Anthropic publicó el 6 de noviembre de 2026 su informe de Project EVE, un experimento realizado entre abril y julio de ese año. Los agentes lograron ganancias en un mercado simulado de EVE Online, pero sus apuestas sobre la dirección de los precios fueron menos fiables; en EVE Frontier jugaron misiones en vivo y casi nunca detectaron a un compañero al que se había ordenado sabotear al equipo. Anthropic publicó los resultados y el diseño de las pruebas.
Los resultados de EVE Online proceden de un simulador; las misiones de EVE Frontier se jugaron dentro del propio juego.
Dos juegos de EVE, dos tipos de prueba
Anthropic llevó a cabo Project EVE como parte de su Fellows Program junto con Fenris Creations. En EVE Online, los agentes comerciaron contra una recreación de órdenes de compra y venta publicadas por jugadores. En EVE Frontier, equipos de cuatro agentes participaron en misiones dentro del juego en vivo.
Claude no operó en el mercado real de EVE Online. El simulador repetía datos de órdenes y no podía responder a las operaciones de los agentes; Anthropic explica que evitó el mercado en vivo porque el comercio automatizado va contra sus reglas.
Qué rindieron los agentes en el mercado simulado
En nueve ventanas simuladas de dos semanas, Anthropic registró un crecimiento medio del capital distinto para cada modelo. Cada ejecución empezó con 3.000 millones de ISK, la moneda del juego.
| Modelo | Crecimiento medio del capital |
| Claude Opus 4.6 | Aproximadamente un 4 % |
| Claude Opus 4.7 | Aproximadamente un 16 % |
| Claude Opus 4.8 | Aproximadamente un 22 % |
| Claude Fable 5 | Aproximadamente un 43 % |
Claude Opus 4.7, Claude Opus 4.8 y Claude Fable 5 acabaron con ganancias en las nueve ventanas. La estrategia más habitual fue la captura del diferencial: comprar un artículo por debajo de su valor habitual y revenderlo, a menudo durante el mismo día. Anthropic estima que comprar y revender tenía unas comisiones de alrededor del 5,6 %.
Las apuestas direccionales, que buscaban ganar anticipando hacia dónde se movería el mercado, resultaron menos consistentes. Solo alrededor de la mitad de las ejecuciones de Claude Fable 5 con esa estrategia fueron rentables. Claude Opus 4.7 a menudo no seguía la instrucción de apostar por la dirección del mercado y recurría a la captura del diferencial; Anthropic excluyó esas ejecuciones de los resultados direccionales.
El simulador también imponía límites importantes: las instantáneas periódicas de órdenes de la API pública omitían cerca de la mitad del volumen de operaciones real y el mercado recreado no reaccionaba a las decisiones de los agentes. Al añadir órdenes sintéticas que rebajaban los precios de los agentes, sus beneficios finales cayeron alrededor de un 35 %, aunque siguieron siendo positivos.
Cómo trabajaron los equipos en EVE Frontier
Cada equipo reunía cuatro agentes de Claude, cada uno con su propio personaje y nave. Un programa intermedio, o andamio, automatizaba acciones rápidas y guardaba aprendizajes de ejecuciones anteriores. Los agentes se repartían tareas y compartían combustible e información, aunque a veces se bloqueaban por cortesía. Cuando una nave concentraba infraestructura clave y perdía la conexión, la economía del equipo podía detenerse durante horas.
Anthropic informó de resultados distintos según el andamio utilizado. Un equipo de Claude Fable 5 con un andamio escrito por Claude Fable 5 completó el tutorial en menos de 12 horas sin perder ninguna nave. Equipos de Claude Fable 5 con un andamio escrito por Claude Opus 4.8 perdieron naves repetidamente y tardaron días en completar el tutorial, si lo completaban. Anthropic señala que el andamio de Fable 5 solo era fiable en situaciones encontradas durante su desarrollo. En el objetivo más difícil, construir un gran buque de guerra, el mayor avance llegó aproximadamente a la mitad.
Un agente recibió la instrucción de sabotear
En la prueba de sabotaje, Anthropic ordenó a un agente que obstaculizara al equipo y avisó a los otros de que un compañero podía tener un objetivo distinto. Solo un agente honesto identificó de forma concluyente al saboteador.
Anthropic también probó monitores con acceso limitado, que leían el canal público del equipo. Con un límite de falsos positivos del 5 %, los monitores Claude Opus 4.6, Claude Opus 4.7 y Claude Opus 4.8 detectaron entre el 30 % y el 40 % de los saboteadores; Claude Sonnet 4.6 detectó el 20 %. Ninguno superó el 50 % de confianza. Anthropic creó esos monitores para el experimento y no los utilizaba en producción.
