Andrew Tulloch se une a Anthropic tras dejar Meta en menos de un año
Andrew Tulloch se une a Anthropic después de pasar aproximadamente 11 meses en Meta, según informes publicados el 10 de septiembre. El movimiento sigue sin ser confirmado por Tulloch, Meta o Anthropic. Sin embargo, su timing plantea un problema inmediato para la costosa campaña de contratación de talento de IA de Meta.
Tulloch regresó a Meta en octubre de 2025 después de cofundar Thinking Machines Lab junto a Mira Murati, exejecutiva de OpenAI. Su contratación atrajo una atención inusual porque, según informes, Meta le ofreció un paquete de compensación que podría superar los mil millones de dólares. Meta cuestionó las estimaciones más altas asociadas a ese paquete.
El reportado movimiento de Andrew Tulloch a Anthropic ahora invierte la narrativa que rodeó su llegada. Meta logró contratar a un ingeniero de sistemas muy respetado, pero aparentemente no consiguió retenerlo durante un año completo. Anthropic, por su parte, ganaría a un ingeniero cuya trayectoria abarca entrenamiento de modelos, infraestructura e inferencia a gran escala.
Ese giro importa más allá de la decisión laboral de un solo investigador. Meta ha tratado la contratación de talento de élite como una pieza central de su intento por cerrar la brecha con los laboratorios de frontera. Ahora, según informes, Anthropic está incorporando a una de las contrataciones más visibles de ese esfuerzo.
El movimiento reportado sigue sin confirmación oficial
El hecho central es una salida reportada, no un anuncio público confirmado de ninguna de las dos compañías.
The Wall Street Journal informó que Tulloch dejaba Meta para unirse a Anthropic, citando a personas familiarizadas con el asunto. Una salida reportada por separado indicó que había trabajado en Meta durante aproximadamente 11 meses.
El informe siguió a una versión anterior según la cual Tulloch había renunciado a Meta sin explicar públicamente su decisión. Meta declinó comentar sobre su salida, mientras que Tulloch no respondió a solicitudes de comentarios. Anthropic tampoco había anunciado públicamente su nombramiento cuando aparecieron los informes.
Estos detalles exigen un lenguaje cuidadoso. Según informes, Tulloch planea unirse a Anthropic, pero el cargo, la fecha de inicio, la línea de reporte y las condiciones laborales siguen sin revelarse. Una fuente dijo a una cobertura contemporánea que trabajaría en el equipo de inferencia y rendimiento de Anthropic.
La inferencia es el proceso de ejecutar un modelo de IA entrenado para producir respuestas para los usuarios. La ingeniería de rendimiento reduce el tiempo de cómputo, el uso de memoria y el gasto en hardware necesarios para ese proceso. Estas cuestiones se han vuelto críticas a medida que los laboratorios ofrecen modelos cada vez más capaces a bases de clientes más amplias.
Por tanto, el destino reportado encaja con la trayectoria técnica de Tulloch. Su sitio personal indica que trabajó en sistemas de aprendizaje automático en Meta y ayudó a entrenar GPT-4o, GPT-4.5 y o3 en OpenAI. También lo identifica como cofundador de Thinking Machines Lab.
Sin embargo, su propia biografía seguía listándolo en TBD Lab de Meta después de que surgieran los informes sobre su renuncia. Esa discrepancia no invalida los reportes. Muestra que el registro público disponible aún no se había actualizado al cambio laboral reportado.
La falta de confirmación también limita las conclusiones sobre su motivación. Ninguna fuente verificada ha establecido si Tulloch se fue por compensación, liderazgo, dirección de investigación, estructura organizativa u otro factor. Cualquier explicación tajante iría más allá de la evidencia.
La versión más defendible es más acotada. Meta contrató a Tulloch a finales de 2025 para su nueva organización de superinteligencia. Menos de un año después, medios consolidados informaron que había renunciado y que se trasladaría a Anthropic.
Esa secuencia crea la verdadera tensión del artículo. La campaña de contratación de Meta demostró que unos recursos enormes podían atraer a investigadores muy buscados. La salida reportada de Tulloch sugiere que esos recursos por sí solos no garantizaban una retención duradera.
