La idea de una IA que acelera su propio desarrollo ha dejado de ser una hipótesis de laboratorio. METR, una organización independiente de evaluación de modelos, ha pasado once semanas dentro de Anthropic con acceso a datos internos y concluye que la compañía mejora sus modelos aproximadamente al doble de ritmo que en 2024 y 2025. Y lo más llamativo: atribuye en torno al 80 % de esa aceleración al uso de la propia IA. El informe se publicó el 5 de noviembre.
Once semanas con datos internos de Anthropic
La evaluación se desarrolló entre el 12 de agosto y el 29 de octubre de 2026, con un equipo equivalente a 2,5 personas a tiempo completo. Anthropic compartió sus benchmarks internos, entre ellos AECI, su versión del índice de capacidades de Epoch, además de métricas de cómputo de entrenamiento, eficiencia algorítmica, plantilla, líneas de código, gasto en inferencia y encuestas internas. METR también entrevistó a unos 15 empleados.
Hubo límites importantes. METR no pudo usar directamente los modelos que no se han lanzado y Anthropic podía tachar la información no pública. Además, a mitad del proyecto se canceló la verificación prevista sobre cómo reparte la empresa su cómputo entre capacidades y seguridad, antes de que METR llegara a conclusiones sobre ese punto.
Los números de la aceleración
Según el informe, desde octubre de 2025 la puntuación AECI de los modelos de Anthropic crece unas 1,9 veces más rápido que antes, con un intervalo de confianza de entre 1,5 y 2,8 veces. En la práctica, el ritmo histórico de unos 15 puntos al año ha pasado a cerca de 29 puntos anuales. Las pruebas de robustez dan estimaciones de entre 1,1 y 2,9 veces, y METR no se sorprendería con cualquier cifra entre 1,3 y 3.
La cifra de METR supera el 1,7 veces que la propia Anthropic publicó en la ficha técnica de Claude Haiku 5.5, sobre todo porque incluye modelos internos que aún no se han lanzado. El informe menciona varios de ellos, terminados entre julio y octubre de 2026; el más reciente supera el 50 % en los 15 benchmarks empleados para medirlo. Si se comparan todos los grandes laboratorios, la aceleración baja a 1,4 veces.
La IA, motor principal del salto
La conclusión que más ruido ha hecho es la atribución. METR asegura con confianza que el cómputo de entrenamiento no se ha acelerado, y su estimación subjetiva es que alrededor del 80 % de la aceleración de octubre de 2026 se debe al uso de IA en la investigación. En cambio, cree que gran parte del salto de finales de 2025 tuvo otras causas, como las contrataciones.
En encuestas informales de Slack, los empleados llegaron a declarar mejoras de productividad de hasta 12 veces con el modelo interno más avanzado, aunque METR advierte de que la autopercepción suele exagerar. En las entrevistas, varios investigadores explicaron que ahora pueden lanzar muchos más experimentos gracias a los agentes. Uno lo resumió así: «Ahora solo nos limitan las ideas y el cómputo, ya no el código».
Un informe lleno de tachones
El documento llega con una advertencia incómoda: Anthropic tachó la mayor parte de las pruebas que METR consideraba más informativas, como las estimaciones de progreso algorítmico, el desglose entre cómputo, datos y algoritmos o las previsiones sobre futuros modelos. La compañía explicó que esas redacciones buscan retirar información confidencial que «podría acelerar a otros desarrolladores de IA».
METR reconoce que, por ello, el público tiene que fiarse de su criterio más de lo que sería ideal. También subraya que no ha encontrado cuellos de botella claros en algoritmos, cómputo o datos para los próximos 12 meses, por lo que la aceleración podría retroalimentarse, algo que considera un riesgo significativo para el próximo año. Eso sí, la IA todavía no hace contribuciones decisivas y totalmente autónomas en las partes más importantes del entrenamiento.
Qué significa para empresas y profesionales
Para quien usa Claude u otros modelos en su trabajo, la lectura práctica es que el ritmo de lanzamientos y mejoras no va a frenar, y probablemente se acelere. Herramientas, flujos de trabajo y comparativas de modelos que hoy parecen actuales pueden quedarse viejos en pocos meses, así que conviene revisar con frecuencia qué modelo se usa para cada tarea.
Para el sector, el informe abre un debate de fondo: si los laboratorios usan su propia IA para avanzar más rápido, la distancia entre los líderes y el resto puede crecer, y la supervisión externa se vuelve más difícil cuando gran parte de las pruebas se mantienen en secreto. Y llega en un momento delicado para la compañía, que prepara su salida a bolsa en las próximas semanas.