METR confirma que Anthropic acelera ×2 su I+D con ayuda de su propia IA, justo cuando su CEO pide frenar

Por The Seattle Times (AP) · 5 de noviembre de 2026.

Anthropic está desarrollando sus sistemas de IA aproximadamente al doble de velocidad que hace un año, según un análisis publicado este jueves por Model Evaluation and Threat Research (METR), una organización sin ánimo de lucro con sede en Berkeley. La conclusión llega mientras la compañía se prepara para su salida a bolsa, que podría ser la mayor de la historia, prevista para este mes según la información de AP.

METR estima que Anthropic mejora las capacidades de sus modelos en «tareas bien especificadas» al doble de ritmo que un año antes. Sus investigadores atribuyen buena parte de esa aceleración a la propia IA: Anthropic ha dicho que Claude ayuda cada vez más a construir versiones más avanzadas de sí mismo.

El estudio se basa en unas 11 semanas de datos internos, de mediados de agosto a finales de octubre, y en entrevistas con empleados. METR afirma que tuvo «acceso sin precedentes» a datos internos. También revisó el informe de riesgos que Anthropic publicó en agosto y una versión privada, y concluye que la versión pública «en general subestima el nivel de aceleración» que se estaba produciendo.

Hay dos matices técnicos importantes. El primero: METR dice poder descartar «con confianza» que la causa sea más cómputo (la potencia de cálculo usada para entrenar). El segundo: no encontró «cuellos de botella», ni de cómputo ni de datos, que frenen el avance de Anthropic. El propio informe reconoce que la IA aún no hace contribuciones plenamente autónomas y de gran calado a las partes más críticas del entrenamiento, aunque investigadores de Anthropic describen «señales de vida» de que podría ocurrir pronto. METR advierte además que podría estar sobrestimando el efecto, porque la aceleración quizá se limite a esas tareas bien definidas.

El contexto aumenta el contraste. En un ensayo del 12 de septiembre, el CEO Dario Amodei pidió al sector «reducir el ritmo al que mejoramos las capacidades de los modelos» para que las medidas de seguridad lo alcancen. En ese mismo texto defendió colocar evaluadores externos dentro de los laboratorios punteros y citó a METR como ejemplo adecuado. Sam Altman, de OpenAI, dijo entonces que también apoyaba evaluadores independientes con acceso similar al de un empleado.

Sam McCandlish, cofundador y responsable de escalado responsable de Anthropic, respondió en X que muchas conclusiones de METR coinciden con las suyas: «la IA acelera nuestra investigación, pero es difícil decir cuánto exactamente». Reconoció que las redacciones en el informe dificultan que otros «comprueben el trabajo de METR», pero justificó no detallar qué impulsa la aceleración por ser «comercialmente sensible» y por el riesgo de «dar una hoja de ruta» a la competencia. Según AP, esas redacciones limitaron lo que METR pudo comunicar sobre estimaciones más detalladas.

**Nuestra lectura.** La tesis: lo relevante no es la contradicción retórica, sino que por fin tenemos una medición externa de algo que hasta ahora solo contaban los propios laboratorios. Que un tercero con acceso a datos internos confirme el efecto —y que además diga que la comunicación pública lo infravaloraba— es un precedente útil de auditoría: contrastar lo que dicen con lo que se puede verificar.

La paradoja con Amodei es menos hipócrita de lo que parece, pero tampoco inocua. Pedir frenar de forma coordinada para todo el sector mientras tú compites es un dilema clásico de acción colectiva: si tú frenas solo, pierdes. Aun así, un incentivo de salida a bolsa y una aceleración al doble empujan en la dirección contraria al discurso. Conviene no leer esto como mala fe, sino como prueba de que la gobernanza voluntaria tiene límites estructurales.

El dato más importante es el que no se ve: sin cuellos de botella visibles y con la IA mejorando a la IA, el riesgo es que el bucle se componga. De momento es una estimación con muchas cautelas, limitada a tareas bien especificadas, y la opacidad parcial del informe impide replicarla. Hay que distinguir capacidad demostrada de aspiración: las contribuciones plenamente autónomas de la IA a su propio entrenamiento siguen siendo una señal, no un hecho.

En general, la IA que acelera su propio desarrollo es también el camino hacia lo que defendemos a largo plazo: curas más rápidas, abundancia, trabajo liberado. Pero ese horizonte solo es luminoso si el ritmo de la capacidad no se desacopla del de la supervisión. A corto plazo, lo sensato es exigir más de esto: evaluadores independientes, acceso real a datos y menos redacciones. Quien gana es la gobernanza basada en evidencia; quien pierde, el argumento de «confíen en nosotros».