La encuesta de expectativas sobre IA de Anthropic revela una brecha de 52 puntos entre el personal y el público
Anthropic ha publicado una encuesta con una división llamativa: el 91% de su personal espera que la IA logre un descubrimiento digno de un Nobel para 2030, frente al 39% de los adultos estadounidenses. La encuesta de expectativas sobre IA de Anthropic no muestra simplemente que los empleados sean más optimistas. Revela cuán diferente juzga la gente el futuro después de trabajar a diario con IA avanzada.
El desacuerdo se extiende mucho más allá de la investigación científica. Los empleados de Anthropic esperan que la IA realice una proporción mucho mayor de su trabajo, se extienda más rápido entre las empresas y genere mayores ganancias de productividad. Sin embargo, ambos grupos relacionan una mayor automatización laboral con un desempleo más elevado.
Eso crea el conflicto central. Las personas más cercanas a los modelos de frontera prevén un progreso extraordinario, pero su experiencia no es representativa de la economía en general. La encuesta recoge expectativas informadas de personas internas, no predicciones medidas de forma independiente.
Lo que realmente encontró la encuesta de Anthropic
La mayor división se refiere a la velocidad del progreso futuro, no a lo que la IA ya puede hacer.
Anthropic publicó su encuesta de expectativas sobre IA el 16 de octubre de 2026. Los investigadores Szymon Sacher, Tess Cotter, Charles I. Jones, Anton Korinek y Peter McCrory fueron autores del informe.
Morning Consult encuestó en línea a 10.980 adultos estadounidenses entre el 11 y el 23 de agosto. Las respuestas se ponderaron para representar a la población adulta nacional.
Anthropic encuestó por separado a 1.334 empleados entre el 9 y el 12 de agosto. Esa muestra interna no fue ponderada e incluyó personal de toda la empresa.
Los encuestados evaluaron ocho actividades, desde redactar correos electrónicos rutinarios hasta realizar un descubrimiento científico digno de un Nobel. Se les preguntó cuándo la IA realizaría cada actividad al nivel de un profesional cualificado.
Los dos grupos coincidieron en gran medida sobre las capacidades actuales de la IA. Cerca de una cuarta parte de ambas muestras creía que la IA ya podía diseñar, realizar y publicar estudios científicos.
Sus expectativas se separaron entonces de forma marcada. Nueve de cada diez empleados de Anthropic esperaban esa capacidad de investigación para 2027, frente al 38% del público.
La diferencia principal se refería a la ciencia digna de un Nobel. Para 2030, el 91% de los empleados esperaba que la IA lograra un descubrimiento de ese tipo. Solo el 39% de los adultos estadounidenses dio la misma respuesta.
Una encuesta de seguimiento a 7.613 adultos estadounidenses se realizó entre el 17 y el 24 de septiembre. En esa muestra, el 44% esperaba un descubrimiento digno de un Nobel para 2030.
Ese aumento no eliminó la brecha. Sí mostró que la estimación precisa del público depende en parte de la muestra y del momento.
La expresión “descubrimiento digno de un Nobel” también exige cautela. La pregunta mide si los encuestados esperan que la IA haga un descubrimiento de esa importancia. No define cuánta dirección humana, trabajo experimental o validación institucional estaría implicada.
Un resultado científico puede originarse en un sistema de IA y aun así requerir que equipos humanos lo verifiquen. La publicación, la replicación y el reconocimiento seguirían siendo etapas independientes.
El referente histórico ya no es hipotético. El Nobel de Química de 2024 reconoció a Demis Hassabis y John Jumper por la predicción de estructuras de proteínas mediante AlphaFold2.
Sin embargo, el éxito de AlphaFold no resuelve la cuestión planteada por la encuesta. El premio reconoció a investigadores humanos que desarrollaron un sistema de IA, en lugar de a un sistema autónomo que recibiera crédito por su propio descubrimiento.
Esa distinción importa porque los encuestados podrían interpretar de forma diferente la idea de que “la IA haga un descubrimiento”. Algunos podrían imaginar un modelo que formula y prueba una teoría de manera independiente. Otros podrían contar descubrimientos producidos por científicos humanos que usan herramientas de IA.
Por tanto, la encuesta de expectativas sobre IA de Anthropic identifica una brecha real de expectativas sin definir todos sus límites. El resultado se interpreta mejor como evidencia sobre creencias, no como un calendario verificado de logros científicos.
