METR: la IA de Anthropic acelera su propia investigación

METR pasó 11 semanas dentro de Anthropic: esto es lo que encontró

Los modelos de Anthropic están mejorando cerca de 1,9 veces más rápido que antes, y por primera vez la evidencia apunta a que la mayor parte de ese salto no viene de más cómputo de entrenamiento, sino de la propia IA haciendo investigación interna. Para un founder que construye sobre modelos de frontera, el mensaje es incómodo: la ventana entre «esto es novedoso» y «esto es commodity» se está acortando más rápido de lo que sugiere el ritmo histórico.

El dato surge de una evaluación independiente que la organización de seguridad METR publicó el 5 de noviembre de 2026, tras 11 semanas de trabajo dentro de la compañía —del 12 de agosto al 29 de octubre— con un equipo de 2,5 personas a tiempo completo, acceso a resultados de benchmarks de modelos no publicados y unas 15 entrevistas a investigadores, según The Decoder. METR no cobró por el trabajo.

¿Qué tan rápido está avanzando Anthropic, en números?

Los puntajes de Anthropic en el AECI —una métrica compuesta que agrupa varios benchmarks y funciona como versión interna del Epoch Capabilities Index— pasaron de crecer unos 15 puntos por año antes de octubre de 2025 a unos 29 puntos después, reportó The Decoder. Traducido: la empresa logró en un año el progreso que antes le tomaba dos, un salto comparable al que va de Claude 2.1 a Sonnet 4.5.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

TechRepublic precisa el intervalo de confianza de esa estimación: entre 1,5 y 2,8 veces, con un valor central de 1,9. IJR agrega un detalle relevante para quien sigue la evolución de los modelos: las fichas técnicas de Claude Opus 5.5 y Haiku 5.5 ya reportaban aumentos de pendiente de 1,53x y 1,7x respectivamente.

Lo que más llamó la atención es la causa. METR dice estar «confiada» en que la aceleración no se explica por un escalado más rápido del cómputo de entrenamiento, que históricamente fue el gran motor del progreso. En cambio, estima que alrededor del 80% de la velocidad actual viene del uso de IA en la propia investigación de Anthropic, según The Decoder.

Los empleados lo confirman, con la cautela del caso: en encuestas informales de Slack reportaron ser unas 12 veces más productivos con el modelo interno más capaz, el doble de lo que declaraban unos meses antes usando Mythos 5. METR aclara que es evidencia «muy floja»: la muestra no es representativa y probablemente exagera las ganancias reales. Un investigador interno, de hecho, calcula la contribución de la IA en apenas 15% a 20%, y otro considera que las nuevas contrataciones fueron el factor más importante de los últimos meses.

Los tres modelos que Anthropic no ha publicado

Parte de esa aceleración se apoya en modelos que nadie fuera de la empresa puede usar. Según el informe, en los últimos seis meses Anthropic terminó de entrenar tres modelos que aún no ha lanzado, con los nombres en clave Model 2, Model 3 y Model 4, que completaron su entrenamiento en julio, agosto-septiembre y septiembre-octubre respectivamente. METR también identificó un modelo sin publicar que data de 2022.

IJR añade un dato que conecta el informe con el mercado: Anthropic enmendó su prospecto de salida a bolsa para advertir que sus próximos modelos podrían alcanzar pronto el umbral de aceleración que la propia compañía define como señal de riesgo.

¿Por qué Anthropic borró la mayor parte de la evidencia?

METR entregó a Anthropic un informe completo de unas 100 páginas. La versión pública salió con la mayoría de la evidencia que los auditores consideraban más informativa eliminada: pronósticos de modelos futuros, desgloses por pasos de entrenamiento y el análisis de cuellos de botella, según The Decoder. Un gráfico del informe público aparece con las palabras «FAKE DATA» en letras grandes.

El cofundador de Anthropic Sam McCandlish lo reconoció abiertamente: «Censuramos mucho, y acepto que eso hace más difícil para otros verificar el trabajo de METR». Justificó la decisión en que revelar qué está impulsando la aceleración es comercialmente sensible y equivaldría a entregar una hoja de ruta a sus competidores.

