Andon Labs ha presentado Drone-Bench, un benchmark que evalúa la capacidad de los modelos de IA para escribir el código que permite a un dron de consumo autónomo vigilancia en entornos reales. La prueba se articula en torno a un demo donde un dron comercial recorre una oficina para localizar y seguir a una persona concreta, y se divide en cinco tareas encadenadas: reconstrucción 3D del entorno, localización del dron en el mapa, navegación entre habitaciones, detección de la persona objetivo y seguimiento continuo. Cada tarea se puntúa de forma aislada frente a una línea base escrita por un humano con ayuda de agentes de código, en 10 ejecuciones con 10 envíos cada una, y los autores subrayan que ningún laboratorio podrá entrenar con la evaluación.
Según el equipo, a partir de Opus 4.8 los modelos superan la línea base en detección y seguimiento, aunque el documento advierte de que los errores se acumulan en un escenario end-to-end: una reconstrucción ruidosa degrada el mapa, el mapa degrada la ruta y la ruta puede acabar en colisión. Su motivación es doble: por un lado, ofrecer una métrica reproducible sobre la autonomía física de los modelos; por otro, abrir un debate público sobre la creciente capacidad de vigilancia autónoma a medida que los sistemas de IA salen de la pantalla y se instalan en tiendas, cafeterías y pequeños negocios.