La auto-mejora de Claude de Anthropic se acelera, pero los humanos aún eligen el destino
Anthropic afirma que Claude ya lidera el 26 % de su investigación y desarrollo de modelos, pese a no liderar nada de ese trabajo en febrero de 2026. Ese fuerte incremento convierte la auto-mejora de Claude de Anthropic en algo más que un eslogan provocador. La empresa sostiene que su modelo puede completar grandes encargos a partir de instrucciones de alto nivel, aunque los humanos todavía supervisan el trabajo.
La revelación lleva una tendencia conocida de programación a un terreno más trascendente. Claude no se limita a ayudar a los ingenieros a crear aplicaciones. Cada vez más, escribe infraestructura, ejecuta experimentos, analiza resultados y revisa cambios utilizados para desarrollar futuros modelos Claude.
Anthropic denomina a este avance un paso hacia la auto-mejora recursiva, en la que un sistema de IA contribuye a crear un sucesor más capaz. Sin embargo, sus pruebas también exponen la barrera que aún persiste. Claude ejecuta rápidamente trabajos definidos, mientras las personas siguen decidiendo qué problemas importan y si los resultados merecen confianza.
Esa distinción sitúa la afirmación de Anthropic entre dos interpretaciones contrapuestas. Una describe un ciclo de desarrollo acumulativo que se acelera con cada generación de modelos. La otra describe una automatización avanzada que opera dentro de una agenda de investigación que los humanos aún controlan.
La auto-mejora de Claude de Anthropic ya alcanza la I+D de modelos
El cambio importante no es que Claude escriba código. Es que Claude ahora lidera partes sustanciales del trabajo detrás de su sucesor.
Anthropic reveló la cifra del 26 % el 17 de septiembre de 2026. La empresa define «liderar» como completar la mayor parte de una tarea a partir de una instrucción de alto nivel, permaneciendo bajo supervisión humana. Según la empresa, Claude no lideró ninguno de los trabajos medidos de investigación y desarrollo en febrero.
Para agosto, esa proporción había alcanzado aproximadamente una cuarta parte. Anthropic también afirma que cerca del 90 % de su investigación y desarrollo de modelos ya implica colaboración con Claude. En esa categoría más amplia, el modelo completa grandes partes del trabajo bajo una estrecha dirección humana.
Estas dos cifras miden distintos niveles de delegación. El 90 % incluye trabajos en los que una persona permanece estrechamente involucrada. El 26 % abarca encargos en los que Claude asume una mayor responsabilidad en la ejecución tras recibir el objetivo.
La distinción importa porque ninguna de las cifras significa que Claude opere de forma independiente. El modelo no elige los objetivos corporativos de Anthropic, no aprueba su propio despliegue ni controla el proceso completo de entrenamiento. Los investigadores humanos aún plantean los problemas, asignan recursos, examinan los resultados y autorizan decisiones relevantes.
Aun así, el cambio reportado es inusualmente rápido. La revelación inicial indica que Claude pasó de no tener participación de liderazgo al 26 % en seis meses. Esa trayectoria, más que el porcentaje actual por sí solo, explica la atención.
Anthropic divide el desarrollo de modelos de frontera entre ingeniería e investigación. La ingeniería incluye escribir software, mantener infraestructura y supervisar sistemas de entrenamiento. La investigación incluye seleccionar experimentos, interpretar resultados y decidir qué ideas merecen más pruebas.
Claude se ha involucrado profundamente en ambas categorías. En tareas de ingeniería, Anthropic afirma que las personas proporcionan cada vez más objetivos sin prescribir cada paso de implementación. En tareas de investigación, Claude puede ejecutar experimentos bien definidos y recomendar acciones posteriores.
Un incidente concreto ilustra la diferencia entre la finalización ordinaria de código y la ingeniería delegada. Una actualización rutinaria había comenzado a provocar fallos en decenas de miles de trabajos de entrenamiento. Un ingeniero proporcionó a Claude contexto y acceso al clúster afectado.
Claude probó configuraciones del entorno, aisló una marca de depuración poco conocida, reprodujo el fallo y confirmó una solución. Anthropic afirma que la investigación llevó unas dos horas. La empresa estima que un ingeniero humano normalmente necesitaría dos o tres días.
