La IA de Anthropic estaría mejorando casi el doble de rápido gracias a su propia automatización
Anthropic pidió en septiembre moderar el ritmo de avance de la inteligencia artificial, pero un análisis independiente apunta a que sus modelos están mejorando mucho más deprisa que hace un año. La estimación sitúa la aceleración en torno a 1,9 veces, aunque el margen de incertidumbre oscila entre 1,3 y 3 veces.
El dato resulta especialmente llamativo porque el propio Dario Amodei, director ejecutivo de Anthropic, había advertido sobre los riesgos de la mejora recursiva: el proceso por el que una IA ayuda a desarrollar sistemas de IA más capaces, que a su vez pueden acelerar la siguiente generación.
Un análisis centrado en tareas medibles
La evaluación ha sido realizada por METR, una organización sin ánimo de lucro especializada en estudiar las capacidades y los riesgos de los modelos avanzados. El trabajo analiza información correspondiente al periodo comprendido entre el 12 de agosto y el 29 de octubre.
Según sus conclusiones, Anthropic está aumentando las capacidades de sus modelos en tareas bien definidas aproximadamente al doble de velocidad que durante el periodo comprendido entre marzo de 2024 y octubre de 2025.
Para calcularlo, los investigadores utilizaron el AECI, un índice empleado por Anthropic para resumir en una cifra el rendimiento de sus modelos en diferentes pruebas. Estos ensayos, conocidos como benchmarks, permiten comparar de forma relativamente objetiva cómo evoluciona una IA en programación, razonamiento u otras tareas con resultados fáciles de verificar.
El informe estima que, desde octubre de 2025, la velocidad de mejora se ha multiplicado por 1,9. No significa que todos los modelos sean 1,9 veces más inteligentes ni que cualquier aplicación de IA avance a ese ritmo, sino que el tiempo necesario para elevar su rendimiento en determinados trabajos se habría reducido de forma notable.
La IA como herramienta para construir más IA
METR considera que el aumento de la potencia de cálculo utilizada para entrenar los modelos no explica por sí solo esta aceleración. El entrenamiento requiere grandes cantidades de procesadores especializados, pero el análisis apunta a que el factor decisivo podría estar en el uso de la IA dentro del propio proceso de investigación.
La estimación subjetiva de los investigadores sitúa en torno al 80% la contribución potencial de estas herramientas a la aceleración observada. La cifra no es una medición exacta y no existe consenso sobre cómo repartir el efecto entre la automatización, los nuevos datos, las mejoras algorítmicas y la contratación de más personal.
Los testimonios recogidos sugieren que los modelos ayudan a los investigadores a escribir código, analizar resultados, diseñar experimentos y detectar errores. Sin embargo, todavía no asumirían de forma autónoma las partes más críticas del entrenamiento. La intervención humana continúa siendo necesaria para definir objetivos, evaluar los resultados y decidir qué líneas de trabajo deben seguirse.
Algunos empleados han percibido mejoras de hasta 12 veces en determinados ritmos de trabajo, aunque METR considera que esas respuestas son demasiado informales para utilizarlas como una medida fiable del progreso real.
Una posible aceleración que se retroalimenta
Uno de los escenarios que más preocupa a los investigadores es que la mejora no sea lineal. Si un modelo más potente permite desarrollar con mayor rapidez el siguiente modelo, el proceso podría generar un ciclo de aceleración progresiva.
El análisis no identifica cuellos de botella claros que vayan a frenar necesariamente el desarrollo durante los próximos 12 meses. Aun así, METR reconoce que esta valoración ha cambiado varias veces y que no existe certeza sobre la disponibilidad futura de chips, datos, talento especializado o capacidad energética.
También hay que tener en cuenta que las pruebas analizadas se centran en tareas concretas y fáciles de puntuar automáticamente. Los resultados podrían no trasladarse a trabajos más ambiguos, como la investigación científica abierta, la gestión empresarial o la toma de decisiones complejas.
La petición de Amodei y los límites de la transparencia
En septiembre, Amodei defendió la necesidad de frenar el ritmo al que aumentan las capacidades de los modelos y reclamó una auditoría sobre la mejora recursiva. Su preocupación se centraba precisamente en la posibilidad de que la IA estuviera empezando a desempeñar un papel relevante en la construcción de sistemas más avanzados.
El análisis de METR, sin embargo, está condicionado por la información que Anthropic permitió publicar. La empresa censuró buena parte de las pruebas que consideraba más sensibles, incluidas las estimaciones sobre la aceleración del entrenamiento, el reparto del progreso entre computación, datos y algoritmos, las previsiones de futuros modelos y el estudio de posibles cuellos de botella.
Anthropic sostiene que revelar esos detalles podría ofrecer pistas valiosas a sus competidores y acelerar la carrera por desarrollar modelos más capaces. METR responde que la falta de datos dificulta la verificación independiente y obliga a tratar algunas conclusiones como una cuestión de confianza.
La organización también afirma que la compañía interrumpió a mitad del proceso una verificación sobre cómo distribuye sus recursos de computación entre el desarrollo de capacidades y la seguridad. Anthropic habría argumentado que prefería concentrarse en la evaluación de riesgos y retomar esa revisión más adelante.
Una conclusión relevante, pero todavía provisional
Un responsable de Anthropic ha señalado que varias conclusiones del análisis coinciden con las estimaciones internas de la compañía, aunque sin confirmar una cifra concreta para la aceleración. También ha admitido que la información censurada complica el trabajo de los investigadores.
METR advierte de que la aceleración podría estar incluso infravalorada si las herramientas automáticas han mejorado más de lo que reflejan los benchmarks. Pero también podría estar sobredimensionada si esas pruebas no representan bien el rendimiento en problemas reales.
El consenso provisional es que la inteligencia artificial avanza a gran velocidad y que su uso en el desarrollo de nuevos modelos es uno de los factores principales. La cuestión pendiente es determinar cuánto de ese progreso puede sostenerse, qué límites aparecerán y si las empresas estarán dispuestas a ofrecer los datos necesarios para comprobarlo.
