La aceleración de la IA se ha duplicado: según el informe Independent Assessment of AI R&D Acceleration at Anthropic de METR, publicado el 5 de noviembre de 2026, Anthropic mejora la capacidad de sus modelos aproximadamente al doble de la velocidad que tenía entre marzo de 2024 y octubre de 2025. El mismo informe estima que cerca del 80% de esa aceleración proviene de la propia inteligencia artificial ayudando en la investigación, no de un aumento en el cómputo de entrenamiento.
Durante años, la receta para tener un mejor modelo de IA fue simple: más chips, más datos, más cómputo. Ese supuesto acaba de recibir un golpe. METR, una organización sin fines de lucro que evalúa lo que los modelos de frontera realmente pueden hacer, tuvo acceso interno a Anthropic entre el 12 de agosto y el 29 de octubre de 2026. Revisó puntajes de benchmarks, datos de entrenamiento, cifras de cómputo, encuestas a empleados y entrevistas con alrededor de 15 investigadores. Y su conclusión es incómoda: la IA está empezando a acelerar el proceso de construir IA.
¿Por qué debería importarte esto si tienes una empresa en Perú y no un laboratorio de investigación? Porque cambia el ritmo al que aparecen las herramientas que usas, el costo de las que hoy parecen caras y la ventaja de quien adopta antes. En este artículo revisamos qué encontró METR, qué significa el famoso Model 4, por qué los propios empleados de Anthropic reportan ser 12 veces más productivos y qué parte de todo esto conviene tomar con pinzas.
¿Qué encontró realmente el informe METR sobre Anthropic?
METR se hizo una pregunta muy concreta: ¿la IA está acelerando el proceso de construir IA? La respuesta tiene tres partes. Primero, la velocidad de mejora de los modelos de Anthropic se duplicó respecto de la línea base previa a octubre de 2025. Segundo, la mayor parte de ese incremento —la estimación gruesa de METR es alrededor del 80%— probablemente se debe a la IA misma. Tercero, METR no encontró cuellos de botella claros que impidan que esto siga acelerándose en los próximos 12 meses.
El dato que más se repite es el de la curva de puntajes. METR usa el AECI, la versión de Anthropic del Epoch Capabilities Index, que combina muchos benchmarks en un solo número para comparar modelos en el tiempo. Antes de octubre de 2025, los modelos de Anthropic ganaban unos 15 puntos por año. Después de esa fecha, ganan alrededor de 29 puntos por año. El informe lo resume así: Anthropic parece haber avanzado en benchmarks en el último año tanto como lo hizo entre octubre de 2023 y octubre de 2025. Es decir, el salto equivalente a pasar de Claude 2.1 a Sonnet 4.5, comprimido en la mitad del tiempo.
La estimación central es 1,9 veces, con un intervalo de confianza de 1,5 a 2,8 veces. METR aclara que no le sorprendería que el número real estuviera más cerca de 1,3 o de 3 veces. Cuando incluyó modelos de otras empresas como OpenAI y Google, la aceleración de toda la industria bajó a alrededor de 1,4 veces. La diferencia tiene una explicación: los modelos internos no públicos son los que empujan la tendencia hacia arriba.
Hay un detalle que suele pasarse por alto. METR no encontró que el cómputo de entrenamiento se haya acelerado. Recibió evidencia convincente de que no fue así, aunque la siguiente línea del informe dice que los detalles de esa evidencia fueron redactados. Si no son más chips, entonces ¿qué es? La respuesta de METR apunta a la IA ayudando a los investigadores que construyen IA.
¿Qué son los modelos internos de Anthropic y por qué importan?
El informe menciona modelos que el público nunca ha visto. METR los llama Model 2, Model 3 y Model 4. Según la sección de metodología, el Model 2 terminó su entrenamiento en julio de 2026, el Model 3 entre agosto y septiembre, y el Model 4 entre septiembre y octubre. Es decir, semanas antes de la publicación del informe.
El Model 4 es el puntaje más alto de todo el conjunto analizado. Es el primero que supera el 50% en los 15 benchmarks que METR midió, y según las observaciones recogidas en el reporte, ya supera el 90% en varios de ellos. Un análisis publicado por TPS Report le asigna un AECI de 178,6, el más alto del grupo. El propio informe advierte que estos puntajes reflejan desempeño en tareas específicas y no establecen por sí solos una competencia amplia ni de nivel humano.