La brecha de expectativas sobre IA surge de la exposición diaria
Los empleados de Anthropic parecen extrapolar desde un entorno en el que la IA ya está integrada en el trabajo rutinario.
El uso de IA divide al público en grupos con previsiones notablemente diferentes. Cerca de una quinta parte de los adultos encuestados dijo utilizar IA habitualmente en el trabajo.
Entre esos usuarios habituales, el 56% esperaba que la IA dominara al menos siete de las ocho actividades encuestadas para 2030. La proporción correspondiente era del 41% entre todos los adultos estadounidenses.
Solo el 28% de las personas que nunca habían utilizado una herramienta de IA esperaba ese nivel de capacidad. Entre los empleados de Anthropic, la cifra alcanzó el 96%.
Esta progresión sugiere que la exposición directa modifica las expectativas. Las personas que usan IA con regularidad prevén más avances que quienes no la usan, aunque siguen teniendo menos confianza que el personal de Anthropic.
La experiencia no demuestra capacidad de previsión. Los usuarios frecuentes pueden observar capacidades que los usuarios ocasionales no han encontrado. También pueden generalizar en exceso a partir de tareas y entornos excepcionalmente favorables.
Anthropic representa un caso extremo. Sus empleados desarrollan modelos de frontera, reciben acceso temprano a sistemas internos y trabajan dentro de procesos diseñados en torno a esos sistemas.
La investigación sobre empleo relacionada de la empresa informó que, para agosto, las horas de agentes de IA interactivos superaban a las horas de los empleados en una proporción de seis a uno. Un agente de IA es un sistema que completa trabajo de varios pasos con supervisión limitada.
Anthropic también informó de una mayor producción de código por persona, más ventas cerradas por representante y más contratos legales procesados a medida que se expandía el uso de agentes. Estos hallazgos procedían de los propios datos laborales de la empresa.
Ese entorno difiere drásticamente de un hospital, una empresa constructora, un distrito escolar o un minorista regional. La mayoría de las organizaciones carecen de modelos, soporte técnico, flujos de trabajo e incentivos equivalentes.
La adopción también depende de más factores que la capacidad técnica de un sistema para realizar una tarea. Las empresas deben integrarlo con sus datos, asignar responsabilidades, supervisar errores y satisfacer a clientes y reguladores.
Los adultos encuestados reconocieron esas barreras. El obstáculo seleccionado con mayor frecuencia fue que los clientes preferirían tratar con otra persona.
La privacidad y la seguridad quedaron justo detrás, seguidas por una fiabilidad insuficiente y las restricciones legales o regulatorias. Los encuestados podían elegir hasta tres obstáculos.
Los usuarios habituales en el trabajo situaron la privacidad y la seguridad en primer lugar. Esa respuesta cuestiona la idea de que la familiaridad simplemente genera un optimismo sin reservas.
Las personas pueden sentirse más impresionadas por las capacidades de la IA y, al mismo tiempo, ser más conscientes de los riesgos de despliegue. La experiencia directa revela tanto la velocidad como la fricción.
Sin embargo, los empleados de Anthropic pronosticaron una adopción más amplia. Esperaban que la IA se utilizara para el 65% de las tareas que pudiera realizar para 2030.
Los adultos estadounidenses esperaban que las empresas utilizaran IA para el 42% de las tareas técnicamente adecuadas. Esta brecha de 23 puntos se refiere a la difusión, no a la capacidad bruta de los modelos.
Esa diferencia podría resultar más importante económicamente que la cuestión del Nobel. Un único descubrimiento histórico atraería atención, pero una adopción generalizada transformaría millones de flujos de trabajo cotidianos.
Por tanto, la brecha de expectativas sobre IA no es simplemente una cuestión de personas internas frente a externas. Es un desacuerdo sobre la rapidez con la que la capacidad técnica se vuelve aceptada, fiable y rutinaria.
La encuesta de expectativas sobre IA de Anthropic pone el empleo en el centro
Los empleados más cercanos a los modelos avanzados esperan una automatización mucho mayor de su propio trabajo, no solo avances en campos científicos lejanos.
En promedio, los empleados de Anthropic esperaban que la IA realizara el 75% de sus horas de trabajo actuales para 2030. Los encuestados estadounidenses empleados dieron una estimación media del 28%.