Esto no es creación autónoma de modelos. Aun así, es significativo porque la infraestructura de entrenamiento afecta directamente a la rapidez con la que un laboratorio puede probar y mejorar modelos. Reducir días de depuración a horas ofrece a los investigadores más oportunidades para ejecutar experimentos y corregir fallos.
Por ello, el relato de investigación de la empresa describe un papel humano más reducido, no su desaparición. Claude gestiona cada vez más la implementación y la experimentación. Las personas conservan la autoridad sobre la dirección, la evaluación y las decisiones de lanzamiento.
Ese límite define la tensión central. Anthropic ha presentado pruebas de una rápida automatización dentro del desarrollo de IA, al tiempo que documenta el criterio humano que impide que el proceso se vuelva autodirigido.
Las cifras de programación muestran por qué Anthropic está dando la alarma
La contribución de Claude se vuelve más trascendente cuando la generación de código, la revisión y la experimentación empiezan a reforzarse mutuamente.
A mayo de 2026, Anthropic afirma que Claude fue autor de más del 80 % del código integrado en su base de código. Antes de que Claude Code entrara en vista previa de investigación en febrero de 2025, esa proporción se mantenía en los dígitos bajos.
La empresa también informa de un gran aumento en la producción de ingeniería. Durante el segundo trimestre de 2026, su ingeniero típico integró diariamente ocho veces más código que en 2024. Anthropic atribuye gran parte de ese aumento a que los ingenieros dirigen y revisan a Claude, en lugar de escribir cada cambio.
Las líneas de código son una medida imperfecta de productividad. Más código puede generar costes de mantenimiento, duplicar funciones existentes u ocultar un diseño deficiente. Anthropic reconoce explícitamente que el aumento de ocho veces casi con seguridad exagera la mejora real de productividad.
Sin embargo, el volumen de producción es solo una parte de su argumento. Anthropic afirma que las tasas de intervención han disminuido en las sesiones de Claude Code. Según los informes, los ingenieros corrigen, redirigen o toman el control del modelo con menos frecuencia que hace un año.
En las tareas de ingeniería más abiertas de Anthropic, la tasa de éxito reportada de Claude alcanzó el 76 % en mayo de 2026. Eso representó un aumento de 50 puntos porcentuales en seis meses. Un evaluador basado en Claude determinó si las sesiones completaban las tareas asignadas sin necesitar correcciones.
Esa metodología merece cautela. Un modelo interno que evalúa a otro modelo no ofrece la misma garantía que una evaluación independiente. La composición de las tareas también puede cambiar con el tiempo, complicando las comparaciones entre tasas mensuales de éxito.
No obstante, Anthropic informa que el código escrito por Claude se acercó a la calidad del código escrito por humanos dentro de la empresa durante 2026. Las opiniones del personal no fueron unánimes. La empresa afirma que muchos empleados consideraban peor el código de Claude a finales de 2025, pero aproximadamente comparable a mediados de 2026.
La revisión automatizada añade otra capa al ciclo. Anthropic ahora utiliza Claude para inspeccionar cambios de código propuestos en busca de defectos y vulnerabilidades de seguridad. Un análisis retrospectivo de la empresa concluyó que tales revisiones habrían detectado alrededor de un tercio de los errores detrás de incidentes anteriores en producción.
Esto crea un ciclo de desarrollo con IA en ambos lados. Una sesión de Claude escribe o modifica código. Otra revisa el cambio propuesto. Los humanos examinan el resultado, deciden si debe llegar a producción e investigan los casos en que las comprobaciones automatizadas discrepan.
El patrón se extiende más allá de la programación. Anthropic probó modelos en una tarea de optimización que implicaba código para entrenar un pequeño sistema de IA. El objetivo era mejorar la velocidad sin incumplir comprobaciones de corrección predeterminadas.
Claude Opus 4 produjo una aceleración media de tres veces en mayo de 2025, según Anthropic. Un modelo interno llamado Mythos Preview logró aproximadamente una aceleración de 52 veces en abril de 2026. La empresa afirma que un investigador humano cualificado normalmente necesitaba entre cuatro y ocho horas para alcanzar una mejora de cuatro veces.
