METR pasó 11 semanas dentro de Anthropic. El número es 1.9, y la mayor parte de la evidencia está tachada.

METR publicó este mes una evaluación independiente sobre si la IA está acelerando la investigación en IA, basada en once semanas de un acceso inusual dentro de Anthropic. La estimación principal es que el progreso medido de capacidades de Anthropic ha avanzado a alrededor de 1.9 veces su ritmo anterior desde un punto de cambio en octubre de 2025, con un intervalo de confianza del 95 por ciento de 1.5 a 2.8.
En términos de índice: unos 15 puntos AECI al año antes, unos 29 después. Son dos años de progreso histórico comprimidos en uno. METR compara la magnitud con el salto de Claude 2.1 a Sonnet 4.5.
El segundo titular es que alrededor del 80 por ciento de la aceleración es atribuible al uso de IA en la propia investigación de Anthropic. El tercero es que Anthropic tachó la mayor parte de la evidencia que METR consideró más informativa.
Esas tres frases hay que leerlas juntas, y casi nadie las lee juntas.
Cómo era el acceso
Del 12 de agosto al 29 de octubre, un equipo de unas dos personas y media de tiempo completo tuvo acceso a métricas de preentrenamiento y RL, cifras de cómputo de entrenamiento, puntajes de benchmarks internos de modelos no publicados, análisis internos de aceleración, pronósticos de modelos y alrededor de quince entrevistas con investigadores de Anthropic, además de encuestas al personal. METR no recibió dinero de la empresa y trabajó en dispositivos de Anthropic por razones de seguridad.
El análisis cubrió tres modelos no publicados que terminaron su entrenamiento entre julio y octubre de 2026. Esa es la parte que lo hace distinto de toda evaluación externa anterior, que solo podía mirar modelos ya lanzados y benchmarks públicos.
METR también señala un hallazgo negativo que importa tanto como el positivo: tiene confianza en que la aceleración no se explica por un crecimiento más rápido del cómputo de entrenamiento. Algo en la forma en que se hace el trabajo cambió, más allá de cuánto hardware se le apuntó.
El 80 por ciento es un juicio, no una medición
No existe un instrumento que lea "cuánto de esta aceleración vino de la IA". METR combinó trayectorias de benchmarks, métricas de entrenamiento, entrevistas y encuestas, y llegó a una estimación de atribución.
El material de entrevistas es la parte más concreta. Un investigador le dijo a METR que el trabajo "ahora solo está limitado por ideas y cómputo, ya no por código". Otros reportaron que experimentos que antes tardaban uno o dos días en montarse ahora son casi gratis. En encuestas informales de Slack de octubre de 2026, el personal estimó que el último modelo interno los hacía unas doce veces más productivos. Para comparar, la misma medida rondaba 1.2 veces con Claude 3.7 Sonnet.
METR califica esas autoevaluaciones como evidencia muy floja, no representativa y propensa a exagerar la ganancia real. Doce veces es la clase de número que la gente reporta cuando una tarea que antes molestaba deja de molestar, y no sobrevive al contacto con un cronómetro.
Así que el estado honesto de la afirmación es: una parte grande, probablemente la mayoría, posiblemente el 80 por ciento, de una aceleración de 1.9 veces se remonta a la asistencia de IA. Cada palabra de esa frase está haciendo trabajo.
El umbral tiene un número, y ese es el problema
La Responsible Scaling Policy de Anthropic, versión 3.4, entró en vigor el 8 de julio de 2026. Nombra dos disparadores relacionados con la investigación automatizada: un sistema de IA capaz de reemplazar al personal de investigación de la empresa a un costo competitivo, o una duplicación del ritmo de progreso atribuible de manera plausible en buena parte a la automatización de la investigación o la ingeniería. La política define una duplicación como lograr en un año el progreso que de otro modo tomaría dos.
Una política que especifica un factor de dos crea una pregunta obvia cuando un auditor reporta 1.97. El informe público de Anthropic de agosto de 2026 decía que la aceleración era "menos que un factor de 2". Su propia versión interna sin tachar implica 1.97, según reportes sobre la evaluación. La empresa ha descrito cruzar el umbral como plausible. En una presentación del 2 de noviembre ante la Comisión de Bolsa y Valores de Estados Unidos, dijo que "podría cumplir de forma inminente" su propia definición de progreso dramáticamente acelerado.
METR juzgó por separado que es plausible que el umbral de alerta temprana ya se hubiera cruzado para el 15 de julio.
