Los datos internos de Anthropic, que abarcaron unas 15 000 tareas de investigación, mostraron un aumento en la proporción de trabajos liderados por IA bajo supervisión humana hasta el 26% en agosto de 2026, sin que se registraran tareas de investigación completamente autónomas sin intervención humana.
Análisis de The Wall Street Journal sobre los datos de tareas de I+D en Anthropic
El concepto de mejora propia recursiva y la distinción metodológica en el cálculo de tareas
Los beneficios potenciales y los riesgos de la automatización para la calidad de las evaluaciones científicas
Preguntas frecuentes
Análisis de The Wall Street Journal sobre los datos de tareas de I+D en Anthropic
En un informe original publicado el 31 de octubre de 2026, «The Wall Street Journal» examinó cómo se integran las herramientas de inteligencia artificial en los procesos de investigación científica e ingeniería que desarrollan generaciones más recientes de modelos de IA. El informe se basó en un gráfico proporcionado por «Anthropic» y republicado por el diario, en el cual se clasificó el papel de la inteligencia artificial en aproximadamente 15 000 tareas de investigación y desarrollo dentro de la empresa.
El análisis describió un aumento en la proporción de trabajos de investigación «liderados por IA con supervisión humana» hasta alcanzar cerca del 26% en agosto de 2026, en comparación con una cifra que apenas rondaba el 1% en marzo del mismo año. Cabe destacar que estas cifras representan clasificaciones internas emitidas por la propia compañía y no constituyen una auditoría externa e independiente sobre el nivel de inteligencia de los sistemas resultantes de dichos procesos.
Es fácil exagerar la interpretación de la expresión «liderado por inteligencia artificial»; por ello, el gráfico de «Anthropic» estipula explícitamente que, hasta agosto de 2026, la proporción de trabajos de investigación y desarrollo totalmente independientes se situaba en el 0%. En la práctica, se puede asignar una subtarea al software, mientras que el investigador humano se encarga de definir el objetivo, proporcionar las herramientas de programación, interpretar los resultados y aprobar su integración en un proyecto más amplio, algo muy distinto a que un modelo de inteligencia artificial diseñe, financie y despliegue a su sucesor de forma autónoma.
El concepto de mejora propia recursiva y la distinción metodológica en el cálculo de tareas
En el contexto de su informe, «The Wall Street Journal» analizó el concepto de «mejora propia recursiva», un proceso potencial en el cual los sistemas de inteligencia artificial ayudan a desarrollar sistemas de IA más potentes, los cuales a su vez contribuyen posteriormente a crear generaciones con mayores capacidades y eficiencia. Este concepto cuenta con una larga trayectoria en la informática y la filosofía, y sus ejemplos actuales incluyen asistentes de programación, herramientas de experimentación y sistemas de evaluación automatizados; sin embargo, la capacidad de estos usos para generar un ciclo acelerado y fiable de ganancias en las capacidades generales sigue siendo una cuestión científicamente no resuelta.
Existe una distinción metodológica adicional relacionada con la forma en que se contabiliza el número de tareas: un equipo de investigación puede dividir un gran proyecto científico en numerosas subtareas pequeñas. En consecuencia, el incremento en la proporción de tareas en las que participa la inteligencia artificial no implica necesariamente un aumento idéntico en el porcentaje de tiempo de investigación humana sustituido, ya que el nivel de dificultad, la criticidad y las consecuencias de los errores pueden variar sustancialmente de una tarea a otra.
El gráfico cubre datos históricos que se extienden hasta el mes de agosto, y no una medición realizada durante la ventana de publicación del 31 de octubre. No obstante, lo que otorga relevancia informativa a la historia es el nuevo reportaje periodístico original y la divulgación por primera vez del desglose de las tareas de investigación, advirtiendo que el artículo original está sujeto a un muro de pago (suscripción).
Los beneficios potenciales y los riesgos de la automatización para la calidad de las evaluaciones científicas
Los beneficios potenciales de ampliar el uso de la inteligencia artificial en la investigación incluyen la aceleración en la repetición de fragmentos de código y la ampliación del alcance en la exploración de hipótesis científicas. En contrapartida, surgen riesgos potenciales como la contaminación de los resultados de las evaluaciones científicas con errores de automatización, el aprendizaje de los sistemas para optimizar su rendimiento según métricas de medición subóptimas, así como la reducción de la visibilidad y la transparencia para los investigadores sobre el motivo del éxito o fracaso de un cambio técnico propuesto.
Estas problemáticas siguen siendo interrogantes científicos que exigen ensayos adicionales y rigurosos, y no constituyen una prueba concluyente de que ya se haya producido una mejora propia fuera de control dentro de los laboratorios de inteligencia artificial. La importancia de estos resultados radica en que ofrecen una perspectiva cuantitativa poco común sobre cómo un laboratorio líder en IA divide la labor de investigación entre humanos y modelos, a la vez que subraya que la supervisión humana sigue formando parte integral del proceso documentado.
Los próximos pasos necesarios para evaluar esta tendencia consisten en proporcionar definiciones más detalladas de las tareas, llevar a cabo una revisión independiente de la clasificación de los trabajos de investigación y aportar pruebas cuantificables de mejoras reales en la productividad científica, en lugar de limitarse a un incremento en el porcentaje de trabajos asistidos por modelos.
Preguntas frecuentes
Pregunta: ¿Cómo cambió la proporción de tareas de investigación lideradas por inteligencia artificial en Anthropic durante el año 2026?
Respuesta: La proporción de tareas lideradas por IA bajo supervisión humana aumentó desde aproximadamente el 1% en marzo de 2026 hasta cerca del 26% en agosto de 2026 en una muestra que abarcó unas 15 000 tareas de investigación.
Pregunta: ¿Cuál fue el porcentaje de investigación en inteligencia artificial totalmente autónoma sin supervisión humana en Anthropic?
Respuesta: El gráfico publicado por Anthropic confirmó que la proporción de tareas de investigación y desarrollo totalmente independientes sin intervención humana se situó en el 0% hasta el mes de agosto de 2026.
Pregunta: ¿Qué significa el término mejora propia recursiva en la investigación de inteligencia artificial?
Respuesta: Se refiere al proceso en el cual los actuales sistemas de inteligencia artificial ayudan a construir y desarrollar sistemas de IA más avanzados, los cuales a su vez contribuyen a crear generaciones posteriores más eficientes.
Pregunta: ¿Cuáles son los principales riesgos científicos derivados de un mayor uso de la automatización en la investigación de modelos?
Respuesta: Los riesgos incluyen la posible filtración de errores de automatización en los resultados de evaluación, la orientación de los modelos para superar pruebas de medición imprecisas y la pérdida de comprensión por parte de los investigadores humanos sobre las razones reales detrás del éxito de las modificaciones técnicas.
