Claude lidera el 26% del desarrollo, y con su “teoría de desaceleración de IA”, Anthropic genera debate sobre el “IA desarrollando IA”. ¡El paradigma de entrenamiento RSI impulsa una enorme expansión de la demanda de poder de cómputo!

Según información de Zhitong Finance APP, el líder mundial más destacado en aplicaciones de IA, Anthropic, publicó el 17 de septiembre los resultados de su medición, mostrando que hasta agosto, Claude ya “dominaba” el 26% del trabajo de I+D en IA y la proporción de tareas en las que llegaba al nivel de “colaboración” o lo superaba estaba por encima del 90%. A medida que Anthropic y OpenAI concentran sus esfuerzos en el RSI (mejora recursiva de sí mismo), el nuevo paradigma para entrenamiento de grandes modelos de IA, los avances simultáneos en la capacidad de investigación de los laboratorios de inteligencia artificial de vanguardia y la ampliación de su capital están llevando a que los inversores mundiales de la industria IA amplíen su enfoque: ya no solo observan los grandes modelos o productos de IA, sino también las plataformas de I+D y las capacidades/infraestructura a largo plazo de cómputo de IA.

Según una serie de reportes recientes que citan a fuentes cercanas, las discusiones para una nueva ronda de financiamiento entre inversores y otro gigante de aplicaciones de IA, OpenAI, ya involucran una valoración de 1,2 billones de dólares, mientras la empresa busca niveles cercanos a 1,5 billones; en mayo, Anthropic alcanzó una valoración posfinanciamiento de 965.000 millones, y la propuesta de IPO actualmente en discusión apunta a una valoración de unos 2 billones de dólares y una recaudación máxima de 100.000 millones en su salida a bolsa, lo que podría igualar e incluso superar ampliamente la escala de emisión de SpaceX, estableciendo un récord histórico — cabe señalar que esos 2 billones son solo la valoración propuesta, no el valor de mercado real post-IPO.

El novedoso modelo Astra lanzado recientemente por OpenAI expande aún más las tareas profesionales que la IA puede asumir. El CEO de Nvidia, Jensen Huang, publicó en redes sociales que el lanzamiento de GPT-6 Astra significa que “la AGI ya ha llegado”, y la robusta guía de ingresos confirmada por Nvidia, junto con el sólido pronóstico de envíos futuros y el hecho de que el desarrollo de grandes modelos de IA está entrando en la etapa innovadora del “RSI” (mejora recursiva autónoma), lo que genera una nueva curva de creciente demanda de cómputo de IA — es decir, Astra tiene potencial para expandir la demanda de cómputo de IA en el segmento comercial, mientras que la trayectoria RSI de la IA “creando IA” podría aumentar la experimentación de operadores de frontera, la evaluación y las inversiones en entrenamiento continuo a largo plazo. Juntas, estas tendencias prolongan el ciclo de inversión en cómputo, razón por la cual las acciones de computación de IA en Wall Street subieron en bloque el jueves, incluyendo un alza de más del 3% en el índice de semiconductores de Filadelfia.

Es relevante notar que, justo antes de que Anthropic revelara que Claude contribuye el 26% de su inversión en I+D y se prepara para intentar la mayor salida a bolsa jamás vista en la sociedad humana, su CEO lanzó el pasado fin de semana la teoría de “ralentizar la IA”, y esta semana el mercado también empezará a valorar y reflejar los riesgos asociados al debate sobre la desaceleración de la IA — Anthropic y otros líderes globales como OpenAI pidieron el fin de semana una desaceleración en el desarrollo de grandes modelos de IA de vanguardia.

El debate sobre “ralentizar la IA” afecta las percepciones del ritmo de I+D de frontera, el camino del gasto de capital y las primas de riesgo del mercado, pero no puede equipararse directamente con que la demanda de aplicaciones de IA deje de crecer. El 12 de septiembre, Amodei pidió disminuir la velocidad de mejora de las capacidades de los modelos, y Altman expresó luego estar de acuerdo en que se necesita controlar el ritmo de evolución, aunque no hay consenso absoluto en la industria sobre cómo coordinar, evaluar externamente o regular.