Estas cifras muestran por qué Anthropic presenta la tendencia como una aceleración y no como simple automatización. Una implementación más rápida permite más experimentos. Más experimentos producen evidencia adicional, que puede orientar el diseño de modelos y herramientas posteriores.
Los propios datos de la empresa siguen siendo la fuente principal de estas afirmaciones. Ningún auditor externo ha reproducido sus etiquetas internas de tareas, juicios de éxito o cálculos de productividad. Los lectores deberían tratar la tendencia reportada como evidencia relevante, no como una ley del progreso establecida de manera independiente.
Incluso con esa limitación, es difícil descartar la dirección del cambio. Claude pasó de sugerir fragmentos a editar repositorios, operar herramientas, depurar sistemas activos y ejecutar ciclos experimentales. Cada paso transfiere otra parte del desarrollo de IA de la ejecución manual a la delegación supervisada.
El verdadero cuello de botella se desplaza de la ejecución al criterio
Claude está reduciendo el coste de realizar investigación, pero no ha eliminado la necesidad de decidir qué investigación merece realizarse.
Las pruebas más sólidas de Anthropic se refieren a la ejecución. Si se le da a Claude un objetivo medible, acceso a herramientas relevantes y una forma de probar los resultados, el modelo puede explorar muchas soluciones posibles. Esto convierte la implementación de investigación en un proceso iterativo más rápido.
El problema más difícil es fijar la dirección. Los investigadores deben elegir preguntas que hagan avanzar las capacidades, mejoren la seguridad o resuelvan incertidumbres importantes. También deben reconocer pruebas comparativas engañosas, evaluaciones contaminadas y soluciones que solo funcionan en condiciones limitadas.
Anthropic describe el criterio de investigación como una ventaja humana persistente. Esto incluye seleccionar problemas valiosos, decidir qué evidencia es creíble y abandonar enfoques que han llegado a un callejón sin salida. Esas decisiones dan forma a todo el proceso de desarrollo.
La empresa ha probado si Claude puede recomendar mejores pasos siguientes durante investigaciones realistas. Los investigadores seleccionaron 129 momentos en los que un humano había tomado un desvío improductivo durante trabajos anteriores. Distintos modelos Claude propusieron entonces lo que debía suceder después.
Un modelo Claude independiente comparó esas recomendaciones con el resultado final. Según se informa, Opus 4.5 de Anthropic superó la elección humana original en el 51 % de los casos durante noviembre de 2025. Mythos Preview alcanzó el 64 % en abril de 2026.
El resultado sugiere una mejora del juicio táctico, pero no establece un liderazgo independiente en investigación. Anthropic seleccionó deliberadamente momentos en los que la decisión humana original tenía margen de mejora. Un modelo con acceso a la sesión completada también actuó como evaluador.
Por tanto, el experimento mide si Claude puede desenvolverse en puntos de decisión seleccionados. No demuestra que Claude pueda definir un programa de investigación, reconocer sus consecuencias más amplias o decidir cuándo debe desplegarse un nuevo modelo.
Un proyecto separado probó una autonomía más amplia en la investigación sobre seguridad de IA. Varios agentes Claude investigaron si un modelo más débil podía supervisar a uno más fuerte. Generaron hipótesis, realizaron experimentos, compartieron hallazgos y ajustaron su enfoque.
Anthropic afirma que dos investigadores humanos recuperaron alrededor del 23 % de la brecha entre supervisión débil y fuerte durante aproximadamente una semana. Los agentes recuperaron el 97 % mediante 800 horas acumuladas de trabajo y recursos informáticos sustanciales.
Sin embargo, la empresa identificó restricciones importantes. Los humanos eligieron la pregunta y diseñaron el sistema de puntuación. El resultado no se trasladó limpiamente a modelos a escala de producción. Esas salvedades separan un impresionante ciclo experimental del descubrimiento científico autónomo.
El mismo patrón aparece en el uso cotidiano de Claude Code. El análisis de uso de Anthropic concluyó que los usuarios toman alrededor del 70% de las decisiones de planificación en una sesión típica. Claude toma cerca del 80% de las decisiones de ejecución.
