Anthropic avanza con una aceleración con IA que ya tiene medida externa: sus modelos mejoran en tareas bien definidas a un ritmo cercano al doble del que llevaba entre marzo de 2024 y octubre de 2025. La cifra la publicó el 5 de noviembre METR, organización sin fines de lucro que evalúa sistemas de inteligencia artificial, tras once semanas dentro de la empresa revisando datos que el público nunca ve.
No es el anuncio de un modelo nuevo. Es otra cosa, más incómoda: un evaluador externo entró, miró las cuentas internas y salió diciendo que el avance se duplicó, que la mayor parte del empuje viene de usar inteligencia artificial para investigar inteligencia artificial y que la prueba más fuerte quedó tachada del informe público.
El cambio frente a lo ya conocido es claro. Días atrás, la empresa había escrito en un documento de su salida a bolsa que podía estar a punto de cruzar su umbral de progreso acelerado, aviso registrado en la nota sobre la automejora recursiva que Anthropic veía muy cerca. Aquello era una advertencia de la casa, en letra pequeña. Esto otro es una medición de terceros, con fechas y con intervalo de error.
Dos años de avance comprimidos en uno solo
El número central sale del AECI, el índice de capacidades que Anthropic adapta del Epoch Capabilities Index y que resume en una puntuación los resultados de muchas pruebas de rendimiento. METR calculó que desde octubre de 2025 ese índice crece a un ritmo 1,9 veces mayor que el anterior, con un intervalo de confianza del 95 % entre 1,5 y 2,8 veces. Traducido a puntos: la subida pasó de unos 15 puntos al año a unos 29.
Dicho en modelos, la distancia del último año equivale a la que separa a Claude 2.1 de Sonnet 4.5, un trayecto que antes tomó cerca de dos años. La estimación incluye tres modelos internos todavía sin publicar, entrenados desde julio y nombrados como Modelo 2, Modelo 3 y Modelo 4. Por eso la cifra de METR supera el 1,7 que Anthropic anotó en la ficha técnica de Haiku 5.5: el evaluador vio piezas sin nombre comercial.
Hay un dato que ordena la discusión. METR afirma con confianza que la aceleración no viene de un aumento más rápido del cómputo de entrenamiento. La empresa no está metiendo máquinas a otro ritmo. El equipo revisó métricas de preentrenamiento y de aprendizaje por refuerzo, encuestas y unas quince entrevistas, en un trabajo de 2,5 personas a tiempo completo entre el 12 de agosto y el 29 de octubre, sin cobrarle nada a Anthropic.
La atribución queda así: METR estima que cerca del 80 % de esa aceleración con IA de octubre de 2026 se debe a la propia inteligencia artificial, con una incertidumbre subrayada en cada página. El resto lo atribuye a factores ajenos, que pesaron a finales de 2025. En votaciones informales por Slack, el personal reportó en octubre mejoras de productividad de hasta 12 veces con el modelo más reciente, una pista suelta que METR trata con cautela y nunca como prueba cerrada.
La prueba más fuerte quedó tachada del informe
Anthropic tenía derecho a tachar cualquier información no pública del texto, y lo usó. METR lo dice sin rodeos en la primera página: la empresa tachó la mayoría de la evidencia que el evaluador encontró más informativa, con el argumento de que divulgarla podría acelerar a desarrolladores rivales. El informe completo ronda las cien páginas; la versión pública deja al lector apoyado en el juicio de METR, algo que la organización reconoce como poco ideal.
La revisión compañera, publicada el mismo 5 de noviembre, aprieta otro tornillo. METR examinó la sección de riesgos de investigación automatizada del informe de riesgos de Anthropic de agosto de 2026 y coincide en lo principal: el riesgo catastrófico de los modelos internos del 15 de julio era bajo. Pero discrepa en la frase que importa. La empresa sostuvo que no había cruzado su umbral de alerta temprana, el que se activa con una aceleración del doble atribuible a la automatización de la investigación. METR responde que esa afirmación descansa en decisiones de criterio discutibles, que las cifras del informe privado, combinadas, dan 1,97 veces —muy lejos del «menos del doble» que sugiere la redacción pública— y que resulta plausible que el umbral ya se hubiera cruzado en esa fecha, aunque los investigadores de ambas partes se inclinan por pensar que no ocurrió.
El matiz técnico también baja el volumen a los titulares fáciles. Lo que METR encontró es asistencia, no autonomía: la inteligencia artificial acelera el trabajo de los investigadores, pero todavía no hace por su cuenta las partes más importantes del entrenamiento de un modelo. El informe habla de señales de que ese aporte autónomo puede crecer pronto. Son señales, no un hecho.
Tampoco apareció un freno claro. En los próximos doce meses, METR no vio topes firmes en progreso algorítmico, cómputo ni datos, aunque admite que su lectura de esos topes cambió varias veces y que su confianza ahí es baja. Para quien usa Claude en el trabajo o en un aula de América Latina, el efecto llega sin pedir permiso: ciclos de modelos más cortos, funciones que cambian cada pocas semanas y evaluaciones de seguridad detrás de un ritmo ya medido al doble, con la evidencia principal fuera de la vista pública.
Fuente: METR
