Claude lidera el 26% del trabajo de I+D de Anthropic: qué mide realmente esa cifra y qué queda fuera

Del menos del 1% al 26% en pocos meses, según Anthropic

El 17 de septiembre de 2026, Anthropic hizo pública una medición que la mayoría de laboratorios de IA mantiene puertas adentro: qué parte de su propia investigación y desarrollo de modelos hace ya su propia IA. Según la compañía, Claude lideraba en agosto el 26% de su trabajo de I+D de modelos, frente a menos del 1% a comienzos del año; las fuentes difieren entre febrero y marzo como punto de partida. La cifra procede de lo que Anthropic llama el R&D Automation Index, y la propia empresa dice que planea publicar actualizaciones de forma periódica. Es un dato llamativo, y precisamente por eso conviene leerlo con la letra pequeña a mano.

Cómo está construido el índice

El índice usa una escala de niveles de automatización desarrollada por Epoch AI, que va de AL0, sin participación de IA, a AL5, donde la IA opera de forma totalmente autónoma sin nadie en el bucle. En el nivel AL3, «la IA colabora», el modelo se encarga de partes grandes de una tarea bajo dirección humana estrecha. En el AL4, «la IA lidera», el modelo puede completar la mayor parte de una tarea a partir de una instrucción de alto nivel, con una persona supervisando. El 26% corresponde al trabajo en el que Claude estaba en AL4 o por encima. Más del 90% del trabajo medido alcanzó al menos AL3, pero esa cifra incluye el 26%: no es una cantidad que se sume a la anterior.

Para construir la base de trabajo medida, Anthropic muestreó cada semana de julio de 2026 una parte del personal de los departamentos implicados en el desarrollo de modelos. Un agente de investigación de Claude revisó los registros de trabajo y la documentación interna, extrajo tareas concretas y las organizó en una jerarquía que después se congeló, de modo que las mediciones posteriores usen siempre la misma cesta de tareas. Cada categoría se ponderó por tiempo de persona: cada empleado aporta una unidad por semana, repartida a partes iguales entre las tareas que se le asocian.

Lo que la cifra no significa, y los detalles metodológicos que casi nadie cita

La lectura más extendida, «Claude está construyendo a su sucesor», es más grande que lo que dice el dato. «Lidera» significa que Claude puede completar la mayor parte de una tarea definida a partir de una instrucción de alto nivel mientras una persona supervisa el resultado. Anthropic informó de que ninguna de las categorías medidas alcanzó la autonomía total, y el propio índice no mide quién elige las prioridades de investigación ni quién decide qué se despliega.

Hay además tres matices metodológicos que rara vez aparecen en los titulares. El primero es que las puntuaciones de automatización las asignó el propio Claude, y según el análisis de The Rundown sus valoraciones coincidieron exactamente con las humanas solo el 59% de las veces. El segundo es que el índice es un prototipo autopublicado, con definiciones propias, sin verificación externa de las clasificaciones; los análisis más cuidadosos coinciden en que su valor dependerá de que se repita con definiciones estables y de que terceros puedan comprobarlo. El tercero es que la base es un conjunto congelado de tareas ya establecidas, así que no captura trabajo nuevo que la IA haga posible y que antes nadie hacía.

La parte de seguridad de la misma publicación

Junto al índice, Anthropic publicó dos mediciones más. La primera, sobre la supervisión de agentes: en agosto había alrededor de 30.000 agentes realizando tareas de investigación e ingeniería a la vez en su plataforma interna más usada, y según la compañía el 100% de sus acciones pasa por una monitorización en línea antes de ejecutarse. Sobre más de mil millones de decisiones analizadas en agosto, un 0,002% fue bloqueado, aproximadamente una de cada 47.000; el monitor posterior, que ingiere toda la actividad ya ejecutada, marca de uno a dos transcripciones de cada mil para revisión. La segunda medición trata de cómo se reparte el cómputo entre capacidad y seguridad. Todas son cifras de la propia empresa, y varios comentaristas señalan que no demuestran por sí solas que se detecte de forma fiable la mala conducta de un agente.

Por qué importa hoy

Para quien usa Claude en su trabajo diario, la publicación no exige cambiar nada, y varios analistas recuerdan que el consejo sigue siendo el de siempre: no meter información sensible sin necesidad en los prompts y verificar los resultados importantes. Para empresas que despliegan agentes, el dato sí aporta una pista práctica, que es la de los controles que la propia Anthropic dice aplicar a los suyos: límites claros de tarea, acceso restringido a sistemas de producción y a datos sensibles, aprobación humana para las acciones con consecuencias y pruebas documentadas. Lo que conviene mirar en los próximos meses no es la cifra del 26%, sino si el índice se repite con las mismas definiciones y si alguien ajeno a Anthropic puede auditarlo.

Hay además un contexto que ayuda a leer el momento de la publicación. Llega pocos días después de que el consejero delegado, Dario Amodei, pidiera a la industria «marcar el ritmo» del avance de la IA, y la cobertura posterior señala que la propia Anthropic anunció el 18 de septiembre una colaboración con Accenture, a través de su unidad Faculty, para evaluaciones y pruebas adversariales independientes. Según The Rundown, las reglas de acceso y de publicación de resultados de esa colaboración siguen sin cerrarse, y de ellas dependerá la independencia real de quienes evalúen. Otros actores del sector han respaldado públicamente la idea de marcar el ritmo, pero está por ver si esos apoyos se traducen en niveles comparables de acceso para evaluadores externos y en informes públicos equiparables entre laboratorios.

Para un lector que quiera juzgar por sí mismo esta clase de anuncios, hay tres preguntas útiles que este caso ilustra bien. Primera: quién define la escala y quién puntúa, porque una medición en la que el sujeto evalúa su propio trabajo necesita una contrastación externa antes de tomarse como hecho. Segunda: cuál es el denominador, es decir, con qué se compara ese 26%, porque una cesta de tareas congelada mide el progreso dentro de lo ya conocido, no el trabajo que aún no existe. Y tercera: quién puede repetir la medición sin depender de la empresa. Mientras esas tres respuestas sigan dentro de Anthropic, la cifra es una información valiosa, pero sigue siendo una declaración de parte.