Esa división ofrece una descripción más clara que “la IA se construye a sí misma”. Por lo general, las personas deciden qué debe ocurrir. Claude decide cada vez más cómo llevar a cabo la instrucción, a veces mediante largas cadenas de lectura de archivos, edición de código, pruebas y ejecución de comandos.
La experiencia en el dominio sigue siendo importante porque alguien debe reconocer un resultado plausible pero incorrecto. Un contador puede dirigir un script de conciliación al comprender las normas contables. Un ingeniero de infraestructura puede determinar si una solución propuesta crea un riesgo operativo inaceptable.
A medida que la ejecución se abarata, el criterio adquiere más valor. Los investigadores pueden supervisar más experimentos, pero también se enfrentan a más resultados que requieren evaluación. El cuello de botella se desplaza, no desaparece.
Este cambio afecta a la forma en que los equipos técnicos organizan el trabajo. Escribir código pasa a ocupar una parte menor del puesto. La especificación, la revisión, el diseño de sistemas, la verificación y la rendición de cuentas ocupan una proporción mayor.
Las propias evaluaciones de contratación de Anthropic se han encontrado con esta transición. La empresa afirma que los ingenieros de rendimiento siguen abordando decisiones difíciles de depuración y diseño, incluso cuando Claude resuelve pruebas convencionales de programación. Sus hallazgos de evaluación muestran que las evaluaciones representativas se vuelven más difíciles cuando la IA puede completar las partes mecánicas.
El desafío práctico consiste en mantener la experiencia cuando las personas realizan menos implementación directa. Los revisores necesitan suficiente comprensión para detectar errores ocultos. Sin embargo, la delegación constante puede reducir la experiencia práctica que desarrolla esa comprensión.
Ese es el aspecto humano aún no resuelto de la auto-mejora de Anthropic Claude. Un modelo más rápido puede ampliar lo que supervisa cada investigador. También puede hacer que los sistemas de investigación sean más difíciles de comprender por completo para una sola persona.
La afirmación de Anthropic presiona a todos los laboratorios de IA de frontera
Si las mediciones de Anthropic son correctas en términos direccionales, los laboratorios competidores deben igualar tanto la aceleración como la transparencia que la rodea.
OpenAI, Google DeepMind, Meta y otros desarrolladores de frontera utilizan internamente herramientas de programación con IA. Sus métodos exactos y niveles de delegación difieren, pero todos afrontan el mismo incentivo competitivo. Un laboratorio que realiza más experimentos útiles puede mejorar los modelos con mayor rapidez.
La contribución reportada de Claude otorga a Anthropic una posible ventaja de retroalimentación. Los mejores modelos realizan más trabajo de ingeniería. Ese trabajo mejora la infraestructura y la experimentación, lo que ayuda a producir el siguiente modelo.
El proceso no necesita autonomía total para importar desde el punto de vista competitivo. Los investigadores humanos pueden seguir eligiendo objetivos mientras la IA multiplica su capacidad de ejecución. Anthropic denomina a esto aceleración acumulativa, incluso sin un ciclo de auto-mejora completamente cerrado.
Esa dinámica presiona a los competidores para desplegar agentes con mayor agresividad. Esperar una fiabilidad perfecta implica un coste de oportunidad cuando otra empresa puede probar más ideas, reparar infraestructura más rápido y reducir el tiempo entre generaciones de modelos.
La carrera resultante crea un problema de gobernanza. Cada laboratorio controla la evidencia interna que muestra cuánto se ha automatizado el desarrollo de modelos. Los observadores externos no pueden comparar fácilmente la “colaboración”, el “liderazgo”, el éxito de las tareas, la calidad del código o la productividad de los investigadores entre empresas.
Anthropic ha instado a otros desarrolladores a publicar mediciones comparables. Sostiene que los métodos comunes ayudarían al público a comprender cuán cerca están los laboratorios de la auto-mejora recursiva. La presentación periódica de informes también podría revelar si las curvas de crecimiento actuales continúan o se aplanan.
