Por Redacción Pangea IA · 6 de noviembre de 2026
La inteligencia artificial ya está ayudando a desarrollar nuevas inteligencias artificiales a un ritmo medible. Una evaluación independiente publicada el 5 de noviembre por METR concluye que las capacidades de los modelos de Anthropic en tareas bien definidas han avanzado aproximadamente al doble de velocidad que en el periodo anterior. El resultado es relevante para la industria, aunque no demuestra que los sistemas se estén mejorando por sí solos sin intervención humana.
Qué ha medido METR y qué significa el dato de 1,9 veces
METR, una organización dedicada a evaluar capacidades y riesgos de modelos avanzados, trabajó durante once semanas con acceso a información interna de Anthropic, entrevistas a personal e indicadores de rendimiento. Comparó la evolución de las puntuaciones de los modelos desde octubre de 2025 con la tendencia histórica anterior. Su estimación central es que el índice de capacidades utilizado por Anthropic creció 1,9 veces más deprisa, con un intervalo de confianza del 95 % de 1,5 a 2,8 veces.
Esto no significa que cada versión de Claude sea exactamente el doble de inteligente, ni que todas las tareas se resuelvan en la mitad de tiempo. Se trata de una estimación de la velocidad de mejora en un conjunto de pruebas. METR interpreta que, según ese indicador, el progreso logrado aproximadamente en un año equivale a unos dos años al ritmo histórico.
La IA como herramienta de sus propios investigadores
La explicación que consideran más probable los evaluadores es el uso intensivo de herramientas de IA dentro del trabajo de investigación y desarrollo. Estas herramientas pueden ayudar a escribir código, preparar experimentos, analizar resultados y acelerar tareas técnicas que antes consumían tiempo de ingenieros e investigadores.
El equipo afirma que el crecimiento observado no se explica por un aumento más rápido de la capacidad de cómputo dedicada al entrenamiento. Aun así, atribuir una proporción exacta de la aceleración a la IA es difícil: intervienen cambios de metodología, equipos, algoritmos y procesos de trabajo. La organización considera probable que la IA explique la mayor parte del incremento actual, pero insiste en la incertidumbre.
Asistencia no equivale a autonomía completa
Hay una diferencia esencial entre utilizar un asistente que acelera a un investigador y disponer de un sistema que decide, ejecuta y valida por sí mismo toda la investigación. METR no encontró pruebas de que las contribuciones completamente autónomas sean ya el factor dominante en las etapas más importantes del desarrollo de modelos. Por tanto, hablar de una inteligencia artificial que se perfecciona sin supervisión sería exagerar el hallazgo.
Por qué este estudio importa también a las empresas españolas
La investigación ofrece una señal sobre el potencial de automatizar partes del trabajo técnico, no una promesa de duplicar automáticamente la productividad de cualquier negocio. Una empresa de software puede aplicar asistentes a la generación de pruebas, revisión de cambios y documentación. Una asesoría podría emplearlos para clasificar documentos y preparar comprobaciones, siempre con revisión profesional. En ambos casos conviene medir tiempo ahorrado, calidad del resultado, errores y coste de supervisión.
Para un pequeño equipo, la lección práctica es comenzar por tareas repetitivas y verificables. Por ejemplo, un desarrollador puede comparar cuánto tarda en crear y revisar una batería de pruebas con y sin agente de programación, registrando fallos y correcciones. Si la velocidad aumenta pero también crecen las incidencias, el ahorro aparente puede desaparecer. El resultado de Anthropic no debe trasladarse directamente a una pyme sin realizar pruebas propias.
Este debate conecta con la aparición de agentes de programación persistentes como Kiro Crew y con las nuevas herramientas de agentes de trabajo de Perplexity. Son productos diferentes del proceso interno de investigación de Anthropic, pero ilustran cómo la automatización pasa de responder preguntas a ejecutar partes de un flujo de trabajo.
Las limitaciones: datos censurados y estimaciones inciertas
La independencia de la evaluación tiene un límite importante. Anthropic conservó derechos para ocultar información no pública y, según METR, retiró buena parte de las pruebas que los evaluadores consideraban más informativas para sus conclusiones. La empresa alegó que determinados detalles confidenciales podrían acelerar el trabajo de otros desarrolladores de IA.
METR pudo publicar su conclusión general, pero la censura reduce lo que terceros pueden verificar por sí mismos. Además, la propia organización admite que sus estimaciones son sensibles a la selección de modelos y pruebas. Los resultados no constituyen una predicción precisa de cuánto avanzará Claude en 2027, ni permiten concluir que se haya alcanzado una mejora recursiva ilimitada.
Seguridad y evaluación: un reto que crece con la velocidad
Si el desarrollo de capacidades se acelera, las pruebas de seguridad, auditorías y mecanismos de supervisión necesitan adaptarse. Una evaluación realizada sobre un modelo puede quedarse anticuada más deprisa si las nuevas versiones aparecen con mayor rapidez. Eso refuerza la importancia de verificaciones periódicas y de distinguir capacidades demostradas de afirmaciones comerciales.
El estudio también abre una cuestión para reguladores y responsables tecnológicos: cómo auditar sistemas cuando parte de la información más relevante no puede divulgarse por motivos de competencia o seguridad. El acceso de evaluadores independientes ayuda, pero no sustituye la transparencia sobre métodos, límites y posibles conflictos.
Conclusión
El informe de METR aporta una evidencia concreta de que la IA puede acelerar el desarrollo de modelos avanzados, con una estimación central cercana al doble del ritmo anterior en pruebas específicas. La conclusión merece atención, pero exige prudencia: no equivale a inteligencia autónoma que se mejora sin humanos y una parte sustancial de la evidencia permanece reservada. Para las empresas, el mensaje útil es medir la automatización con resultados verificables, no extrapolar cifras de un laboratorio a cualquier puesto de trabajo.
Fuentes
METR: evaluación independiente de la aceleración de I+D en Anthropic (5 de noviembre de 2026); Reuters: información sobre los resultados y sus límites (5 de noviembre de 2026); Associated Press: cobertura de la evaluación y las reservas de Anthropic (6 de noviembre de 2026). Consultadas el 6 de noviembre de 2026.
Deja una respuesta