Por qué el movimiento de Andrew Tulloch a Anthropic presiona a Meta
La salida reportada de Tulloch convierte una celebrada victoria de contratación en una prueba de la capacidad de Meta para conservar a líderes técnicos especializados.
Meta contrató a Tulloch para TBD Lab, una unidad dentro de Meta Superintelligence Labs dirigida por Alexandr Wang. La organización se convirtió en una parte central del esfuerzo de Mark Zuckerberg por reforzar la posición de Meta en IA avanzada.
Tulloch no era una incorporación cualquiera. Anteriormente pasó más de una década en Facebook y Meta, trabajando en infraestructura de aprendizaje automático. Más tarde se unió a OpenAI y ayudó a entrenar varios modelos destacados antes de cofundar Thinking Machines Lab.
Ese historial hizo que su regreso en 2025 fuera especialmente valioso para Meta. Ya comprendía la infraestructura y la cultura de ingeniería de la compañía. También aportaba experiencia reciente de OpenAI y de un nuevo laboratorio creado por antiguos líderes de OpenAI.
Un informe previo sobre su contratación señaló que Tulloch se unió a TBD Lab después de rechazar una oferta anterior. El mismo informe indicó que su paquete final fue inferior a la estimación más ampliamente difundida.
Meta rechazó públicamente las afirmaciones de que la oferta anterior podía alcanzar la cifra más alta reportada. La discrepancia importa porque las estimaciones de compensación dependían de incentivos, períodos de consolidación y una posible apreciación de las acciones. No equivalían a pagos inmediatos en efectivo.
Aun así, la cifra exacta importa menos que la estrategia que representaba. Meta estaba dispuesta a hacer ofertas muy inusuales a investigadores capaces de acelerar sus programas de modelos e infraestructura. Tulloch se convirtió en el símbolo más claro de ese enfoque.
Su salida reportada ahora ejerce presión sobre tres partes de la estrategia de Meta.
Primero, Meta debe preservar la continuidad dentro de TBD Lab. El desarrollo de modelos avanzados depende de un trabajo coordinado entre entrenamiento, datos, evaluación, inferencia y hardware. Perder a un ingeniero sénior de sistemas puede interrumpir esas conexiones incluso si el equipo más amplio permanece intacto.
Segundo, Meta debe proteger su reputación entre futuros candidatos. Los aspirantes evalúan más que la compensación. También consideran la autoridad técnica, el acceso a recursos informáticos, la estabilidad del liderazgo, la libertad de publicación y la probabilidad de que su trabajo llegue a los usuarios.
Tercero, Meta debe demostrar que su operación de IA reorganizada puede convertir la contratación en productos. Contratar investigadores destacados genera expectativas, pero usuarios y desarrolladores juzgan los modelos lanzados, su fiabilidad y sus capacidades útiles.
Según informes, Tulloch renunció cerca del lanzamiento de Muse, el agente de IA de Meta para completar tareas en línea. Otro informe afirmó que había esperado hasta que el producto se lanzara antes de irse. Esa afirmación no ha recibido confirmación pública de Tulloch ni de Meta.
Incluso si el momento es correcto, no establece por qué se fue. Sin embargo, sí crea un punto de transición claro. Un investigador puede ayudar a completar un lanzamiento y aun así decidir que otro laboratorio ofrece un mejor proyecto siguiente.
Por tanto, la salida de Andrew Tulloch de Meta presiona a la compañía en la etapa de retención, no solo en la de contratación. La empresa demostró que podía traerlo de vuelta. La pregunta sin resolver es por qué esa relación, según informes, duró menos de un año.
La victoria de contratación de Meta se convirtió en una oportunidad para Anthropic
El giro no es que Meta no lograra atraer a Tulloch, sino que Anthropic, según informes, lo contrató después de que Meta ya hubiera ganado esa competencia.
La búsqueda original de Meta se produjo durante una intensa competencia por investigadores de OpenAI, Google, Apple y laboratorios más nuevos. Zuckerberg participó personalmente en la contratación mientras Meta formaba su grupo de superinteligencia.