El anuncio reportado llegó mientras los líderes de Anthropic también pedían un desarrollo de frontera más lento. Esa combinación crea una contradicción inevitable.
Anthropic acelera su propia investigación con Claude mientras advierte que la aceleración podría volverse difícil de controlar. La presión competitiva ayuda a explicar por qué la empresa no deja simplemente de utilizar la tecnología.
Una contención unilateral podría dejar atrás a un laboratorio prudente sin ralentizar el campo en general. Las normas coordinadas podrían reducir esa desventaja, pero requieren acuerdo entre empresas y gobiernos con intereses económicos y estratégicos diferentes.
Por tanto, la divulgación cumple varios propósitos. Informa al público, refuerza el argumento de seguridad de Anthropic y promociona las capacidades de Claude. Esos objetivos pueden coexistir, pero los lectores deben reconocer cada uno de ellos.
Los competidores también tienen motivos para cuestionar el planteamiento de Anthropic. Una alta proporción de código escrito por IA no mide directamente la inteligencia del modelo. El volumen de código dice poco sobre si Claude originó una idea de investigación valiosa o simplemente implementó una especificación detallada.
Los distintos laboratorios pueden categorizar el trabajo de manera diferente. Una empresa podría etiquetar una sesión de depuración liderada por un agente como liderazgo de investigación. Otra podría contabilizar la misma tarea como una herramienta de ingeniería utilizada por un investigador humano.
Un estándar de medición compartido tendría que separar planificación, ejecución, verificación y autorización. También necesitaría auditorías independientes. Sin esos controles, las empresas podrían publicar porcentajes impresionantes que seguirían siendo imposibles de comparar.
La presión más amplia se extiende más allá de los laboratorios de modelos. Los líderes de ingeniería empresarial se preguntarán si el flujo de trabajo interno de Anthropic se aplica a ellos. Muchos desarrollarán sistemas similares que conecten agentes de programación con repositorios, pruebas, herramientas de despliegue y datos operativos.
La respuesta depende de la calidad de la verificación. Anthropic desarrolla modelos y emplea especialistas capaces de revisar fallos inusuales. Una empresa sin experiencia comparable puede automatizar la producción de código más rápido de lo que mejora su capacidad para evaluar ese código.
Por tanto, el resultado generado por IA puede ampliar las diferencias entre organizaciones. Los equipos con pruebas sólidas, documentación, observabilidad y prácticas de revisión pueden delegar con mayor seguridad. Los equipos con bases débiles corren el riesgo de producir errores a mayor velocidad.
Esta es también la razón por la que importa un contexto institucional consultable. Un agente necesita acceso a requisitos, decisiones anteriores y restricciones técnicas. Una base de conocimiento de IA mantenida puede ayudar a las personas a examinar el razonamiento en torno al trabajo delegado, aunque no puede sustituir la validación técnica.
Para los compradores empresariales, el anuncio de Anthropic no es una orden de automatizarlo todo. Es evidencia de que el desarrollo asistido por IA está pasando de sugerencias individuales a flujos de trabajo supervisados. La cuestión competitiva se refiere a cuánta responsabilidad puede verificar una organización, no solo a cuánto puede delegar.
Lo que las cifras de Anthropic aún no demuestran
Anthropic ha mostrado una asistencia que se expande rápidamente, pero no ha demostrado que un modelo diseñe, entrene y apruebe de manera independiente a su sucesor.
La frase “se construye a sí mismo” condensa varias actividades distintas. Escribir código de aplicación difiere de seleccionar una arquitectura de modelo. Ejecutar un experimento difiere de decidir si su resultado respalda una inversión importante en entrenamiento.
Según Anthropic, Claude realiza trabajo significativo en todo ese espectro. Sin embargo, las personas aún proporcionan objetivos, criterios de evaluación, acceso a infraestructura y autoridad de lanzamiento. Esos controles impiden que el proceso actual se califique como auto-mejora recursiva plena.
La calidad de la medición es otra preocupación. La mayoría de las cifras centrales proceden de los sistemas internos de Anthropic. La empresa creó las categorías de tareas, recopiló las sesiones y evaluó muchos resultados con jueces basados en Claude.