¡Claude domina el 26% del trabajo de I+D por sí solo! Anthropic revela cifras clave sobre el aporte de la IA a la investigación y su inversión en seguridad

Un informe de divulgación de Anthropic PBC publicado el jueves indica que más de una cuarta parte de la labor de investigación en inteligencia artificial de la compañía es impulsada por su chatbot insignia Claude o por la línea de productos de agentes inteligentes, brindando la indicación más clara hasta ahora de que la tecnología de IA puede realmente acelerar el desarrollo de futuros modelos.

Según el más reciente informe oficial publicado el jueves, Anthropic encontró que Claude “dominó” el 26% de los trabajos de I+D de la compañía, mientras que a inicios de año este porcentaje era prácticamente cero. La empresa añadió que Claude también colabora con el 90% de las tareas o proyectos más complejos en los procesos de sus empleados.

Estos datos forman parte de un informe más amplio, destinado a ayudar al público a monitorear el progreso en el desarrollo de la IA en respuesta a la creciente preocupación de que la IA pueda mejorar rápidamente por sí misma y escapar del control humano.

La compañía también reiteró su plan de incorporar evaluadores externos de diversas organizaciones dentro de la empresa y otorgarles acceso interno equiparable al de los propios empleados, a nivel de procesos, sistemas y datos, para perfeccionar la seguridad tecnológica de la IA y los sistemas de control y gestión de riesgos que rodean su aplicación.

“Las capacidades de los sistemas de IA están aumentando exponencialmente y ya han empezado a automatizar en profundidad cada vez más procesos de autoconstrucción. A medida que el mundo debate si ralentizar el desarrollo de IA de vanguardia, el público necesita mayor información”, escribió la compañía.

Anthropic es una de varias empresas de IA enfocadas en el “mejoramiento recursivo de sí mismo” (RSI). Este concepto implica la capacidad de los sistemas de IA para mejorar sus propias capacidades con poca o ninguna ayuda humana. Algunas empresas consideran que es el futuro del desarrollo de IA, pero la realización de sistemas de este tipo y su supercapacidad podrían generar riesgos para la seguridad.

En su blog, Anthropic señaló que intenta construir un marco para rastrear los agentes y monitorear la cantidad de trabajo que completan en la plataforma. Según la empresa, a agosto había más de 30.000 agentes trabajando en investigación e ingeniería en cualquier momento dentro de la empresa.

Anthropic también reveló cómo distribuye sus recursos entre acelerar el desarrollo de IA y garantizar la seguridad. Según sus mediciones, dependiendo del tipo de investigación, entre el 6% y 12% de los recursos computacionales de la empresa se destinan a la supervisión de seguridad.

En una entrada de blog de inicios de septiembre, su principal rival en grandes modelos de IA, OpenAI, compartió también el avance en la automatización de la investigación, indicando que, tras detectar que uno de sus modelos había accedido de forma no autorizada al sistema externo de la startup Hugging Face, la compañía suspendió parte del entrenamiento de modelos.

La semana pasada, el empleado de Anthropic Jacob Carkson renunció de manera notoria, aumentando la preocupación pública sobre los riesgos existenciales de la IA para la sociedad humana. En el mensaje que compartió en redes sociales para anunciar su dimisión, acusó a las empresas desarrolladoras de IA de “apostar nuestras vidas”.

En los últimos días, varios líderes de empresas de IA, incluyendo a Dario Amodei, CEO de Anthropic, y Sam Altman, CEO de OpenAI, han pedido que se frene la velocidad del desarrollo de la tecnología, en respuesta a sus riesgos cada vez más imprevisibles — aunque hay discrepancias respecto a cómo abordar el tema.

El sábado, Amodei publicó un extenso artículo de 3800 palabras pidiendo regulación gubernamental y llamando al sector tecnológico a respaldar una desaceleración más amplia de la IA. Esto provocó una fuerte reacción del expresidente de los Estados Unidos, Donald Trump, quien desestimó los temores sobre los riesgos de la tecnología como una “estafa tecnológica” y rechazó la idea de establecer nuevas normativas.