Más de la mitad del personal de Anthropic esperaba que la IA gestionara al menos el 80% de su trabajo. Solo el 5% de los trabajadores estadounidenses tenía esa expectativa.
Incluso los trabajadores tecnológicos permanecían muy por debajo de la previsión interna. Los encuestados de ocupaciones de informática, ingeniería y ciencia esperaban que la IA realizara el 33% de sus horas de trabajo.
Los usuarios habituales de IA en esas ocupaciones estimaron un 40%. Era una cifra superior a la media pública, pero seguía 35 puntos por debajo de los empleados de Anthropic.
El contraste plantea una pregunta difícil para los empleadores. Si el personal de Anthropic tiene razón en términos generales, muchas organizaciones están subestimando la rapidez con la que cambiará el trabajo del conocimiento.
Si el público está más cerca de la realidad, las expectativas de los laboratorios de frontera podrían reflejar un lugar de trabajo inusual que no puede reproducirse en toda la economía.
La automatización laboral con IA también tiene dos significados distintos. Un sistema puede sustituir una tarea por completo, o puede realizar la mayor parte del trabajo mientras una persona revisa el resultado.
En general, el personal de Anthropic esperaba que la IA trabajara sola o produjera resultados para la revisión humana en 2030. Cuatro de cada diez adultos estadounidenses esperaban, en cambio, que las personas conservaran la mayor parte del trabajo.
Esa diferencia afecta tanto a la productividad como al empleo. La revisión humana puede aumentar la producción sin eliminar al trabajador, pero también puede reducir la cantidad de personas necesarias.
La encuesta encontró un área importante de coincidencia. Los encuestados que esperaban que la IA realizara una mayor parte de su propio trabajo también predijeron un desempleo más alto.
Los trabajadores estadounidenses que esperaban que la IA realizara menos de la mitad de su trabajo pronosticaron un desempleo de entre el 7% y el 8% en 2030. Quienes esperaban al menos un 80% de automatización pronosticaron un 12,2%.
Cada diez puntos porcentuales adicionales de exposición laboral esperada se asociaban con un aumento de 0,4 puntos en el desempleo previsto. Los empleados de Anthropic mostraron una relación similar.
Por tanto, los grupos no parecen utilizar teorías completamente distintas sobre el mercado laboral. Principalmente discrepan sobre cuánto trabajo podrá llegar a realizar la IA.
Ese matiz separa la encuesta de una simple historia de optimismo frente a pesimismo. Los empleados de Anthropic esperan capacidades más sólidas, pero también relacionan esas capacidades con una mayor presión sobre el mercado laboral.
Las propias previsiones de su empresa añaden otro giro. El noventa y cinco por ciento esperaba que la plantilla de Anthropic creciera durante los siguientes 12 meses.
El encuestado mediano esperaba un crecimiento de plantilla del 66%, mientras que el 27% esperaba que la fuerza laboral al menos se duplicara. Anthropic subrayó que se trataba de expectativas personales, no de planes oficiales de contratación.
La automatización y el empleo pueden crecer a la vez dentro de una empresa en expansión. Una mayor productividad puede reducir costes, crear demanda y desplazar a los trabajadores hacia nuevas responsabilidades.
Ese resultado es menos seguro en industrias maduras. Un desarrollador de IA de rápido crecimiento puede incorporar personal mientras automatiza tareas porque su mercado se está expandiendo rápidamente.
Un bufete de abogados, una aseguradora o un proveedor de servicios administrativos podría enfrentarse a una ecuación diferente. Si la demanda se mantiene estable, una mayor producción por empleado crea una presión más fuerte para reducir la contratación.
Los estudios anteriores sobre el lugar de trabajo ofrecen una comparación más mesurada. Un estudio de campo del NBER examinó un asistente de IA generativa utilizado por 5.179 agentes de atención al cliente.
Los investigadores encontraron ganancias medias de productividad, con mayores beneficios para los trabajadores menos experimentados. El resultado mostró que la IA puede difundir prácticas eficaces sin sustituir una ocupación completa.
Ese patrón difiere de los cambios laborales internos de Anthropic. La empresa informó que los puestos técnicos junior se habían convertido en una proporción menor de las contrataciones a medida que se expandía el uso de agentes.