Los jueces de modelos pueden procesar grandes conjuntos de datos de manera consistente, pero pueden heredar puntos ciegos de los sistemas que evalúan. Una sesión puede parecer exitosa porque las pruebas se aprobaron, aun cuando introduzca problemas de mantenimiento, seguridad o arquitectura fuera del alcance de las pruebas.
La autoría del código es igualmente ambigua. Claude podría generar un archivo completo tras una amplia planificación humana. Como alternativa, un investigador podría proporcionar un objetivo breve mientras el modelo determina la implementación. Ambos archivos cuentan como escritos por IA, aunque representan niveles distintos de independencia.
La cifra de producción multiplicada por ocho también mide código integrado, no valor económico verificado. Un ingeniero que genera más código puede resolver más problemas. El mismo ingeniero también podría crear más trabajo de revisión y sistemas más grandes que se vuelven costosos de mantener.
La investigación independiente ofrece un contexto útil sin resolver las afirmaciones internas de Anthropic. Un artículo de trabajo de 2026 examinó 7,8 millones de commits coautorados con Claude y un panel de 5.838 desarrolladores. El estudio asoció la adopción con trabajo en más repositorios y tecnologías.
Su estudio sobre desarrolladores sugiere que los agentes de programación pueden ampliar la gama de tareas que las personas intentan realizar. Sin embargo, la actividad pública de GitHub no mide la investigación interna de modelos de Anthropic ni demuestra una mejora recursiva.
La fiabilidad también varía según la tarea. Los problemas estructurados con pruebas claras favorecen la iteración automatizada. Las preguntas de investigación abiertas a menudo carecen de una puntuación objetiva, lo que permite que conclusiones plausibles pero débiles persistan durante más tiempo.
La computación y la infraestructura física imponen límites adicionales. Los agentes más rápidos pueden proponer y ejecutar más experimentos, pero entrenar modelos de frontera requiere chips, energía, capacidad de red y datos gestionados cuidadosamente. La inteligencia no es el único recurso escaso.
La revisión humana puede convertirse en un cuello de botella a medida que crece la producción. Si Claude genera cambios más rápido de lo que los especialistas pueden examinarlos, Anthropic debe ralentizar el despliegue o depender más de la evaluación automatizada.
Eso crea un problema circular de verificación. Claude escribe código, otro Claude lo revisa y sistemas basados en Claude juzgan si las tareas tuvieron éxito. Los especialistas humanos siguen siendo el respaldo final, pero su visibilidad puede disminuir a medida que la cadena automatizada se alarga.
La seguridad eleva la importancia de la cuestión. Un agente con acceso a repositorios, clústeres y comandos puede resolver problemas operativos difíciles. Ese mismo acceso aumenta las consecuencias de un razonamiento defectuoso, un contexto comprometido o instrucciones manipuladas.
Las organizaciones que adopten flujos de trabajo similares necesitan permisos restringidos, registros completos, pruebas reproducibles y rutas de escalación claras. También necesitan personas que sigan siendo responsables de los cambios en producción, independientemente de quién haya generado el código.
La propia Anthropic no afirma que Claude haya cruzado el umbral de autonomía. Su argumento más defendible es que la distancia se está reduciendo. La ejecución de ingeniería se ha automatizado en gran medida, mientras que el criterio de investigación muestra una mejora temprana pero limitada.
Esa afirmación es lo suficientemente importante sin exagerarla. Un sistema no necesita convertirse en un científico independiente antes de cambiar la velocidad y la economía del desarrollo de IA.
Tres señales mostrarán si el ciclo realmente se está cerrando
La siguiente etapa depende de cambios medibles en el liderazgo de investigación, la validación independiente y el control humano sobre decisiones trascendentes.
La primera señal es la participación de Claude en el liderazgo de investigación y desarrollo de modelos. Anthropic informó de un aumento desde cero en febrero hasta el 26% en agosto de 2026. Las futuras divulgaciones deberían mostrar si esa curva continúa, se estabiliza o se invierte.
Un aumento continuo reforzaría el argumento de la aceleración acumulativa, especialmente si las tareas se vuelven menos especificadas. Una estabilización sugeriría que la implementación mejoró más rápido que el criterio de investigación. Un descenso podría indicar cambios de medición, asignaciones más difíciles o problemas de fiabilidad.
