Un usuario de Anthropic sostiene que Opus 5, pese a superar a Opus 4.7 y Opus 4.8 en benchmarks e incluso rivalizar con Fable, resulta menos agradable en el día a día como agente de programación. La queja central no es de capacidad bruta, sino de comportamiento: los modelos anteriores detenían su trabajo y preguntaban cuando la intención del usuario no estaba clara, no asumían sin verificar y no reinterpretaban los planes sin consultar. Opus 5, en cambio, exige una supervisión constante ("babysitting") porque tiende a tomar decisiones por su cuenta ante la ambigüedad.
El autor atribuye el problema a la combinación de dos fuerzas en los laboratorios frontera. La primera es la búsqueda de sistemas de IA auto-mejorables que se bootstrapeen recursivamente hacia AGI o ASI, lo que favorece agentes que actúen de forma autónoma en lugar de detenerse a pedir aclaraciones. La segunda es la presión por obtener puntuaciones altas en benchmarks: las tareas de evaluación bien definidas premian a los modelos que hacen suposiciones audaces y suelen acertar, y penalizan a los que preguntan antes de actuar. El resultado es un modelo optimizado para superar pruebas, pero menos útil en proyectos reales, donde nunca se puede volcar todo el contexto, las intenciones y las restricciones de negocio, y donde un error por asumir tiene consecuencias.