Un contexto sugiere que la IA puede ayudar a los recién llegados a cerrar brechas de experiencia. El otro sugiere que los empleadores podrían necesitar menos trabajadores junior para tareas con una fuerte carga de implementación.
Ambas cosas pueden ser ciertas. La IA podría aumentar la productividad de las personas ya contratadas y, al mismo tiempo, reducir la demanda de nuevos empleados de nivel inicial.
Esa posibilidad convierte las vías de acceso al mercado laboral en una preocupación central. Las empresas no pueden generar trabajadores con experiencia indefinidamente si eliminan los puestos donde esa experiencia comienza.
El conocimiento interno es valioso, pero no neutral
El personal de Anthropic dispone de información especialmente relevante, pero su encuesta sigue siendo un sondeo interno condicionado por la selección, los incentivos y la experiencia compartida.
Los empleados de un laboratorio de frontera observan comportamientos de los modelos que el público no puede ver fácilmente. Trabajan con herramientas internas y comprenden el ritmo de la investigación.
Sus previsiones merecen atención por ese motivo. Desestimarlas como entusiasmo corporativo ordinario descartaría información potencialmente útil.
Sin embargo, la proximidad crea sus propios sesgos. Las personas eligen trabajar en Anthropic, en parte, porque creen que la IA avanzada importa.
Los empleados también comparten redes profesionales, narrativas internas y ejemplos cotidianos de uso exitoso de IA. Estas influencias pueden hacer que sus creencias estén más correlacionadas de lo que sugiere el número de encuestados.
La encuesta al personal no fue ponderada. Recogió respuestas de 1.334 empleados de toda la empresa, pero el informe no los presenta como representativos de los investigadores de IA en general.
La muestra pública tiene una limitación distinta. Morning Consult reclutó participantes voluntarios en línea, excluyendo a adultos sin acceso a internet.
La ponderación demográfica puede mejorar la representatividad nacional. No puede corregir por completo las diferencias entre quienes se unen a paneles en línea y quienes no lo hacen.
Las preguntas sobre el futuro también se dividieron entre 2027 y 2030 para la muestra pública. A todos los empleados de Anthropic se les preguntó por 2030.
Los autores informaron las respuestas de 2030 salvo indicación contraria. Aun así, los lectores deben recordar que algunas estimaciones públicas proceden de solo una parte de la muestra total.
Las cifras económicas más ambiciosas de la encuesta requieren cautela adicional. Los investigadores trasladaron las respuestas sobre capacidad, adopción, autonomía, productividad y transición de los trabajadores a un modelo económico.
La respuesta mediana del público produjo un escenario con un crecimiento del PIB del 5,4 % en 2030. La respuesta mediana de los empleados produjo un crecimiento del 17,1 %.
Se trata de escenarios implícitos en el modelo, no de previsiones económicas directas. El ejercicio traduce un conjunto de creencias mediante supuestos establecidos por los economistas de Anthropic.
Una muestra pública de seguimiento implicó un crecimiento del 5,6 %, lo que sugiere cierta estabilidad en el resultado público. El escenario mucho mayor del personal sigue siendo sensible a cómo interactúan los datos de entrada del modelo.
El personal de Anthropic también estimó que la IA ya realizaba una mediana del 51 % del trabajo necesario para construir un modelo de frontera de principios de 2026. Esperaban un 80 % para finales de 2027 y un 95 % para 2030.
Estas cifras eran estimaciones de empleados, no mediciones auditadas. Anthropic afirmó explícitamente que no constituían una previsión de la empresa.
Definir el denominador es difícil. El «trabajo necesario para construir un modelo» puede incluir programación, experimentos, trabajo con datos, evaluaciones, infraestructura, gestión y criterio de investigación.
Un empleado podría contabilizar la producción asistida por IA como trabajo realizado por la IA. Otro podría contabilizarla como trabajo humano completado con una herramienta mejor.
La encuesta no elimina esa ambigüedad. En cambio, muestra que el personal de Anthropic percibe que la IA ya contribuye de forma importante al desarrollo de modelos.
Esa creencia tiene consecuencias estratégicas incluso si las estimaciones resultan demasiado elevadas. Los equipos diseñarán flujos de trabajo, planes de contratación y programas de investigación en función de lo que esperan que los sistemas hagan después.