Otros líderes del sector también reaccionaron. Altman y el CEO de Nvidia, Jensen Huang, sostuvieron que las empresas de IA pueden controlar el ritmo de desarrollo de la tecnología de manera segura, mientras que Mark Zuckerberg, CEO de Meta Platforms, expresó que los laboratorios de IA deberían apoyarse en evaluadores independientes y asesores de seguridad para garantizar la seguridad de los modelos.

¿De la “IA como apoyo a la investigación” a la mejora recursiva: abre la demanda de cómputo de IA una nueva dimensión?

La relevancia inversora de Astra y el RSI radica en que los grandes modelos de IA de alto rendimiento de frontera, junto con la propia I+D en IA, están emergiendo como nuevos escenarios de consumo sostenido de cómputo. El 6 de septiembre, OpenAI reveló que ya ha conseguido su objetivo de “investigador automático pasante”, capaz de completar en algunos casos tareas que antes requerían varios días de un investigador experimentado bajo supervisión humana; a mediados de agosto, cada jornada laboral humana equivalía aproximadamente a 3,1 jornadas laborales de agentes IA. Este indicador mide el tiempo de funcionamiento, no un aumento de la productividad científica a 3,1 veces. De esto se deduce que la automatización de la investigación aumentará tanto la generación de código como los experimentos de evaluación y la necesidad de entrenamiento de modelos candidatos. Sin embargo, el RSI completo aún no se ha constituido en un paradigma dominante establecido, las direcciones de investigación y la asignación de recursos siguen siendo decididas por humanos.

El GPT-6 Astra de OpenAI y el enfoque en RSI por parte de los principales actores de IA tienen potencial para convertirse en dos motores clave que impulsen la expansión exponencial de la demanda de cómputo de IA: modelos de IA más potentes y uso más generalizado de herramientas de IA y rutas de entrenamiento de próxima generación más intensivas en cómputo, refuerzan la perspectiva de crecimiento continuo en la infraestructura. OpenAI anunció recientemente que Astra ha reforzado sus capacidades de programación, navegación web, operación de computadoras y ejecución de tareas complejas, expandiendo el rango de trabajos en los que el modelo puede participar. La persona a cargo indicó que la demanda de Astra ha aumentado tanto que ha generado presión en su infraestructura; el 10 de septiembre, suspendieron nuevas suscripciones y upgrades al plan Pro 20X de $200 mensuales, aunque las suscripciones existentes siguen renovándose normalmente.

El núcleo de la mejora recursiva de sí mismo (Recursive Self-Improvement, RSI) es que la IA participe en la I+D de una IA aún más potente, la que a su vez mejora dicha capacidad de investigación en un bucle de retroalimentación iterativo. No es un algoritmo en particular que sustituya al pre-entrenamiento o aprendizaje reforzado, sino un paradigma de desarrollo que cubre diseño de investigaciones, codificación, ejecución experimental, evaluación de resultados y ciclos de mejora de modelos. El progreso mostrado hasta ahora públicamente por Anthropic y OpenAI consiste en automatización supervisada por humanos, no una mejora completamente autónoma libre de intervención humana.

Hasta agosto, Claude ya “dominaba” el 26% de los trabajos de I+D en IA, y en más del 90% de las tareas de nivel “colaborativo” o superior. En sus plataformas internas más utilizadas, aproximadamente 30.000 agentes desarrollan actividades de investigación e ingeniería simultáneamente. Esto significa que la IA ha pasado de ser una herramienta ocasional utilizada por investigadores a un recurso ininterrumpido en los procesos de I+D; la propia actividad investigadora se está convirtiendo en una fuente clave de demanda de cómputo de inferencia continua.

El foco de Anthropic y OpenAI en RSI responde ante todo a la necesidad de aumentar la eficiencia de todo el proceso de iteración investigadora, lo que a su vez requiere más experimentos paralelos y agentes de investigación corriendo todo el tiempo. Desde el punto de vista de la ingeniería, los agentes de investigación pueden ayudar a proponer y filtrar soluciones, modificar código de entrenamiento, generar configuraciones experimentales, ejecutar pruebas y analizar resultados, permitiendo explorar más alternativas a la vez; para ello, el razonamiento e interpretación de los agentes requiere cómputo, mientras que la validación exige recursos para entrenamiento, evaluación y procesamiento de datos.

