La idea clave
Es una estimación interna sobre trabajo de I+D, con supervisión humana.
Anthropic publicó el 17 de septiembre una medición que llama la atención: según su índice interno, Claude dirige el 26 % del trabajo de investigación y desarrollo de IA de la compañía. La cifra corresponde a agosto de 2026.
La pregunta útil es qué cuenta como dirigir. Sin esa definición, resulta fácil convertir una medición de tareas en una afirmación mucho más amplia sobre autonomía.
Qué se ha medido
El informe original pondera tareas con una aproximación al tiempo humano dedicado. Su nivel AL4 permite que la IA complete gran parte del encargo bajo supervisión. Ningún subconjunto medido alcanza la autonomía completa, AL5.
La metodología usa modelos propios y una base de tareas fija. Anthropic reconoce dificultades para comparar laboratorios y plantea verificación externa.
Tres traducciones del porcentaje que conviene evitar
Nuestra lectura: no conviertas un indicador de automatización en un indicador de plantilla, velocidad o calidad. Cada uno responde a una pregunta distinta y necesitaría sus propios datos.
Si una herramienta prepara una propuesta y una persona decide aceptarla, saber quién redactó más líneas no dice quién asumió la decisión. Del mismo modo, acabar una tarea antes no demuestra que el resultado sea mejor: puede haber quedado una comprobación pendiente que todavía no conocemos.
Para comparar dos equipos también importa qué trabajo hacen. Resolver una incidencia repetida, diseñar un experimento y decidir una nueva línea de investigación pueden exigir esfuerzos muy diferentes aunque cada uno figure como una tarea.
Un ejemplo para distinguir ejecución y responsabilidad
Escenario ficticio propuesto por Texploto
Un equipo pide a un asistente comparar tres diseños para una pantalla. El asistente prepara los bocetos, comprueba tamaños y documenta ventajas. La persona responsable elige qué diseño probar con usuarios y decide si se publica.
En ese encargo hay mucho trabajo automatizado y una decisión humana relevante. Para describirlo con precisión, anotaríamos qué produjo el asistente, qué revisó la persona y qué quedó sin comprobar. No asignamos este ejemplo a un nivel oficial de Anthropic: sirve para mostrar qué información desaparece cuando solo hablamos de un porcentaje.
Cómo leer la próxima cifra de automatización
Antes de compartirla, busca la unidad contada, el periodo, las condiciones de evaluación y quién clasificó los resultados. Después pregunta qué queda fuera: revisiones posteriores, trabajo nuevo o errores descubiertos al utilizar el resultado.
Si quieres aplicar una idea a tus propios proyectos, conserva una nota por encargo con resultado esperado, entrega real y correcciones necesarias. Es más útil que contar mensajes intercambiados. Podrás ver qué tareas conviene delegar y cuáles todavía exigen demasiadas rectificaciones.
Esta lectura conecta con nuestra explicación sobre supervisión y evidencia en la IA. Una demostración, una medición de uso y una evaluación de fiabilidad aportan información diferente.
Fuente consultada el 20/09/2026. Análisis del informe público; Texploto no ha auditado los sistemas internos de Anthropic.
Para ver cómo cambia una conclusión al añadir el coste, compara el estudio de Anthropic sobre capacidad y economía de los robots. Su porcentaje de tareas físicas realizables y su porcentaje rentable responden a preguntas distintas. Esa comparación ayuda a revisar el denominador antes de interpretar una cifra de automatización.
