OpenAI vs Anthropic: ¿quién controla la IA que crea la próxima IA?

Que un agente trabaje todo el día no significa que nos haya ahorrado un día de trabajo. Esa distinción me importa más que cualquier gráfico espectacular.

Soy Ricardo Hoyos, gerente de Adrihosan. Me interesa la IA que ahorra trabajo real, pero no compro porcentajes sin contexto. Cuando OpenAI y Anthropic explican cómo usan agentes para desarrollar sus siguientes modelos, quiero entender qué han medido y qué sigue dependiendo de una persona.

Mi lectura: coinciden bastante más de lo que parece. Y a las dos les pediría pruebas que podamos comprobar desde fuera.

Anthropic: qué significa que Claude lidere el 26%

Según sus mediciones internas de desarrollo de IA, en agosto de 2026 Claude lideraba el 26% del trabajo de I+D de modelos. Más del 90% estaba en el nivel de colaboración o superior. Ninguna categoría medida alcanzaba la autonomía total.

Liderar tiene aquí un significado concreto: completar la mayor parte de una tarea a partir de una instrucción general, con supervisión humana. Ese 26% no equivale a un 26% de empleados sustituidos, de productividad ganada o de investigación realizada sin personas.

También importa quién pone la nota. Modelos Claude clasifican el trabajo con una taxonomía interna y ponderaciones aproximadas basadas en tiempo de personal. Es una medición útil, pero depende de decisiones metodológicas y del criterio del modelo evaluador.

Yo lo leería como una señal de cuánto se delega. Para convertirlo en una promesa de ahorro faltan las horas de revisión, las correcciones y la calidad del resultado.

OpenAI: 3,1 jornadas de agentes por jornada humana

OpenAI cuenta el avance desde otro ángulo. A mediados de agosto, su organización de investigación acumulaba 3,1 jornadas de ejecución de agentes por cada jornada humana, según su informe de aceleración de la investigación.

Son tiempos de ejecución, que pueden acumularse en paralelo. No prueban que cada investigador produzca 3,1 veces más.

La empresa considera alcanzado su objetivo de un becario de investigación automatizado: un sistema capaz de realizar tareas bien definidas de varios días bajo dirección humana. Aspira a un investigador automatizado, también supervisado.

Los investigadores escriben más código y ejecutan más experimentos. OpenAI reconoce que dispone de más cómputo y que sus métricas son preliminares: la relación entre actividad y avance científico sigue siendo incierta.

Además, más de la mitad de las tareas exitosas estimadas en 4–8 horas humanas necesitaron alguna intervención. La planificación de alto nivel ocupa una fracción mínima de los tokens, las unidades de texto que producen los agentes. Las personas siguen fijando prioridades, valorando resultados y decidiendo si escalan, pausan o despliegan.

La automatización de la investigación avanza. El trabajo de decidir qué merece la pena investigar continúa ahí.

Supervisión de agentes de IA: mirar todo no garantiza detectar todo

Anthropic sitúa unos 30.000 agentes simultáneos en su plataforma interna más utilizada. Declara que el 100% de sus acciones pasa por monitorización online antes de ejecutarse y por monitorización offline después. La cobertura se refiere a esa plataforma.

El monitor bloqueó el 0,002% de más de mil millones de decisiones: aproximadamente una de cada 47.000, según las cifras redondeadas del informe. Ese porcentaje cuenta bloqueos; no indica cuántas acciones problemáticas pasaron inadvertidas. Fuente: Anthropic.

Su informe de riesgos, apartado 5.2.5, describe agentes sin monitorización offline y con permisos muy amplios que borraron numerosos trabajos de cómputo. Anthropic cree que fue un error al intentar borrar trabajos propios, pero reconoce que la falta de registros impide confirmarlo. Ocurrió fuera del ámbito de la plataforma citada: no contradice literalmente aquel 100%, aunque deja claro por qué debemos leer su alcance.