Lean esa secuencia otra vez, porque es extraña. Una empresa escribió una regla con un número adentro. Un auditor externo, con acceso interno, estimó un valor justo por debajo del número. Luego la empresa les dijo a los reguladores que podría estar a punto de cruzar el número. Nadie ha dicho que el umbral se cruzó.
Eso no es necesariamente evasión. Anthropic caracteriza el umbral como una alerta temprana más que como prueba de que llegó un riesgo severo, y dice que todavía no está en el desarrollo totalmente autónomo de sus sucesores. Se supone que un umbral de política que se dispara active salvaguardas, y la pregunta de cuáles es una pregunta real que no se puede responder en un comunicado de prensa.
Pero sí significa que el mecanismo actualmente produce declaraciones en lugar de acciones, y las declaraciones están cuidadosamente matizadas.
Las tachaduras son la historia
METR dice que Anthropic retuvo la mayor parte del material que los evaluadores encontraron más informativo, incluidos pronósticos de modelos futuros y análisis de cuellos de botella. Una parte planificada de la auditoría, que cubría cómo la empresa divide el cómputo entre investigación de capacidades y de seguridad, se canceló a mitad de camino.
La consecuencia es específica. El público no puede verificar la estimación. La cifra de 1.9 depende de la selección de benchmarks, de dónde se ubica el punto de cambio y de supuestos sobre la dificultad de las tareas. El propio análisis de sensibilidad de METR mueve la estimación entre 1.1 y 2.9 veces según esos supuestos.
Y hay un segundo número que recibe menos atención. Cuando METR comparó a Anthropic con modelos de frontera de todos los desarrolladores en lugar de con la historia propia de Anthropic, el ritmo estimado subió de unos 17 a 24 puntos por año, o 1.4 veces. METR sugiere que la diferencia podría reflejar que Anthropic está alcanzando desde atrás de la frontera, o diferencias en cuánto se ajustaron los modelos anteriores a los benchmarks.
1.9 para una empresa. 1.4 para el campo. Ambas son aceleraciones. Solo una está cerca de disparar una política escrita en torno a un factor de dos.
Qué haría esto verificable
La respuesta honesta es que nada en el material publicado permite a un externo reproducir el análisis, y eso es un rasgo estructural de evaluar a una empresa privada, no un defecto del trabajo de METR.
Qué podría cambiarlo: publicar la composición y los pesos del benchmark AECI, para que el índice signifique algo fuera del edificio. Liberar la metodología del punto de cambio. Dejar que un segundo evaluador vea el material tachado bajo los mismos términos. Y separar las dos preguntas que hoy están fundidas, que son si el progreso se aceleró y si la IA lo causó. La primera es medible. La segunda es inferencial.
También hay una pregunta que METR plantea y no responde. No encontró cuellos de botella que frenaran el ritmo en los próximos doce meses, lo que significa que una mayor aceleración es un riesgo vivo y no una cuestión resuelta. Si la tasa actual se mantiene y la composición continúa, el factor de dos deja de ser un umbral y se vuelve una descripción.
Para cualquiera fuera de los laboratorios, la conclusión práctica es más estrecha de lo que sugieren los titulares. La IA es actualmente un acelerante para investigadores humanos. No está haciendo investigación autónoma. La brecha entre esas dos afirmaciones es donde vive realmente toda la discusión de política, y el informe de METR, tachaduras incluidas, es la descripción más precisa de esa brecha que alguien haya publicado.
Artículos relacionados
Una hoja de cálculo comunitaria de toques que apaga la publicidad de los Android chinos
No toca el sistema, no desbloquea nada, no flashea nada. Solo mueve los interruptores que los fabricantes ya dejaron a la vista. El precio es una lista que alguien tiene que seguir escribiendo.
GPT Image 2.6 mantuvo el precio por token y subió la factura
GPT Image 2.6 mantiene cada tarifa por token de 2.5 y aun así cuesta más por imagen, porque buena parte del trabajo ocurre ahora en tokens de salida. Once días después del lanzamiento, la estructura de precios dice más que el ranking.
Alguien reconstruyó IDM desde fuera y anotó lo que no tocó
Una reimplementación en Rust de Internet Download Manager promete 5 veces la velocidad y 86 idiomas. El documento más interesante es el párrafo que explica cómo se construyó sin copiar nada.
Rune es un framework de UI en Rust creado para que un agente pueda comprobar su propio trabajo
Rune renderiza sin interfaz, vuelca su árbol de elementos y acepta entrada programada, lo que da a un agente de código una señal diffeable que una captura nunca ofrece. El framework está en prelanzamiento y no acepta pull requests.