La empresa publicó métricas internas sobre automatización, agentes y cómputo de seguridad. Los datos abren una ventana poco habitual, pero todavía no cuentan con auditoría independiente.

Una cifra llamativa que necesita contexto

Anthropic afirmó el 17 de septiembre de 2026 que Claude “lidera” el 26% del trabajo medido de investigación y desarrollo de inteligencia artificial dentro de la empresa. También señaló que más del 90% de ese trabajo alcanza al menos un nivel en el que la IA colabora con personas, mientras que ninguna categoría medida llegó a la autonomía completa.

El dato puede sonar como si Claude ya estuviera construyendo por sí solo a su sucesor. Eso no es lo que demuestra el informe. La publicación de Anthropic presenta un índice interno, basado en una taxonomía propia y modelos de la compañía. No es una auditoría independiente ni una comparación directa con otros laboratorios.

Associated Press y The Washington Post informaron sobre la divulgación y su relevancia pública. Esa cobertura corrobora que la empresa publicó las cifras; no verifica por separado los datos internos ni la clasificación de cada tarea.

Cómo construyó Anthropic su índice de automatización

La empresa adoptó una escala de seis niveles, de AL0 a AL5, inspirada en una propuesta de Epoch AI. AL0 significa que no hay intervención de IA; AL3 describe una colaboración capaz de resolver porciones grandes bajo dirección humana cercana; AL4 indica que la IA lidera una tarea de punta a punta desde una instrucción de alto nivel, con supervisión humana; y AL5 representa autonomía completa sin una persona en el circuito.

Para mapear el trabajo, Anthropic tomó muestras del 20% del personal de cada departamento relacionado con el desarrollo de modelos durante cada semana de julio de 2026. Un agente de Claude revisó registros laborales, como Slack y documentación interna, y produjo una lista de aproximadamente 15.000 tareas. Luego, la empresa organizó ese conjunto en un árbol de 542 nodos, incluidos 378 nodos finales que representan tipos concretos de trabajo.

El índice pondera las categorías según el tiempo del personal. Si una persona trabajó en cuatro tareas durante una semana, cada una recibió una cuarta parte de su peso. Anthropic reconoce que la aproximación es imperfecta.

Después, agentes de Claude reunieron evidencia sobre cómo se realizaba cada tipo de trabajo y otro Claude asignó el nivel de automatización. El resultado para agosto fue el 26% en AL4, más del 90% en AL3 o superior y 0% en AL5. “Liderar” bajo esta escala todavía incluye supervisión; no significa que el sistema establezca objetivos corporativos, controle todo el proceso o opere sin intervención humana.

Qué tan estable es la clasificación

Anthropic comparó las valoraciones del juez de Claude con las de empleados responsables de las áreas estudiadas. El acuerdo exacto entre modelo y personas fue del 59%. Entre evaluadores humanos, el acuerdo exacto fue del 35%. Modelo y personas quedaron a una distancia máxima de un nivel en el 97% de los casos.

Estas cifras muestran que la escala puede capturar una dirección general, pero también que existe desacuerdo sobre los límites entre “asiste”, “colabora” y “lidera”. Un 59% de coincidencia exacta no convierte la clasificación en objetiva. El menor acuerdo entre humanos tampoco valida automáticamente al juez de IA: puede reflejar que las categorías son ambiguas o que distintas personas observan partes diferentes del trabajo.

La canasta de tareas queda congelada para comparar mediciones futuras. Esto ayuda a seguir cambios sobre una base constante, pero puede ocultar trabajo nuevo. Si las personas dejan tareas antiguas a los agentes y pasan a problemas distintos, el índice puede subir sin representar todo lo que ocurre en la organización. Anthropic dice que comparó estructuras de enero y julio y no detectó un aumento de tareas novedosas al nivel analizado; aun así, planea reconstruir periódicamente la canasta.

Treinta mil agentes y más de mil millones de decisiones

El informe también describe la plataforma interna de agentes más utilizada por los equipos de investigación e ingeniería. Según Anthropic, en agosto operaban allí alrededor de 30.000 agentes concurrentes, y la empresa analizó más de mil millones de decisiones durante el mes. Son cifras internas y se refieren a esa plataforma, no a todo Claude ni a agentes desplegados por clientes.