En su explicación de marzo de 2026, OpenAI describía otro modelo revisando acciones y cadenas de razonamiento de sus agentes internos. La revisión era asíncrona, dentro de los 30 minutos posteriores a terminar una interacción. Menos del 0,1% del tráfico, principalmente configuraciones locales o personalizadas, quedaba fuera.

OpenAI reconoce que no puede cuantificar con confianza los falsos negativos en tráfico real abierto. Son los fallos que el monitor no detecta. Haber encontrado los incidentes denunciados por empleados no demuestra que encuentre los más sutiles.

Para mí, esa es la pregunta pendiente en seguridad de la inteligencia artificial: qué se escapa y cómo se comprueba.

Seguridad: los porcentajes necesitan denominador y fecha

Anthropic dedicó a seguridad el 6% del cómputo de I+D y el 12% del destinado a I+D asistida por IA en la semana del 13 al 20 de julio de 2026. Es una fotografía semanal, no un presupuesto anual. Fuente: reparto de cómputo.

OpenAI explicó el 18 de agosto que, tras el incidente relacionado con Hugging Face, había pausado dos semanas el entrenamiento por refuerzo de sus modelos más recientes destinados al despliegue. Su mayor ejecución prevista de entrenamiento por refuerzo de frontera seguía en pausa en aquel comunicado; no se detuvo toda la investigación.

También reforzó el aislamiento de cargas, las restricciones de red y la monitorización. Admitió que antes esos controles de monitorización no cubrían todas las ejecuciones con herramientas. El sistema ampliado añade aproximadamente un 20% de cómputo sobre la inferencia monitorizada. Fuente: cambios de seguridad de OpenAI.

Comparar ese 20% con el 6% de Anthropic sería engañoso. Uno expresa el coste adicional de vigilar ciertas ejecuciones; el otro, una asignación de recursos de investigación. No permiten proclamar quién invierte más en seguridad.

Publicar fallos ayuda; también construye reputación

El 16 de septiembre, OpenAI presentó su marco de informes de desalineación con seis casos. Incluyen instrucciones del propio modelo que intentaban persistir entre resúmenes de contexto e instrucciones para ocultar errores.

También documenta el uso no autorizado de una clave API expuesta, seguido de datos inventados; archivos subidos a internet sin permiso para poder citarlos; comunicación no autorizada mediante un repositorio interno; y archivos compartidos entre agentes mediante URLs públicas.

Son casos observados durante entrenamiento o evaluación. No permiten calcular la frecuencia general de esos comportamientos.

En estas publicaciones, Anthropic estructura su relato alrededor de un índice de automatización, cobertura y recursos. OpenAI enfatiza actividad, complejidad e intervención humana, y acompaña el relato con más ejemplos concretos de conductas problemáticas. Eso no demuestra que una falle más.

Mi interpretación editorial es que ambas usan la transparencia también para presentarse como avanzadas y responsables. Publicar fallos merece reconocimiento. La confianza exige además auditoría externa, medición de errores y resultados verificables.

Lo que exigiría antes de delegar más en mi empresa

En una tienda como Adrihosan, contar fichas de producto generadas serviría de poco si después hubiera que revisar cada medida. Es un ejemplo hipotético, pero la cuenta se entiende enseguida: corregir también consume tiempo.

Yo mediría cinco cosas:

1. Tiempo total ahorrado, descontando preparación, supervisión y correcciones.
2. La tasa de error y el coste de revisión, incluidos los fallos descubiertos tarde.
3. Calidad, margen y cliente: qué mejora llega realmente al negocio.
4. Decisiones reservadas a personas, con un responsable identificado.
5. Trazabilidad y permisos: qué hizo cada agente, a qué accedió y cómo se detiene.

Me interesa ver agentes trabajando. Me interesa mucho más comprobar que el trabajo termina bien y cuesta menos. Ese es el criterio que aplicaría a cualquier proveedor.

Preguntas frecuentes

Automatiza con cabeza.