La distancia entre lo que Anthropic tiene adentro y lo que el público puede usar es otro punto llamativo. Un gráfico que circuló en redes, construido con los datos de METR, sugiere que el Model 4 ha estado más de 40 días por delante de lo que está disponible en Claude. Es una lectura de la comunidad, no una conclusión formal del informe, pero ilustra bien la idea: el modelo más capaz del mundo no es necesariamente el que puedes contratar.
Aquí aparece un matiz importante. El informe no demuestra que la IA esté haciendo investigación de forma autónoma. Según METR, la IA sigue principalmente asistiendo a humanos en la investigación, no reemplazándolos. Hay señales de contribuciones autónomas, pero nada concluyente. La diferencia entre “la IA ayuda a un humano” y “la IA hace el trabajo sola” es enorme, y conviene no confundirlas.
¿Por qué los empleados de Anthropic reportan ser 12 veces más productivos?
METR revisó encuestas informales y sondeos en Slack entre empleados de Anthropic sobre cuánto les aceleraba la IA su propio trabajo. La tendencia es marcada. A inicios de 2025, con Claude 3.7 Sonnet, la gente reportaba una aceleración de alrededor de 1,2 veces. Con el modelo Mythos 5, ya superaba las 5 veces. Y para el Model 4, en octubre de 2026, el promedio autoreportado fue de aproximadamente 12 veces.
Doce veces suena a exageración, y METR lo admite: es evidencia muy blanda, basada en autoreportes. Pero la dirección de la curva es difícil de ignorar. En entrevistas más formales, un investigador dijo que ahora solo están limitados por las ideas y el cómputo, no por el código. Otro afirmó que le resulta difícil ver cómo no es al menos tres veces más productivo. No todos coinciden: un investigador estimó que solo entre el 15% y el 20% de la aceleración se debe a la IA y dijo no creer en los aumentos de productividad autoreportados. En conjunto, las respuestas se centraron alrededor de dos veces.
Esa mezcla de entusiasmo y escepticismo es la parte más útil para una empresa. El dato de 12 veces no es una promesa de ventas; es un indicio de hacia dónde se mueve la herramienta. Y también es un recordatorio de que el impacto real depende de cómo se usa. Si la IA solo redacta correos más rápido, el efecto es marginal. Si ayuda a explorar hipótesis, revisar código o comparar escenarios, el efecto cambia de escala.
Lo que este informe no demuestra es que la aceleración se traduzca en resultados de negocio. METR mismo advierte que no está claro cómo se mapean los puntajes de benchmarks a capacidades en el mundo real, y plantea la posibilidad de que las ganancias se concentren en tareas bien especificadas y fáciles de calificar. También hay que considerar que Anthropic redactó buena parte de la evidencia que METR consideró más informativa. El cofundador Sam McCandlish reconoció que la redacción dificulta verificar el trabajo, pero sostuvo que compartir qué está impulsando la aceleración es comercialmente sensible y entregaría un mapa del camino a otros. Conclusión honesta: vemos la conclusión, no la mayoría de la prueba.
¿Qué significa esta aceleración de la IA para una empresa en Perú?
Para una empresa peruana de tamaño medio, el informe no se lee como una noticia de laboratorio. Se lee como un cambio en el calendario de decisiones. Si los modelos mejoran al doble de velocidad, la herramienta que hoy evalúas como un piloto puede ser obsoleta en meses, y la que hoy descartas por inmadura puede volverse viable antes de que termines el comité de evaluación.
Eso no significa correr a comprar todo. Significa cambiar la forma de evaluar. Un enfoque más útil es definir procesos concretos donde la mejora continua con IA pueda medirse con datos propios: cuánto tarda una cotización, cuánto demora un cierre contable, cuántas horas se dedican a conciliar información. La aceleración de la IA no se traduce automáticamente en productividad; se traduce cuando hay un proceso claro detrás.
También conviene tener una conversación realista con el equipo. El informe de METR no dice que la IA reemplace a los investigadores de Anthropic; dice que los asiste. En una empresa peruana, eso se traduce en que la IA ayuda a un analista, a un contador, a un jefe de operaciones, pero no elimina la necesidad de revisar. La ventaja está en quien usa la herramienta para pensar mejor, no en quien la usa para escribir más rápido lo mismo de siempre.