La definición de liderazgo debe mantenerse estable. De lo contrario, un porcentaje más alto podría reflejar trabajo recategorizado en lugar de una mayor independencia. Anthropic debería publicar ejemplos de ingeniería, experimentación, interpretación y planificación estratégica.
La segunda señal es la replicación independiente. Los evaluadores externos necesitan acceso a tareas representativas, criterios de puntuación y resultados sin recibir secretos sensibles del desarrollo de modelos. Las pruebas comparables entre laboratorios serían más informativas que porcentajes aislados de una empresa.
La replicación debe examinar la calidad del código a lo largo del tiempo, no solo la finalización de tareas. Debe medir defectos, problemas de seguridad, carga de mantenimiento y la frecuencia de la intervención humana. Las tareas de investigación deben comprobar si los agentes eligen direcciones productivas antes de conocer los resultados finales.
La evidencia independiente reforzaría o debilitaría la explicación de Anthropic. Resultados similares entre distintos evaluadores y entornos respaldarían la afirmación de un cambio amplio de capacidades. Grandes diferencias mostrarían que los flujos de trabajo internos o las decisiones de evaluación impulsan buena parte del rendimiento informado.
La tercera señal es cómo Anthropic gestiona la supervisión humana a medida que crece la producción. La empresa ya identifica la revisión como un posible cuello de botella. Su respuesta revelará si las personas conservan un control significativo o si cada vez aprueban más decisiones mediante resúmenes automatizados.
Hay que observar los cambios en los requisitos de revisión, los controles de acceso, los procedimientos de despliegue y los informes de incidentes. También hay que observar si Claude empieza a elegir objetivos de investigación en lugar de limitarse a implementarlos.
Un cierre genuino del ciclo exigiría más que un porcentaje más alto de autoría de código. Claude tendría que proponer líneas de investigación valiosas, diseñar evaluaciones creíbles, interpretar evidencia ambigua y mejorar a su sucesor con orientación humana limitada.
Incluso entonces, la autorización sigue siendo independiente de la capacidad. Un modelo podría llegar a ser técnicamente capaz de dirigir más investigación mientras Anthropic preserva deliberadamente la aprobación humana. Las decisiones de gobernanza determinarán si la autonomía potencial se convierte en autonomía operativa.
Para los desarrolladores, la lección inmediata es práctica. La programación está desplazándose hacia la especificación, la orquestación, las pruebas y la revisión. Los ingenieros que comprenden los sistemas en profundidad pueden delegar más, al tiempo que reconocen cuándo la salida segura de un agente es errónea.
Los compradores empresariales deberían preguntar qué miden los proveedores cuando afirman realizar trabajo autónomo. Las tasas de finalización por sí solas no bastan. Los compradores necesitan evidencia sobre supervisión, reversiones, defectos, auditabilidad y responsabilidad tras los fallos.
Los trabajadores del conocimiento afrontan una transición similar. La IA puede ejecutar más tareas, pero las personas siguen necesitando un contexto fiable y un registro de las decisiones importantes. Las herramientas de combinación de conocimiento resultan útiles cuando ayudan a los usuarios a rastrear la evidencia, en lugar de limitarse a generar otra respuesta.
La automejora de Anthropic Claude es, por tanto, real en un sentido limitado pero trascendental. Claude ya acelera el trabajo de ingeniería y experimentación que produce modelos Claude posteriores. La empresa no ha demostrado que un sistema autónomo construya de forma independiente a su sucesor.
La brecha entre esas afirmaciones es donde se desarrollará el próximo capítulo. Siga el porcentaje de liderazgo, exija validación independiente y examine quién sigue tomando decisiones irreversibles. Si esas tres señales avanzan juntas, “la IA construyendo IA” describirá un sistema operativo, no un titular.
La pregunta para toda organización ya no es si la IA puede producir más trabajo. Es si las personas pueden verificar ese trabajo, preservar la experiencia necesaria para cuestionarlo y seguir siendo responsables a medida que se expande la cadena automatizada.
