Anthropic ha publicado un análisis detallado sobre el estado de la inteligencia artificial, revelando que el desarrollo de estos sistemas ya no depende exclusivamente de manos humanas. Según datos internos recopilados hasta mayo de 2026, más del 80% del código que se integra en la base de datos de la compañía es generado de forma autónoma por Claude, su propio modelo de lenguaje.
Este cambio operativo ha provocado un salto masivo en la eficiencia: los ingenieros de la firma ahora procesan ocho veces más código por trimestre que en el periodo anterior entre 2021 y 2025. Este fenómeno, conocido como auto-mejora recursiva, sugiere que nos acercamos a un punto donde la IA podría diseñar y entrenar a sus propios sucesores casi sin intervención externa. Aunque este avance promete acelerar descubrimientos en áreas como la medicina y la ciencia, Anthropic advierte que la rapidez del progreso plantea retos de seguridad sin precedentes. Si los sistemas adquieren la capacidad de mejorar su propio diseño de forma autónoma, los mecanismos actuales de control y supervisión humana podrían volverse insuficientes rápidamente, lo que exige una reflexión profunda sobre la gobernanza tecnológica global.
¿Qué es la auto-mejora recursiva?
La auto-mejora recursiva ocurre cuando un sistema de inteligencia artificial se vuelve capaz de diseñar y desarrollar su propia versión sucesora, creando un ciclo de evolución técnica donde el ser humano deja de ser el motor principal. Hasta hace poco, los ingenieros de Anthropic dirigían cada paso del ciclo de desarrollo, pero actualmente están delegando una parte creciente de estas tareas a los propios sistemas de IA. Este proceso no ha sido repentino, sino que ha seguido una evolución marcada por la capacidad de las herramientas disponibles.
Entre 2021 y 2023, el trabajo consistía en personas escribiendo código en sus portátiles; para 2025, los agentes de programación ya podían escribir y editar archivos completos de forma independiente. Hoy en día, los agentes autónomos pueden ejecutar código por sí mismos y delegar horas de trabajo a otros agentes. La meta final es cerrar el bucle, permitiendo que futuras versiones de Claude sean mejoradas continuamente por el propio sistema. Los datos externos confirman esta aceleración: la duración de las tareas que los modelos pueden completar de forma fiable se ha duplicado cada cuatro meses, permitiendo que sistemas como Claude Opus 4.6 gestionen tareas que requerirían 12 horas de trabajo humano.
En el ámbito del software, el progreso es visible en pruebas como SWE-bench, que evalúa la capacidad de una IA para resolver fallos en código abierto real. Los modelos han pasado de obtener puntuaciones mínimas a saturar estas pruebas en solo dos años. Lo mismo ocurre con CORE-Bench, un examen que mide si una IA puede reproducir investigaciones científicas existentes, un paso previo necesario para que puedan realizar investigación original de forma autónoma.
Un cambio radical en la productividad
La integración de la IA en el corazón del desarrollo tecnológico está alterando las métricas tradicionales de productividad empresarial. En la práctica, esto significa que la ingeniería y la investigación, los dos pilares para crear modelos de vanguardia, se están automatizando a pasos agigantados. Mientras que antes un ingeniero debía proporcionar el método para resolver un problema, hoy Claude puede recibir un objetivo poco definido y encontrar la solución técnica por su cuenta.
Un ejemplo impactante de esta nueva capacidad ocurrió en abril de 2026, cuando Claude implementó más de 800 correcciones que redujeron drásticamente los errores en una API. El ingeniero a cargo estimó que un humano habría tardado cuatro años en completar ese trabajo, debido a la dificultad de mantener en la memoria todo el contexto necesario para solucionar errores ajenos. Además, la calidad del código generado ha alcanzado la paridad con el humano, y se espera que sea superior antes de finalizar el año.
Este incremento de eficiencia tiene implicaciones directas para la industria:
- Las empresas de 100 personas podrían alcanzar la capacidad operativa de organizaciones con miles de empleados.
- El coste humano de la ejecución técnica se reduce drásticamente, desplazando el valor hacia la toma de decisiones estratégicas.
- La revisión de código se convierte en un cuello de botella, obligando a usar sistemas automatizados para detectar fallos de seguridad que los humanos pasan por alto.
El contexto de la investigación interna
Para entender el alcance de estos datos, es fundamental analizar cómo Anthropic utiliza sus propias herramientas. Desde el lanzamiento de Claude Code en 2025, el volumen de código escrito por la IA ha crecido de forma exponencial. Aunque la cantidad de líneas de código es una métrica imperfecta, las encuestas internas revelan que los investigadores se sienten cuatro veces más productivos gracias al uso de modelos avanzados como Mythos Preview.
La IA no solo está escribiendo código, sino que empieza a mostrar destellos de juicio investigador. En pruebas donde se comparó la elección de los investigadores humanos frente a las sugerencias de la IA para resolver problemas complejos de entrenamiento, los modelos más recientes superaron la elección humana el 64% de las veces. Esto indica que la capacidad cualitativa, como el sentido común técnico o el criterio científico, podría ser simplemente otra habilidad que la IA terminará dominando mediante el escalado de datos y computación.
Sin embargo, la empresa reconoce que todavía existen brechas importantes, especialmente en la capacidad de la IA para establecer objetivos a largo plazo y ejercer un juicio crítico sobre qué problemas merecen ser resueltos. Actualmente, el rol humano se está estrechando hacia la supervisión y la definición del rumbo general de la investigación.
¿Qué significa esto para el futuro?
El horizonte que plantea la auto-mejora recursiva nos sitúa ante tres escenarios posibles. El primero sugiere que la tendencia podría estancarse si nos topamos con límites físicos en la energía o la fabricación de chips. El segundo, y el más probable según la tendencia actual, es que los laboratorios sigan viendo ganancias de eficiencia compuestas, donde los humanos y la IA colaboran para escalar la investigación a niveles masivos.
El tercer escenario, el más complejo de gestionar, es aquel donde la IA toma el control total del proceso de mejora. En este mundo, el ritmo del progreso dependería únicamente de la capacidad de cómputo disponible, y el papel humano se limitaría a la validación de un laboratorio virtual gestionado por máquinas. Esto podría resolver problemas científicos hoy inalcanzables, pero también conlleva el riesgo de perder el control sobre sistemas que se rediseñan a sí mismos a velocidades sobrehumanas.
Ante esta realidad, Anthropic sugiere la necesidad de crear mecanismos de coordinación global que permitan pausar o ralentizar el desarrollo si los riesgos superan nuestra capacidad de gestión. No se trata de un pesimismo tecnológico, sino de una llamada al realismo: necesitamos tiempo para que las estructuras sociales y la investigación sobre la alineación de la IA se pongan al día con la vertiginosa evolución del software que se construye a sí mismo.