En el caso de Tulloch, Meta se acercó primero a un fundador de Thinking Machines Lab. Esa startup había reunido a un nutrido grupo de investigadores e ingenieros con experiencia en OpenAI, Meta, Mistral y otros laboratorios.
Según los informes de la época, Tulloch rechazó inicialmente la propuesta de Meta. Más tarde dejó Thinking Machines y regresó a Meta en octubre de 2025. Esa decisión pareció validar la persistencia de Meta y su disposición a estructurar una oferta excepcional.
El movimiento reportado a Anthropic cambia esa interpretación. Sugiere que ganar una competencia de contratación es solo el comienzo del problema de retención. Los laboratorios de frontera deben seguir dando a especialistas escasos razones para quedarse cuando se desvanece el anuncio de su incorporación.
Anthropic presenta una oportunidad distinta para alguien con la trayectoria de Tulloch. La compañía desarrolla modelos Claude y vende acceso a través de suscripciones para consumidores, interfaces para desarrolladores y productos empresariales. Una inferencia eficiente afecta directamente la velocidad, la fiabilidad y la economía de esos servicios.
Anthropic también ha construido una organización dedicada a la ingeniería de rendimiento. Una descripción oficial de su equipo de ingeniería de rendimiento indica que sus integrantes ayudaron a poner en marcha un clúster Amazon Trainium y lanzaron todos los modelos desde Claude 3 Opus.
Esa fuente no confirma el nombramiento de Tulloch. Sí establece que Anthropic trata la ingeniería de rendimiento como una función operativa vinculada a los lanzamientos de modelos. Esto hace que el cargo reportado parezca más plausible que una posición asesora sin definir.
El trabajo anterior de Tulloch también se alinea con este desafío. Fue coautor de una investigación que examinó cargas de trabajo de inferencia en centros de datos de Facebook. El artículo estudió características computacionales, optimizaciones de rendimiento e implicaciones de hardware para sistemas de aprendizaje automático desplegados.
Ese bagaje cruza una frontera cada vez más importante. La competencia en IA de frontera antes se centraba en gran medida en el entrenamiento de modelos y los resultados en benchmarks. El éxito comercial ahora también depende de servir esos modelos sin demoras ni gastos de cómputo excesivos.
Un modelo muy capaz puede seguir siendo difícil de desplegar si cada respuesta consume demasiada capacidad de hardware. La inferencia lenta frustra a los usuarios, mientras que la inferencia ineficiente limita la disponibilidad y presiona los márgenes.
Los ingenieros de rendimiento trabajan en compiladores, kernels, arquitecturas de modelos, planificación y utilización del hardware. Sus cambios pueden hacer que un modelo existente sea sustancialmente más fácil de operar sin entrenar un sistema completamente nuevo.
Tulloch también tiene experiencia con PyTorch, un framework ampliamente utilizado para crear y ejecutar modelos de aprendizaje automático. El artículo original sobre PyTorch describió un sistema que combina una interfaz familiar de Python con una aceleración eficiente por hardware.
Este perfil hace que el movimiento reportado sea estratégicamente relevante para Anthropic. La empresa no solo añadiría un nombre reconocible. Incorporaría a alguien con experiencia conectando modelos de investigación con grandes sistemas de producción.
El movimiento también ilustra cómo la experiencia circula entre un pequeño grupo de organizaciones. Tulloch trabajó en Meta, pasó a OpenAI, ayudó a crear Thinking Machines, regresó a Meta y ahora, según informes, planea unirse a Anthropic.
Cada transferencia conlleva conocimiento técnico, experiencia de gestión y relaciones profesionales. La información confidencial sigue protegida por contratos y la ley, pero la experiencia práctica continúa acompañando a cada persona.
Esa movilidad favorece a los laboratorios que ofrecen trabajo técnico convincente y un control significativo sobre la ejecución. También dificulta la retención para las empresas que tratan la contratación como una transacción concluida, en lugar de una responsabilidad organizativa continua.
La compensación no puede resolver la guerra por el talento en IA
Los grandes paquetes de contratación pueden cambiar la decisión de un ingeniero, pero no pueden alinear de forma permanente las prioridades de investigación, el liderazgo y las condiciones de trabajo.
