El 5 de noviembre de 2026 METR publicó la evaluación independiente del I+D de Anthropic que realizó durante 11 semanas, entre agosto y octubre, y su estimación central es que el ritmo de mejora de las capacidades del laboratorio se multiplicó por 1,9 desde octubre de 2025, con un intervalo de confianza del 95% entre 1,5 y 2,8. Dos años de avance histórico en uno. El informe lo resume así: "Anthropic ha hecho aproximadamente dos años de progreso histórico en el último año" (traducido del inglés). METR atribuye la mayoría de esa aceleración, quizá cerca del 80%, al uso de IA por los ingenieros de Anthropic en su propia investigación, y descarta el cómputo como causa. En España, mientras el informe circulaba, el análisis de mercado de Shakers contaba 209 ofertas activas que piden "evals" como skill. La disciplina ya tiene demanda. Este artículo explica qué midió exactamente el informe, qué letras pequeñas trae y qué puede copiar de esa disciplina cualquier equipo con IA en producción.
METR evaluó durante 11 semanas el I+D de Anthropic y estima que su ritmo de mejora se aceleró 1,9 veces desde octubre de 2025 (intervalo del 95%: 1,5-2,8x), con cerca del 80% de la aceleración atribuida al uso de IA por sus propios ingenieros y el cómputo descartado como causa (METR, 5 de noviembre de 2026). En España, 209 ofertas activas ya piden "evals" como skill (análisis de Shakers, n=45.919 activas).
Qué midió METR exactamente
METR es la organización independiente que mide capacidades de modelos y cuya escala de tiempo-horizonte cita la industria desde 2024. Su evaluación de Anthropic no fue un encargo pago: el contrato prohíbe honorarios en ambos sentidos. Anthropic aportó dispositivos y créditos de tokens. El periodo de análisis, ampliado de 4 a 11 semanas, ocupó el equivalente a 2,5 dedicaciones completas del equipo de METR entre el 12 de agosto y el 29 de octubre de 2026.
La métrica central es el AECI, la versión de Anthropic del Epoch Capabilities Index que METR construyó a partir de puntuaciones en benchmarks internos del laboratorio. Es un índice latente que no mide un modelo concreto sino la pendiente de mejora de la familia de modelos a lo largo del tiempo, y su punto de inflexión estimado es el 7 de octubre de 2025 en la especificación principal. Desde ese corte, la aceleración se estima en 1,9x. El rango de robustez, barriendo especificaciones alternativas, va de 1,1x a 2,9x. La serie de benchmarks acompaña la estimación: en el último año, Anthropic habría avanzado tanto como entre octubre de 2023 y octubre de 2025, del Claude 2.1 al Sonnet 4.5, y METR no identifica cuellos de botella convincentes que frenen la continuación del ritmo.
La atribución al uso de IA lleva su propia incertidumbre declarada: METR estima una mayoría, quizá cerca del 80% de la aceleración actual, y avisa de que no se sorprendería si la cifra real estuviera entre 1,3x y 3x. Lo que sí descarta es la explicación fácil. "La aceleración no se debió a una aceleración en el escalado del cómputo de entrenamiento", concluye el informe (traducido del inglés): el cómputo creció al ritmo de siempre. Lo que cambió fue el trabajo de los ingenieros.
Las letras pequeñas del informe
El dato aguanta. El contexto pide cautela. Tres condiciones conviene leer antes de citar el 1,9x:
- Redacciones unilaterales. Anthropic tenía derecho a editar el informe y lo ejerció: eliminó la mayoría de la evidencia que METR considera más informativa para sus conclusiones, descrita como información confidencial que podría acelerar a otros desarrolladores de IA. Lo publicado es la parte que el medido aceptó publicar.
- Una verificación cancelada. La comprobación del reparto de cómputo entre equipos de capacidades y de seguridad estaba en el contrato y se canceló a mitad de la evaluación, así que METR no llega a conclusiones sustantivas sobre el uso del cómputo de Anthropic; la empresa lo atribuye a querer mantener el foco y dice que lo retomará más adelante.
- IA en el análisis de la IA. La mayoría de los datos y análisis que METR recibió, y la mayoría del análisis propio del equipo, se produjeron con Claude. METR no encontró sesgo sistemático. El hecho queda declarado, no resuelto.
