Cofundador de Anthropic pronostica que la mejora recursiva de la IA podría superar a sus supervisores humanos

En la entrega del 5 de mayo de 2026 de su newsletter Import IA, el cofundador de Anthropic Jack Clark sostiene que los datos públicos apuntan a una aceleración hacia la automatización de la investigación en inteligencia artificial: la aparición de sistemas capaces de entrenar, sin intervención humana, a sucesores más potentes. Clark cuantifica esas probabilidades en aproximadamente 60% para finales de 2028 y 30% para 2027.

Su argumento se apoya, sobre todo, en tendencias de benchmarks públicos. En SWE-Bench —una prueba que evalúa cómo los modelos de IA resuelven problemas reales reportados en GitHub — las tasas de éxito han escalado de alrededor del 2% con Claude 2 a finales de 2023 a 93.9% en la actualidad, un avance que, según Clark, ha llevado al test a un punto de saturación respecto a los modelos más recientes.

Otra señal citada es la medida METR de horizontes temporales, que estima qué tan compleja es una tarea que un modelo puede completar con un 50% de fiabilidad en función de las horas que requeriría un humano experto. Clark describe un salto desde aproximadamente 30 segundos con GPT-3.5 hasta cerca de doce horas con los modelos de frontera actuales. Además, la investigadora de METR Ajeya Cotra considera plausible que ese umbral llegue a 100 horas hacia finales de 2026, lo que indicaría una ampliación sustancial de la capacidad para tareas de investigación prolongadas.

Clark añade que las habilidades centrales necesarias para la investigación avanzada ya están, en gran medida, cubiertas por los avances en tareas específicas, lo que refuerza la plausibilidad de un ciclo recursivo en el que una IA entrena a su sucesora. Mantiene sus estimaciones de probabilidad y plantea que los datos públicos disponibles hacen creíble una transición hacia formas más automatizadas de investigación en IA en los próximos años.