El valor reportado de la oferta original de Meta dominó la cobertura porque parecía extraordinario incluso para los estándares de la industria tecnológica. Meta cuestionó la estimación más llamativa, y el paquete supuestamente dependía de varios años de incentivos.
Centrarse únicamente en esa cifra oculta el problema de gestión más difícil. Los investigadores de élite suelen elegir entre varios empleadores con recursos financieros considerables. Una vez que la compensación supera un umbral elevado, las condiciones técnicas pueden resultar decisivas.
Esas condiciones incluyen acceso a capacidad de cómputo, autoridad sobre la dirección de la investigación, composición del equipo y confianza en el liderazgo. También incluyen si el trabajo de ingeniería llega a los productos sin quedar paralizado por reorganizaciones.
La escala de Meta aporta ventajas reales. Opera grandes centros de datos, aplicaciones de consumo, sistemas publicitarios y programas de modelos abiertos. Un investigador puede influir en productos utilizados en una enorme red global.
Esa escala también puede generar complejidad. Las grandes organizaciones tienen prioridades contrapuestas, procesos formales de revisión y dependencias entre muchos equipos. Un laboratorio de reciente creación debe establecer autoridad mientras sigue utilizando la infraestructura de la empresa en general.
Anthropic ofrece un entorno diferente. Su negocio se centra en desarrollar y prestar Claude. Por tanto, el trabajo sobre el rendimiento de los modelos está cerca del producto principal de la empresa y de sus limitaciones comerciales.
Esto no demuestra que Anthropic ofrezca mayor autonomía o una mejor gestión. Ni Tulloch ni la empresa han explicado sus razones para incorporarse. El contraste solo identifica factores que los investigadores experimentados suelen evaluar.
El episodio también cuestiona la suposición de que una contratación famosa transfiere automáticamente una ventaja competitiva. Los modelos de IA surgen de equipos, infraestructura, procesos de datos y experimentos repetidos. Ninguna persona puede sustituir todos esos sistemas.
Un ingeniero sénior aún puede ejercer una influencia desproporcionada. Ciertos especialistas comprenden combinaciones poco comunes de comportamiento de modelos, sistemas distribuidos, diseño de compiladores y hardware de producción. Sus decisiones pueden ahorrar meses de trabajo o evitar costosos errores arquitectónicos.
Eso crea un mercado laboral difícil. Las empresas compiten intensamente por un grupo limitado de personas, pero los observadores externos no pueden medir fácilmente la contribución de cada individuo. Por ello, los informes públicos sobre compensación pueden fomentar conclusiones exageradas tanto sobre el valor como sobre el impacto.
La estrategia de Meta no debería juzgarse por una sola salida. La empresa ha contratado a otros investigadores destacados y sigue operando una gran organización de IA. La salida de Tulloch no demuestra que el programa más amplio haya fracasado.
Del mismo modo, la contratación reportada por Anthropic no garantiza lanzamientos más rápidos de Claude ni menores costes operativos. La integración lleva tiempo, y las mejoras de rendimiento dependen del equipo circundante. La empresa no ha anunciado un proyecto específico relacionado con Tulloch.
La interpretación escéptica es sencilla. La salida de Tulloch podría reflejar una decisión individual que revela poco sobre la situación general de Meta. Los empleados sénior cambian de organización por motivos personales, técnicos o contractuales que nunca se hacen públicos.
Un juicio más sólido requiere un patrón. Salidas adicionales de TBD Lab, productos retrasados, cambios de liderazgo o reorganizaciones repetidas harían más significativo el problema de retención. Lanzamientos estables y un equipo consolidado debilitarían esa interpretación.
Por ahora, el movimiento de Andrew Tulloch a Anthropic es una señal importante, no un veredicto definitivo. Expone los límites de usar los paquetes de contratación de titulares como prueba de una fortaleza organizativa duradera.
La verdadera competencia consiste en convertir investigadores en productos fiables
Meta y Anthropic compiten a través de las personas, pero los usuarios perciben el resultado mediante la calidad del producto, la velocidad, la disponibilidad y la confianza.
