Anthropic dice que Claude lidera el 26% de su investigación, pero liderar es otra cosa

Anthropic ha publicado un índice para medir cuánto de su investigación lo lleva Claude, y la cifra que ha elegido destacar es jugosa: el 26% del trabajo está en el nivel AL4, el que la escala de Epoch AI etiqueta como «la IA lidera». En febrero de 2026 ese porcentaje estaba por debajo del 1%. Más del 90% del trabajo alcanza al menos el nivel AL3. Claude no llega al AL5 en ningún caso.

Qué significa «lidera»

La escala va de AL0 (ninguna IA) a AL5 (autonomía total). El AL5 sería el de una IA que decide por su cuenta; el AL4 es otra cosa. Anthropic pone un ejemplo: un ingeniero le pasa a Claude un informe de error y el modelo lo analiza, lo corrige y lo prueba sin preguntar nada, pero no puede desplegarlo. Una persona lee el resultado y decide. La tarea y la dirección siguen viniendo del humano. La diferencia con el AL3, el nivel de «colabora», es sobre todo que Claude ya no se atasca cuando se topa con un problema.

El matiz importa porque la propia compañía admite que la frontera entre colaborar y liderar no está clara. En una comprobación cruzada, dos empleados que valoraron la misma área coincidieron en el nivel solo un tercio de las veces. El modelo de Claude que asignó las puntuaciones oficiales coincidió con el juicio humano el 59% de las veces, y en el 97% de los casos la diferencia fue como mucho de un nivel. Pero un nivel es justo el salto de «colabora» a «lidera». Si una tarea entra en ese 26% es, en buena parte, cuestión de interpretación.

Hay otro detalle que conviene tener presente: Claude se puntuó a sí mismo. Unos agentes recogieron pruebas de Slack y de documentos internos, y otro modelo de Claude asignó los niveles. Anthropic reconoce que ese evaluador puede cometer los mismos errores que el sistema que vigila.

Qué mide en realidad el 26%

El porcentaje está ponderado por horas de trabajo humano. En julio, la empresa clasificó en qué gastaban el tiempo sus empleados y puntuó cada actividad, dando más peso a las que consumen más horas. Eso no dice cuántas decisiones toma Claude ni si tiene voz en la dirección de la investigación. El dato sirve a la compañía en dos direcciones: como reclamo de rendimiento del producto y como argumento para la petición de su consejero delegado, Dario Amodei, de frenar de forma coordinada el desarrollo en la frontera.

En su plataforma interna más usada corren a la vez unos 30.000 agentes, según el informe. Un monitor en tiempo real revisa cada acción y debe bloquear cosas como la copia de pesos de modelos. De más de 1.000 millones de decisiones en agosto, frenó el 0,002%. Un segundo monitor marca unas 100.000 entradas de registro por semana a posteriori, y unas 50 acaban llegando a una persona. Anthropic admite que lleva solo unos meses con esta vigilancia y que no sabe si detecta todos los patrones.

En una semana de julio, alrededor del 6% del cómputo destinado a investigación de IA se fue a trabajo de seguridad. La empresa se fija en esta métrica porque el cómputo es la entrada que un tercero puede comprobar con más facilidad, y sería una palanca si la industria pactara una frenada, por ejemplo con compromisos voluntarios sobre qué parte se dedica a seguridad. Un número bajo no implica poco trabajo de seguridad, dice: diseñar experimentos cuesta tiempo de investigadores y pocos chips, mientras que un entrenamiento quema capacidad a lo bruto. Tampoco contó como seguridad lo que avanza seguridad y capacidades por igual.

Quien sospeche que los avisos de seguridad se usan para orientar la regulación a favor de quien los emite encontrará material en cómo se define «lidera». Anthropic dice que la carga de la prueba debería recaer en el desarrollador, y avisa de que la línea entre seguridad y capacidades es borrosa, con la tentación permanente de dibujarla de forma generosa.