Y hay un punto de gestión de riesgo. El informe menciona que el riesgo catastrófico de estos modelos fue considerado bajo y que la IA no puede reemplazar al personal de investigación de Anthropic. Eso es un alivio para el corto plazo, pero no resuelve la pregunta de fondo: si la IA acelera el desarrollo de IA, ¿qué pasa con la capacidad de las empresas para auditar lo que usan? La transparencia limitada del informe es un recordatorio de que conviene exigir claridad a los proveedores.
¿Cómo aplica esto en tu empresa?
El primer paso es medir antes de comprar. Antes de sumar una licencia nueva, elige tres procesos y documenta cuánto tardan hoy. Sin línea base, cualquier mejora parece grande y cualquier retroceso pasa inadvertido. El informe de METR usa benchmarks porque necesita comparar; tu empresa necesita sus propios indicadores.
El segundo paso es separar la asistencia de la autonomía. Usa la IA para que un humano decida mejor, no para que decida solo. En áreas como contabilidad, compras o atención al cliente, la revisión humana sigue siendo el control que evita errores costosos. La IA puede redactar un borrador de respuesta, pero la decisión de enviarlo sigue siendo del equipo.
El tercer paso es revisar el proceso, no solo la herramienta. Muchas veces el cuello de botella no es la IA, sino un flujo de aprobación con cinco firmas o un sistema que no se integra. Si quieres conversar sobre cómo medir el impacto real en tu operación, puedes contactar a Consultoría TI y revisar tu caso concreto.
El cuarto paso es mantener el escepticismo. Los números de este informe son autoreportados y parcialmente redactados. Úsalos como señal de tendencia, no como garantía. Si un proveedor te promete duplicar tu productividad, pide evidencia en tu propio contexto, con tus datos y tus procesos.
Preguntas Frecuentes
¿Qué es el informe METR sobre Anthropic?
Es una evaluación independiente publicada el 5 de noviembre de 2026 por METR, una organización sin fines de lucro que mide capacidades de modelos de frontera. El informe concluye que la capacidad de los modelos de Anthropic se está duplicando en velocidad de mejora respecto de la línea base previa a octubre de 2025, y que la mayor parte de esa aceleración probablemente proviene de la IA misma.
¿Qué es el Model 4 de Anthropic y por qué no está disponible?
El Model 4 es un modelo interno de Anthropic que nunca se ha publicado. Según el informe, terminó su entrenamiento entre septiembre y octubre de 2026, es el puntaje más alto del conjunto analizado y el primero en superar el 50% en los 15 benchmarks evaluados. No está disponible porque Anthropic lo mantiene dentro de la empresa, y el informe no revela su nombre interno.
¿Debe una empresa en Perú preocuparse por esta aceleración de la IA?
No debe entrar en pánico, pero sí revisar su calendario de adopción. La aceleración de la IA significa que las herramientas cambian más rápido y que una evaluación de proveedores puede quedar obsoleta en meses. La recomendación práctica es medir procesos propios, priorizar la asistencia a personas sobre la autonomía total y exigir transparencia a los proveedores.
Conclusión: ¿qué hacer con un informe que muestra la conclusión pero no la prueba?
El informe de METR deja una idea clara: la IA está empezando a acelerar la construcción de IA, y ese fenómeno no se explica solo por más chips. Para una empresa en Perú, la lección no es comprar más herramientas, sino medir mejor lo que ya hace y prepararse para un ritmo de cambio más rápido. La transparencia limitada del informe es una advertencia: conviene leer los números con cuidado y no tomar los autoreportes como resultados garantizados.
Si quieres revisar cómo se aplica esto a tu operación, en el blog de Consultoría TI encontrarás material de apoyo, y si prefieres una conversación directa sobre tu caso, puedes escribirnos desde la página de contacto. También puedes conocer ContentFlow, nuestra herramienta para generar contenido con IA.
Fuentes y Referencias
- TheAiGrid — Anthropic's Model 4 Just Shocked The AI Industry
- The Indian Express — How is Anthropic using AI to speed up its own development?
- TPS Report — Anthropic Model 4 Tops Opus 5.5 on AECI, METR Reports
- Stork.AI — Aceleración de la investigación en IA de Anthropic: lo que METR halló sobre Model 4
Por Edgar Vásquez, Consultoría TI · actualizado el 8 de noviembre de 2026
✨ Contenido generado con ContentFlow — Consultoría-Ti