Todas las acciones de esos agentes pasan por un monitor en línea antes de ejecutarse, según la empresa. Ese sistema bloqueó el 0,002% de las decisiones analizadas, aproximadamente una de cada 47.000. Un monitor fuera de línea también ingiere las acciones después de ocurridas y marca entre una y dos transcripciones por cada mil para revisión adicional.

Anthropic informa que unas 100.000 transcripciones por semana atraviesan clasificadores adicionales después de ser marcadas. La mayor parte se resuelve automáticamente y alrededor de 50 casos semanales de mayor prioridad llegan a revisión humana. Estos números describen volumen y proceso, no eficacia. Sin pruebas externas sobre incidentes conocidos, falsos negativos y falsos positivos, no permiten concluir qué proporción de conductas problemáticas detectan los monitores.

La identidad persistente como pieza de control

Una de las decisiones técnicas más interesantes no es una cifra: cada agente recibe una identidad propia. Los datos y acciones quedan asociados a esa identidad, que persiste aunque cambie el modelo subyacente. Esto permite auditar el historial de un agente y evita tratar todo mensaje del sistema como si proviniera de una única voz indistinguible.

Los agentes se comunican mediante un sistema abierto en el que cada mensaje señala quién lo produjo y puede enlazar sus referencias. Anthropic sostiene que este diseño facilita la corrección mutua, reduce el efecto de “teléfono descompuesto” y permite que el monitoreo recorra las comunicaciones entre agentes.

La idea ofrece una lección práctica para cualquier organización que construya flujos multiagente: asigná identidades estables, registrá acciones, conservá referencias originales y diferenciá una observación propia de una afirmación recibida. Sin trazabilidad, investigar un error se vuelve más difícil.

Pero identidad no equivale a seguridad. Un registro completo puede ayudar a reconstruir lo ocurrido; no garantiza que el monitor detecte el problema a tiempo. Anthropic reconoce que lleva meses, no años, operando este tipo de supervisión y que todavía es difícil saber si observa todos los comportamientos posibles.

Cuánto cómputo destinó a seguridad

La tercera métrica observa el uso de capacidad de cómputo entre el 13 y el 20 de julio de 2026. Anthropic afirma que aproximadamente el 6% del cómputo de I+D de IA se dedicó a seguridad. Dentro del cómputo de I+D impulsado por IA, la proporción fue del 12%.

La empresa califica las estimaciones como conservadoras: cuando una carga beneficiaba tanto capacidades como seguridad, la contó como I+D general. Sin embargo, es una fotografía de una sola semana. Además, el cómputo es un indicador incompleto porque algunas investigaciones de seguridad requieren mucho trabajo humano y relativamente pocos recursos de aceleradores.

La clasificación combinó etiquetas internas y un clasificador de Claude. Para ejecuciones de entrenamiento y evaluación, se examinó una muestra cercana al 14%, ponderada hacia los trabajos con mayor consumo. Anthropic reconoce que algunas etiquetas son automáticas o declaradas por usuarios y pueden contener errores. Por eso, comparar el 6% con otra empresa exigiría definiciones comunes y verificación externa.

Qué conviene mirar después

El valor principal del informe es que propone variables concretas para un debate que suele depender de impresiones: proporción de tareas automatizadas, cobertura y latencia del monitoreo, escalamiento a personas y reparto del cómputo. El Institute for Progress también ha planteado la necesidad de prepararse para una mayor automatización de la investigación, lo que refuerza la utilidad de contar con indicadores verificables.

El siguiente paso decisivo es la revisión independiente. Anthropic dice que planea incorporar evaluadores externos con acceso comparable al de sus equipos internos. Habrá que observar si esos evaluadores pueden reproducir los porcentajes, examinar muestras y publicar desacuerdos. También importa que otros laboratorios adopten definiciones compatibles; una métrica aislada informa sobre una compañía, pero no permite medir a toda la industria.

Para profesionales de Paraguay y América Latina, la conclusión inmediata no es que los agentes puedan trabajar sin supervisión. Es lo contrario: cuanto más trabajo se delega, más necesarios son los registros, las identidades persistentes, los permisos acotados y una ruta clara hacia revisión humana. Las cifras de Anthropic muestran escala. La evidencia sobre control efectivo todavía tiene que madurar.

Fuentes