Las creencias pueden volverse parcialmente autorreforzantes. Una organización que espera una automatización rápida invierte más en agentes, generando experiencia que hace más plausible una automatización aún más rápida.
Esto no significa que la creencia sea errónea. Significa que la previsión sobre IA del personal de Anthropic refleja tanto observación como compromiso institucional.
Por ello, los lectores deberían resistirse a dos conclusiones fáciles. La primera es que los empleados poseen un mapa secreto y preciso del futuro.
La segunda es que sus opiniones son mera promoción. La evidencia respalda una interpretación más útil: el personal aporta una señal informada, pero altamente seleccionada.
La ciencia de nivel Nobel es una referencia, no un atajo para predecir
Una comparación con el Nobel refleja ambición, pero el descubrimiento científico depende de sistemas de validación que la encuesta no mide.
La IA ya influye en la investigación científica mediante la predicción de proteínas, el diseño molecular, la revisión bibliográfica, la programación, la simulación y la planificación experimental. Estas aplicaciones hacen plausible la pregunta científica de la encuesta.
Sin embargo, un resultado de nivel Nobel implica más que producir una respuesta novedosa. Los investigadores deben demostrar que el resultado es correcto, significativo, reproducible y está conectado con el registro científico existente.
Los experimentos físicos suelen seguir siendo esenciales. Un modelo puede proponer una molécula, un mecanismo o un teorema, pero la propuesta puede fracasar bajo el escrutinio de un laboratorio o de la revisión por pares.
Las instituciones científicas también asignan el crédito de manera lenta y desigual. Un descubrimiento realizado por un equipo humano-IA podría dar lugar a años de debate sobre la atribución.
La encuesta pregunta por la capacidad con independencia de si las empresas la desplegarán. Esto aísla las expectativas sobre lo que la IA puede hacer, pero elimina muchas restricciones del mundo real.
El acceso a datos propietarios, equipos de laboratorio, capacidad de cómputo y revisores expertos puede determinar si una hipótesis útil se convierte en un descubrimiento validado.
Un modelo podría resolver un difícil problema de razonamiento sin transformar la ciencia. A la inversa, un sistema limitado podría transformar un campo sin parecerse a un científico autónomo general.
AlphaFold demuestra esta distinción. Resolvió un desafío de larga data en la predicción de estructuras proteicas y se convirtió en una herramienta de investigación ampliamente utilizada.
Su importancia surgió de una combinación de algoritmos, datos de entrenamiento, ingeniería humana, evaluación y adopción por parte de científicos. El sistema de IA no operó fuera de esa estructura institucional.
Por tanto, la respuesta del 91 % podría representar varias expectativas distintas. Algunos empleados pueden anticipar agentes de investigación autónomos, mientras que otros esperan que equipos habilitados por IA produzcan resultados dignos de premios.
Estos escenarios conllevan consecuencias distintas para el empleo y las políticas públicas. Un sistema autónomo de descubrimiento plantearía cuestiones sobre supervisión, atribución y control.
Un asistente de investigación muy eficaz pondría mayor énfasis en el acceso, la formación y la manera en que los científicos organizan su trabajo. Podría aumentar la demanda de experiencia experimental e interpretativa.
La encuesta agrupa estas posibilidades bajo una referencia memorable. Eso hace que el resultado sea fácil de comunicar, pero menos preciso como herramienta de planificación.
Las organizaciones deberían centrarse en capacidades intermedias observables. Estas incluyen si los sistemas formulan hipótesis comprobables, diseñan experimentos válidos, detectan sus propios errores y reproducen resultados.
También deberían seguir si laboratorios independientes pueden verificar hallazgos asistidos por IA. Un resultado anunciado por un desarrollador de modelos tiene menos peso que uno reproducido en otro lugar.
El progreso científico y la automatización del trabajo no deben tratarse como tendencias idénticas. Los modelos pueden llegar a ser excelentes en tareas de investigación acotadas y, al mismo tiempo, seguir siendo poco fiables en entornos empresariales cotidianos.
También es posible lo contrario. La IA podría automatizar grandes cantidades de trabajo de oficina sin lograr un hito científico singular digno de reconocimiento mundial.
La encuesta de expectativas sobre IA de Anthropic vincula estos resultados mediante una visión más amplia de rápido crecimiento de capacidades. La evidencia deberá validar cada vía por separado.