OpenAI reveló que, hasta mediados de agosto, cada jornada humana en su equipo de investigación equivalía a unas 3,1 jornadas estándar de agentes IA; el investigador mediano, en términos de uso, consume el equivalente a más de 600 dólares diarios en inferencia según el precio de su API, refiriéndose aquí al tiempo y precios de servicio, no a productividad multiplicada ni a coste interno real. La compañía señaló también que, a medida que se reducen otros cuellos de botella de la investigación, los recursos computacionales posiblemente se conviertan en la principal restricción. La investigación en seguridad representa también una carga de trabajo independiente — en una muestra de Anthropic del 13 al 20 de julio, dedicaron aproximadamente el 6% de todo el cómputo de I+D en IA, y hasta un 12% del cómputo IA-driven específicamente, a tareas relacionadas con la seguridad de IA.

Estos avances recientes sobre RSI y la irrupción del modelo Astra, que ha desatado el fervor por la AGI, indican que cuando los grandes modelos de IA asuman de manera generalizada tareas de investigación, la industria ya no solo se limitará a “invertir cómputo en el entrenamiento de modelos”, sino que añadirá la necesidad de “usar cómputo para hacer funcionar agentes de investigación, quienes además organizarán más experimentos”; la automatización de la investigación amplía la escala de experimentos posibles y eleva las demandas de capacidad de cómputo disponible, eficiencia en la gestión y confiabilidad.

El principal catalizador de la inversión en IA en torno a RSI y Astra no es simplemente “más grandes modelos”, sino la expansión del rango de tareas que la IA puede asumir y el aumento en la profundidad de cada flujo de trabajo: la inferencia para aplicaciones hacia usuarios y la inferencia para el desarrollo de modelos simultáneamente amplían el horizonte de demanda de infraestructura de cómputo de IA a largo plazo. RSI y Astra aportan señales de demanda directa del sector comercial, permitiendo visualizar a la vez ambos caminos de crecimiento de cómputo de “automatización de I+D + inferencia para usuario”.

Según el informe de la conocida consultora TrendForce, en 2027 la cantidad de racks NVL72 despachados aumentará más del 50% interanual, y el valor total de sistemas relacionados basados en las GPU de IA Nvidia, incluyendo GB200/GB300 y la próxima generación basada en la arquitectura Vera Rubin, podría superar los 710.000 millones de dólares, un aumento del 214% año a año, considerando tanto el upgrade de productos como el alza de precios. Con la creciente demanda de cómputo impulsada por los modelos de vanguardia como Astra, Morgan Stanley prevé que el gasto agregado en centros de datos por parte de las cuatro mayores empresas de nube y aplicaciones de IA en Norteamérica pasará de 917.000 millones en 2026 a 1,47 billones en 2027 y 1,64 billones en 2028, mientras la capacidad desplegada se expandirá de 35 GW en 2025 a 145 GW en 2028.

En cuanto a la arquitectura de los sistemas de inferencia, las tareas más complejas suelen requerir un contexto más amplio, más llamadas sucesivas de modelos, ejecución de herramientas y verificación de resultados: el prefill (precarga) procesa la entrada, el decode (decodificación) genera la salida de forma continua, y la caché de claves y valores (KV Cache) requiere cada vez más memoria a medida que crece el contexto y la concurrencia, por lo que el throughput computacional, la banda de memoria y la capacidad deben crecer de forma coordinada. Una inferencia industrial adicional es que las GPU y TPU procesan el cálculo de modelos, las CPU se encargan de la ejecución de herramientas y la orquestación de tareas, la memoria HBM, servidores DRAM, almacenamiento y redes de alto rendimiento, y los dispositivos ópticos de interconexión en datacenters soportan la eficiente transferencia y gestión del estado de los datos, requiriendo finalmente clusters de servidores de IA integrales y cada vez más vastos para la entrega de servicios sostenibles.