Hay un dato que refuerza la incomodidad. El informe público de riesgo de Anthropic de agosto de 2026 afirmaba que la aceleración era «menos de un factor de 2». La versión interna sin censura implicaba 1,97, y la propia empresa admite como «plausible» haber cruzado el umbral. METR sostiene que el nivel de advertencia pudo alcanzarse el 15 de julio, según The Decoder. Además, Anthropic canceló a mitad de camino la parte de la auditoría que iba a verificar cuánto cómputo destina a seguridad frente a capacidades.

¿Por qué el informe alarma a los investigadores de seguridad?

La reacción fue dura porque toca una contradicción central: Anthropic es una de las voces más activas pidiendo frenar el desarrollo de IA, mientras el informe sugiere que va a toda velocidad. Marius Hobbhahn, CEO de Apollo Research, dijo a The Verge que el ritmo observado supera lo proyectado en AI 2027, el escenario que imagina un avance clave hacia la autorreplicación a comienzos de 2027. Alan Chan, de GovAI, sostuvo que los escépticos deberían reconsiderar sus plazos. Daniel Kokotajlo, autor de ese escenario, acusó a Anthropic de «apostar temerariamente con nuestras vidas».

Brianna Rosen, del Institute for AI Policy and Strategy, planteó el problema de fondo: son las empresas, y no los gobiernos, las que deciden sobre la automatización de la investigación en IA. Y el asambleísta de Nueva York Alex Bores pidió directamente al Congreso prohibir la autorreplicación.

El contexto corporativo amplifica todo. Anthropic reportó US$17.000 millones de ingresos en el tercer trimestre de 2026 y compromisos de compra y arrendamiento por unos US$895.400 millones, mayormente en cómputo e infraestructura, según su prospecto enmendado del 2 de noviembre. En mayo de 2026 había levantado US$65.000 millones a una valoración post-money de US$965.000 millones. Y tras la caída tecnológica posterior a las elecciones de medio término, CNBC reportó el 6 de noviembre que algunos inversores recortaron sus expectativas de valoración para la salida a bolsa.

Qué significa esto para tu startup

La lección práctica no es «la IA se autorreplica», sino que la velocidad de mejora de los modelos dejó de ser un supuesto estable. Si tu roadmap asume que el modelo que usas hoy seguirá siendo el estado del arte en 18 meses, ese supuesto acaba de volverse más frágil.

Monta tu propia evaluación, no la del proveedor. Antes de ampliar un despliegue, define un set de tareas representativas de tu negocio —incluyendo casos con información incompleta o instrucciones contradictorias— y mide cuatro cosas: si la tarea se completó bien, cuánto tiempo humano consume revisarla, cuántos errores y respuestas sin respaldo aparecen, y el costo total por tarea exitosa. Un benchmark que sube 1,9x no te dice nada sobre tu flujo de trabajo.
Ata los resultados a versiones concretas y prepara el rollback. Fija criterios de aceptación, asigna quién revisa los fallos y deja una vía de reversión antes de escalar. Si el modelo cambia cada pocas semanas, tu proceso de evaluación es lo único que te protege de una regresión silenciosa.
Diseña con capa de abstracción. Con tres modelos internos sin publicar y lanzamientos que se solapan, depender de un único proveedor y de una única API es un riesgo operativo, no solo de costos.
Pregunta al proveedor qué no te está contando. Qué versiones se evaluaron, qué acceso tuvo el evaluador independiente, qué conclusiones siguen siendo inciertas y qué evidencia puedes inspeccionar. En un mercado donde la evidencia pública se censura por razones comerciales, esa pregunta es parte de tu due diligence.

La conclusión incómoda del informe es que no hay señales de rendimientos decrecientes ni cuellos de botella visibles que frenen la aceleración en los próximos doce meses. Para un founder, eso significa que la ventaja competitiva se está desplazando desde «tener acceso al mejor modelo» hacia «tener el mejor proceso para evaluar, integrar y reemplazar modelos».