Tres señales mostrarán qué previsión está más cerca
Las pruebas independientes de capacidad, la adopción en lugares de trabajo fuera de los laboratorios de IA y la contratación de nivel inicial determinarán si la visión interna se generaliza.
La primera señal es una producción científica verificada de forma independiente. Una prueba creíble consistiría en que un sistema de IA produjera un resultado novedoso que expertos externos pudieran reproducir.
Los anuncios de los desarrolladores de modelos seguirán siendo pistas útiles. No resolverán si los sistemas pueden realizar de forma fiable trabajo de nivel descubrimiento.
La replicación también aclarará el papel de los investigadores humanos. La evidencia más sólida describiría quién formuló la pregunta, diseñó las pruebas, interpretó los resultados y corrigió los errores.
Esto importa porque el titular sobre el nivel Nobel comprime una larga cadena de investigación en un único resultado. Una mejor cobertura debería separar la contribución de la IA de la validación institucional.
La segunda señal es la adopción medida en organizaciones comunes. Las empresas deben demostrar que los agentes pueden generar mejoras sostenidas bajo restricciones reales de seguridad, fiabilidad y cumplimiento normativo.
Las demostraciones breves son insuficientes. La evidencia debería seguir la calidad de los resultados, las tasas de error, el tiempo de supervisión y los costes operativos totales durante meses.
Los casos más informativos procederán de sectores que carecen de la concentración técnica de Anthropic. La administración sanitaria, las operaciones financieras, la educación, la logística y los servicios profesionales merecen especial atención.
La investigación entre empresas también revelará si la IA transforma el trabajo colaborativo. Un gran experimento en el lugar de trabajo detectó reducciones en el tiempo dedicado al correo electrónico sin cambios comparables en las reuniones.
Ese patrón sugiere que las tareas individuales pueden cambiar antes de que las organizaciones rediseñen la coordinación. Los efectos económicos amplios requieren ambas etapas.
La tercera señal es la contratación de nivel inicial. La investigación relacionada de Anthropic sobre el lugar de trabajo indica que los puestos técnicos junior se han convertido en una proporción menor de su contratación.
Si el mismo cambio aparece entre empleadores, la automatización de los lugares de trabajo mediante IA afectará las estructuras profesionales antes de producir desempleo masivo. Menos puestos iniciales estrecharían la vía hacia el trabajo avanzado.
Observe las ofertas de empleo, las proporciones de contratación, las tasas de promoción y la demanda de los empleadores por habilidades que exigen criterio. Estas medidas pueden revelar cambios estructurales antes de que respondan las cifras nacionales de empleo.
Una caída en la contratación junior reforzaría la previsión interna de Anthropic, especialmente si la producción total sigue aumentando. Una contratación estable debilitaría las afirmaciones de que la experiencia de los laboratorios de frontera predice la economía en general.
Para los trabajadores del conocimiento, la respuesta práctica no es aceptar el calendario exacto de ninguno de los grupos encuestados. Es vigilar qué partes de un trabajo se convierten en tareas de IA verificables.
Documentar decisiones, fuentes y contexto de los proyectos será más importante a medida que los agentes asuman encargos más largos. Una base de conocimiento de IA con capacidad de búsqueda puede ayudar a los trabajadores a preservar la información necesaria para revisar esos resultados.
La brecha de expectativas se reducirá mediante evidencia, no mediante argumentos. Los empleados de Anthropic ganarán credibilidad si resultados independientes reproducen su experiencia laboral y científica.
La previsión pública parecerá más sólida si la adopción se estanca por la confianza, la integración o la fiabilidad. También ganará respaldo si los sistemas avanzados siguen requiriendo una supervisión experta intensiva.
Por ahora, la lección más clara de la encuesta es que la exposición cambia las creencias más rápido que el consenso. El personal de Anthropic observa un rápido crecimiento de capacidades porque trabaja dentro de una organización con una intensidad de IA inusualmente alta.
Los adultos estadounidenses ven más fricción porque viven dentro de instituciones donde siguen importando los clientes, las leyes, la seguridad y los procesos establecidos. Ambas perspectivas captan parte de la transición probable.
La pregunta para el próximo año es concreta: ¿empezará la evidencia de la ciencia independiente y de los lugares de trabajo comunes a parecerse al entorno interno de Anthropic, o seguirá muy por detrás?