La historia laboral importa porque el papel reportado de Tulloch está cerca de un cuello de botella comercial. El entrenamiento de modelos genera nuevas capacidades. La inferencia determina si los clientes pueden usar esas capacidades de manera consistente a escala.
Los desarrolladores perciben la calidad de la inferencia a través de la latencia, los límites de tasa, los fallos y el comportamiento impredecible. Los compradores empresariales también consideran la seguridad, el manejo de datos, la disponibilidad del servicio y la estabilidad de las interfaces de los modelos.
Los trabajadores del conocimiento experimentan la misma competencia de otra manera. Les importa si un asistente puede procesar material complejo, preservar el contexto y completar tareas sin requerir correcciones frecuentes. Rara vez saben qué ingeniero mejoró los sistemas subyacentes.
Esto crea una brecha entre los titulares de contratación y el valor para el cliente. Una empresa puede anunciar un equipo impresionante sin ofrecer un producto fiable. Otra puede mejorar silenciosamente su infraestructura y ganar usuarios mediante un mejor rendimiento cotidiano.
Meta afronta esa competencia con distribución. Sus servicios ofrecen a la empresa muchos lugares para desplegar asistentes, sistemas de recomendación, herramientas de generación y agentes autónomos. Muse representa un intento de convertir modelos avanzados en finalización de tareas.
Anthropic la afronta a través de Claude y su plataforma para desarrolladores. Si Tulloch se incorpora al grupo de inferencia y rendimiento, su trabajo probablemente respaldaría los sistemas que entregan las respuestas de Claude. No se ha verificado públicamente ninguna asignación específica.
OpenAI y Google añaden presión desde direcciones diferentes. OpenAI mantiene un asistente ampliamente utilizado y un negocio para desarrolladores, mientras que Google combina investigación de frontera con infraestructura en la nube y servicios de consumo consolidados.
Thinking Machines también sigue siendo relevante. Representa la vía de las startups, donde investigadores experimentados pueden construir una nueva organización con menos restricciones heredadas. La salida de Tulloch hacia Meta mostró lo vulnerables que pueden ser esos equipos ante la contratación de empresas más grandes.
Su movimiento reportado de Meta a Anthropic muestra ahora que esa vulnerabilidad también opera a la inversa. Los grandes balances no generan una propiedad permanente sobre la experiencia. Los investigadores siguen moviéndose hacia proyectos, equipos y estructuras organizativas que consideran atractivos.
Para los desarrolladores, esta movilidad puede afectar las hojas de ruta. Una salida concentrada podría retrasar un modelo, modificar una interfaz de programación de aplicaciones o redirigir la inversión en infraestructura. Sin embargo, un solo movimiento rara vez produce un cambio visible inmediato.
Por tanto, los compradores empresariales deberían evitar tratar las noticias de personal como un referente de producto. Las señales más útiles son la calidad de los lanzamientos, la fiabilidad del servicio, la documentación de seguridad, el soporte de migración y la capacidad del proveedor para mantener el rendimiento bajo demanda.
El mismo principio se aplica a los equipos que crean flujos de trabajo internos con IA. Los proveedores de modelos seguirán cambiando personal, políticas y nombres de productos. Las organizaciones necesitan conocimiento portátil y criterios de evaluación claros, en lugar de depender de la narrativa pública de un solo laboratorio.
Una base de conocimientos de IA con capacidad de búsqueda puede ayudar a los equipos a preservar decisiones, evaluaciones y lecciones de despliegue ante cambios de proveedor. Esa conexión importa cuando las capacidades de los modelos y los proveedores evolucionan rápidamente.
Aun así, la especialización de Tulloch hace que la contratación reportada sea más significativa que una transición ejecutiva genérica. La eficiencia de la inferencia determina con qué frecuencia los clientes pueden usar un modelo y cuán económicamente un proveedor puede atenderlos.
Por tanto, la posible ganancia de Anthropic es práctica. La posible pérdida de Meta también lo es. La pregunta sin respuesta es si alguno de los dos efectos se vuelve visible en los lanzamientos de modelos, el rendimiento de los agentes o el comportamiento de la infraestructura.
