Los autores de AI 2027 revisan su pronóstico: la IA lleva cinco meses de ventaja sobre su escenario
Si la IA ayuda a desarrollar más rápido el siguiente modelo, hay que recalcular los plazos de evolución de la tecnología. Los autores de AI 2027 consideran que la aceleración de la investigación ya lleva unos cinco meses de ventaja sobre su escenario. Ahora todo el equipo espera un investigador de IA sobrehumano en 2027, salvo que el desarrollo se ralentice sustancialmente. La revisión se basa en una evaluación de METR, cuyas pruebas son en parte confidenciales.
Procesado por IA desde TG: @data_secrets (Data Secrets); editado por Hamidun News
Cuando la IA escribe código más rápido, la siguiente tarea del equipo es comprobar si eso permite entregar antes un producto que funcione. En el desarrollo de los propios modelos aparece un efecto adicional: un modelo mejorado puede ayudar a crear el siguiente. Este ciclo llevó a los autores de AI 2027 a revisar los plazos de su pronóstico. Para desarrolladores y fundadores, plantea una pregunta práctica: ¿qué procesos conviene empezar a rediseñar si las herramientas comienzan a mejorar más rápido de lo previsto?
Qué cambió en el pronóstico
El 10 de noviembre, AI Futures Project publicó una actualización: ahora todos los integrantes del equipo consideran probable la aparición de un investigador de IA sobrehumano, o SAR, en 2027, siempre que no haya una ralentización deliberada y sustancial del desarrollo. Antes, Daniel Kokotajlo atribuía una probabilidad del 50% a la aparición de un SAR antes de 2029.
Los autores definen un SAR como un sistema capaz de automatizar por completo la programación dentro de un proyecto de IA y elegir líneas de investigación al nivel del mejor investigador humano. Es un listón considerablemente más alto que el de un agente que resuelve por su cuenta tareas individuales en un repositorio.
El equipo también sitúa entre el 35–65% la probabilidad de que aparezca una IA que supere a los mejores expertos en prácticamente todas las tareas antes de que comience 2028. El resumen inicial hablaba de «en 2028», pero la fuente original establece un límite anterior. Los autores abogan por una pausa o una limitación sustancial del ritmo de los desarrollos de frontera. Esa es su propuesta para gestionar el riesgo. Actualización de AI Futures Project.
Qué observó METR
El detonante fue el informe de METR del 5 de noviembre sobre la investigación dentro de Anthropic. Sus autores consideran que las capacidades de los modelos en tareas con condiciones claramente definidas mejoran ahora a un ritmo aproximadamente dos veces superior al histórico. La incertidumbre es considerable: a los investigadores no les sorprendería una aceleración de 1,3 veces ni de tres veces.
METR atribuye de forma tentativa la mayor parte de la aceleración actual al uso de IA. Sin embargo, Anthropic ha mantenido confidencial la mayor parte de las pruebas que los evaluadores consideraron más informativas. Por eso, los lectores externos no pueden verificar de forma independiente una parte sustancial de la argumentación. METR también advierte de que las métricas internas podrían no reflejar por completo el trabajo en condiciones menos definidas. Informe de METR.
A partir de estas estimaciones, AI Futures Project calculó una aceleración del progreso atribuible a la IA de aproximadamente 1,7 veces. Fue en esta magnitud en la que el equipo calculó unos cinco meses de adelanto respecto a su escenario. Aplicar ese ajuste a cada acontecimiento previsto sería un error: se compara un indicador concreto, mientras que los plazos de los siguientes hitos dependen de supuestos adicionales.
Cómo aplicarlo a tu equipo
Imaginemos un laboratorio en el que un agente prepara el código de un experimento en una hora en lugar de una jornada laboral. Después, el experimento espera a que haya una GPU disponible, el entrenamiento dura varios días y el investigador todavía tiene que interpretar el resultado. Acortar la primera fase ayuda, pero el ciclo completo solo se acelerará hasta donde lo permitan las demás. Si el agente ayuda a elegir mejores experimentos, el efecto podría ser considerablemente mayor.
En el desarrollo de productos, la lógica es similar. Es posible producir más código y seguir tardando lo mismo en lanzar una versión por la validación de requisitos, la revisión del código o las pruebas de aceptación. Por eso, un siguiente paso razonable es elegir una categoría de tareas recurrentes y medir el tiempo desde su asignación hasta la aceptación del resultado. Conviene registrar por separado las correcciones, el coste de ejecución y las horas de revisión humana. Así se verá dónde la automatización realmente libera recursos.
Para un fundador, esta medición ayuda a tomar decisiones de contratación y presupuesto. Si el cuello de botella sigue estando en la comprobación del resultado, generar más código no lo eliminará por sí solo. A los responsables de producto les conviene comprobar si el equipo puede definir tareas y aprobar cambios con suficiente rapidez; de lo contrario, las mejoras de los modelos podrían no trasladarse al producto.
El pronóstico actualizado ofrece un motivo para revisar estos procesos con más frecuencia. Por sí solo, todavía no demuestra que vaya a aparecer un equipo autónomo de investigación en el año señalado. La decisión práctica hoy es recopilar datos propios sobre la eficacia de los agentes y mantener la flexibilidad para cambiar de herramientas a medida que aparezcan resultados verificables.
- 12 nov 2026Jensen Huang deja el cargo de CEO de Nvidia: la empresa pierde 1,4 billones de dólares en dos semanas
- 12 nov 2026Claude in Chrome exige autorizar cada clic en los sitios de categoría 3
- 12 nov 2026AWS Quick incorpora seis agentes para product managers: de las quejas de los clientes a la especificación
- 12 nov 2026Anthropic cierra Claude desde el 12 de noviembre a las empresas de Rusia, incluso con entidad jurídica en el extranjero
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué cambió en el pronóstico?
El 10 de noviembre, AI Futures Project publicó una actualización: ahora todos los integrantes del equipo consideran probable la aparición de un investigador de IA sobrehumano, o SAR, en 2027, siempre que no haya una ralentización deliberada y sustancial del desarrollo. Antes, Daniel Kokotajlo atribuía una probabilidad del 50% a la aparición de un SAR antes de 2029.
¿Qué se sabe sobre Qué observó METR?
El detonante fue el informe de METR del 5 de noviembre sobre la investigación dentro de Anthropic. Sus autores consideran que las capacidades de los modelos en tareas con condiciones claramente definidas mejoran ahora a un ritmo aproximadamente dos veces superior al histórico. La incertidumbre es considerable: a los investigadores no les sorprendería una aceleración de 1,3 veces ni de tres veces. METR atribuye de forma tentativa la mayor parte de la aceleración actual al uso de IA.
Cómo aplicarlo a tu equipo?
Imaginemos un laboratorio en el que un agente prepara el código de un experimento en una hora en lugar de una jornada laboral. Después, el experimento espera a que haya una GPU disponible, el entrenamiento dura varios días y el investigador todavía tiene que interpretar el resultado. Acortar la primera fase ayuda, pero el ciclo completo solo se acelerará hasta donde lo permitan las demás. Si el agente ayuda a elegir mejores experimentos, el efecto podría ser considerablemente mayor.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.