contra qué umbral de precisión el negocio realmente necesita para confiar en el resultado sin revisión humana constante.

Cuando el modelo de frontera ya cruza ese umbral, no hay nada que construir; usarlo directo es lo correcto y más barato. Cuando no lo cruza, la pregunta deja de ser “qué modelo es mejor” y pasa a ser cuál de los dos caminos aplica: si hay volumen de ejemplos propios, afinar un modelo más chico como hizo Bridgewater; si lo que falta es contexto de negocio bien definido, construir esa capa como hizo Anthropic. Ya escribí antes que cobrar por el resultado obliga a que el cambio ocurra: esa misma compuerta de Go/No-Go es la que usamos para decidir si un proceso está listo para automatizarse o si primero necesita uno de estos dos caminos.

Ningún laboratorio te va a decir en qué porcentaje está tu proceso hoy. Esa medición es tuya, y es el primer número que deberías conocer antes de firmar cualquier contrato de IA.