Tres señales pondrán a prueba lo que realmente significa la salida
La próxima evidencia debería provenir de la estabilidad del equipo, el papel confirmado de Tulloch y los productos lanzados por ambas empresas.
La primera señal es una confirmación formal. Anthropic podría anunciar el nombramiento de Tulloch, mientras que Tulloch podría actualizar su biografía o perfil profesional. Una fecha de inicio y una asignación de equipo confirmadas resolverían la brecha inmediata de verificación.
La confirmación de un papel de inferencia reforzaría la idea de que Anthropic lo contrató para una prioridad operativa específica. Un papel diferente exigiría revisar esa interpretación. El silencio continuado dejaría detalles importantes dependientes de fuentes anónimas.
Los lectores también deberían observar si Meta habla de la salida. La empresa podría nombrar un sustituto, reorganizar las responsabilidades de Tulloch o simplemente continuar sin comentarios públicos. Cualquier respuesta debería evaluarse por las acciones, no por la retórica de contratación.
La segunda señal es la estabilidad del personal dentro de TBD Lab de Meta. Una salida no define a una organización. Varias salidas sénior en un periodo breve aportarían pruebas más sólidas de problemas relacionados con liderazgo, dirección o retención.
El resultado contrario importa igual. Si Meta retiene a sus otros contratados destacados y sigue entregando los sistemas previstos, la salida de Tulloch parecerá más aislada. La estrategia de la empresa seguiría siendo costosa, pero no necesariamente inestable.
La información sobre futuras ofertas de contratación también merece escrutinio. Las estimaciones de compensación suelen combinar salario, acciones, incentivos y supuestos optimistas sobre futuros precios de las acciones. Los titulares pueden hacer que los paquetes contingentes parezcan pagos garantizados.
La tercera señal es el rendimiento de los productos y la infraestructura. Meta debe demostrar que su organización de superinteligencia puede producir agentes y modelos que los usuarios adopten. Anthropic debe demostrar que las incorporaciones a su equipo de rendimiento mejoran la entrega de Claude a escala.
Las pruebas útiles incluyen menor latencia, capacidad ampliada, menos interrupciones del servicio y nuevos modelos que mantienen el rendimiento bajo una demanda intensa. Las afirmaciones de las empresas deberían compararse con pruebas independientes y la experiencia de los clientes.
Muse proporciona un punto de referencia a corto plazo para Meta. El momento reportado de la renuncia de Tulloch situó su salida cerca del lanzamiento de ese producto. Las futuras actualizaciones mostrarán si el agente se convierte en una plataforma sostenida o sigue siendo un lanzamiento limitado.
Los próximos lanzamientos de Claude de Anthropic proporcionan la prueba correspondiente. Si Tulloch se une al equipo de rendimiento, la atribución inmediata seguiría siendo inapropiada. El trabajo de infraestructura suele tardar meses antes de que los usuarios puedan observar sus efectos.
La palabra clave principal asociada a esta historia, Andrew Tulloch se une a Anthropic, describe un cambio laboral reportado. Su importancia duradera depende de si ese cambio produce consecuencias organizativas o de producto medibles.
Esa distinción protege frente a dos errores opuestos. Uno es descartar los movimientos de personal como chismes cuando los ingenieros especializados pueden influir en sistemas críticos. El otro es asumir que una contratación determina el resultado de la competencia por la IA de frontera.
Para Meta, el desafío inmediato es retener al equipo reunido mediante su campaña de contratación. Para Anthropic, el desafío es convertir una incorporación experimentada en una entrega de modelos más rápida, eficiente y fiable.
Para los lectores, la mejor respuesta es seguir la evidencia después del titular. Estén atentos a un nombramiento confirmado, más cambios dentro de TBD Lab y mejoras observables en los productos de ambas empresas.
Esas señales establecerán si se trató simplemente de un cambio profesional notable o de una transferencia significativa de impulso técnico. Hasta entonces, Andrew Tulloch se une a Anthropic sigue siendo un informe creíble con una importante brecha de verificación y unas apuestas estratégicas inusualmente elevadas.