Las cifras más virales del informe conviven con su advertencia más dura. Las encuestas internas de Slack recogían aceleraciones de hasta 12x declaradas por los propios ingenieros en octubre de 2026, y METR las califica de "evidencia muy floja" (traducido del inglés): respuestas de bajo esfuerzo que tienden a sobreestimar el efecto real. En las entrevistas estructuradas, la balanza sobre si el ritmo supera el 2x quedó en dos sí, tres más bien sí, cuatro dudosos y dos no. La cifra citable sigue siendo la del índice: 1,9x. No la de los mensajes de Slack.
La disciplina que sí se puede copiar
El activo del informe no es el modelo de Anthropic. Es el bucle de trabajo que rodea al modelo, medir, redirigir y volver a medir, y el AECI es, en el fondo, la versión de laboratorio de un KPI: un índice simple, construido con datos propios, actualizado en cada ciclo. Esa parte no requiere ser Anthropic. Requiere tres piezas que cualquier empresa puede montar:
- Un conjunto de evaluación con casos propios: las preguntas reales de los clientes, los documentos reales, los errores reales.
- Un umbral acordado por el negocio, no por el proveedor del modelo.
- Un calendario: la medición se repite y la pendiente se compara, igual que hace el índice de METR con cada versión nueva de modelo.
La guía para llevar un piloto de IA a producción recorre ese bucle con ocho etapas y una puerta de decisión en cada una, y la pieza sobre data readiness documenta el síntoma contrario: agentes que pasan las pruebas del proveedor y no salen de staging porque nadie midió con datos propios. Sin línea base no hay multiplicación posible. Nadie puede duplicar lo que no cuenta.
Lo que pide ya el mercado español
La medición dejó de ser un asunto de laboratorios. En el corte del 6 de noviembre de 2026, el análisis de mercado de Shakers contaba 209 ofertas activas en España que piden "evals" como skill y 78 que piden "llm evaluation". Los dos términos equivalentes en castellano aparecen en cero ofertas, porque el mercado nombra la disciplina en inglés, sobre un denominador de 45.919 ofertas activas de la ventana del 14 de junio al 5 de noviembre de 2026, con skills etiquetadas en el 82,8%.
| Término que pide la oferta | Ofertas activas en España |
|---|---|
| evals | 209 |
| llm evaluation | 78 |
| evaluación de modelos | 0 |
| evaluar agentes | 0 |
Las ofertas que hemos analizado no titulan puestos de investigación académica: las muestras capturadas son AI Engineer y perfiles de ML. El análisis de qué pide de verdad una oferta de AI engineer en España muestra cómo se lee esa letra pequeña: la skill de evaluar aparece pegada a la integración, no al laboratorio.
Qué hacer con el dato antes de aprobar presupuesto
- No confundir la velocidad del laboratorio con la de tu equipo. El 1,9x mide a Anthropic. Tu empresa tiene su propio índice que construir, y puede salir 0,8x o 3x: eso es justo lo que hay que saber antes de decidir nada.
- El conjunto de evaluación es propio o no sirve. Los benchmarks públicos saturan y no discriminan entre tu caso y el de nadie. La disciplina empieza con tus datos.
- Medir antes de escalar. El primer mes de un proyecto con IA debería terminar con un número, no con una demostración. Sin línea base no hay aceleración que citar ni inversión que justificar.
El ritmo se duplica para quien mide
La cadena es corta. El precio del modelo se hundió hasta un 90% en octubre, y el análisis de la caída del precio de la IA separa esa columna del presupuesto de la que de verdad decide el proyecto. El ritmo de mejora de los modelos se multiplica, y ahora existe una medición independiente que lo cuantifica: 1,9x en el laboratorio que más rápido avanza. Lo que falla en la mayoría de las empresas no es ninguna de las dos cosas. Es la capa de datos y operación que convierte esa mejora en resultado. Ahí el dato de METR deja de ser una noticia y se convierte en una decisión: montar el bucle de medición antes de que la brecha con quien ya lo tiene se abra al ritmo que el informe acaba de medir.
Si tu empresa tiene el caso de uso claro y le falta la capa que mide, conecta y sostiene el sistema, cuéntanos el proyecto: con qué datos cuentas, qué umbral decide que funciona y qué falta para la primera línea base. Con ese alcance se puede concretar el perfil o el equipo.
