METR explica cómo la IA se acerca a ejecutar de forma autónoma tareas complejas de casi 12 horas

En un vídeo de Bloomberg Tech basado en el episodio del pódcast Odd Lots del 25 de abril de 2026, representantes de la organización de investigación METR explicaron que la pregunta central sobre la IA ya no es si un modelo puede responder a una consulta, sino cuánto tiempo es capaz de sostener por sí solo una tarea compleja de varios pasos. Según su estimación, Claude Opus 4.6 se acerca a un nivel en el que un agente puede, con una probabilidad apreciable, completar un trabajo que a una persona le llevaría casi 12 horas.

METR, siglas de Model Evaluation and Threat Research, mide hasta dónde han avanzado los modelos de frontera en el trabajo autónomo. El presidente de la organización, Chris Painter, y el investigador Joel Becker no hablaron de los benchmarks habituales de conocimiento factual, sino de tareas en las que el modelo debe planificar, usar herramientas, escribir y revisar código, corregir errores y llegar a un resultado sin indicaciones constantes de una persona. Ese modo es el que importa para evaluar la utilidad real de los sistemas agénticos y los riesgos asociados.

La métrica clave de METR es el time horizon (horizonte temporal). No es el tiempo que la IA pasa con una tarea, sino la dificultad de la tarea, medida por cuánto tardaría en hacerla un humano cualificado. En el panel oficial de METR, esta estimación se construye a partir de más de un centenar de tareas de desarrollo, aprendizaje automático y ciberseguridad. Para cada modelo, los investigadores lanzan varias ejecuciones independientes, comparan el resultado con referencias humanas y después trazan una curva de probabilidad de éxito.

El proceso en sí no lleva horas, sino al menos una o dos semanas de calendario, porque el equipo debe ajustar un entorno de ejecución funcional, revisar fallos, descartar intentos de burlar la evaluación y volver a comprobar a mano las ejecuciones dudosas.

Si un modelo tiene un horizonte del 50 % de varias horas, significa que resuelve tareas de esa dificultad aproximadamente en la mitad de los casos. Por eso la cifra de casi 12 horas para Claude Opus 4.6 suena bastante más seria que otro récord en pruebas. No se trata de una respuesta pulida en un chat, sino de la capacidad de mantener el contexto, dividir el trabajo en etapas y no desmoronarse tras el primer fallo.

En su actualización de enero, Time Horizon 1.1, METR también escribió que, históricamente, el horizonte de capacidades de los modelos de frontera se ha duplicado aproximadamente cada siete meses, y que en las mediciones de modelos posteriores a 2023 el ritmo parecía aún mayor.

Aun así, la propia METR advierte de que estas cifras no pueden traducirse directamente en que la IA esté lista para sustituir a una persona en cualquier trabajo intelectual. Su conjunto de tareas consiste sobre todo en casos de ingeniería e investigación bien especificados y con una verificación clara del resultado. En el trabajo real hay mucho más contexto implícito, comunicación y criterios de éxito ambiguos.

De la conversación se desprende otra conclusión. Cuando se dice que las IA empiezan a trabajar juntas, en la práctica significa cada vez más una combinación de modelo, herramientas y circuito de control, y no solo un segundo chatbot en la ventana de al lado. Los sistemas agénticos actuales ya saben invocar editores de código, ejecutar pruebas, buscar información y pasar resultados intermedios al paso siguiente. Cuanto mayor es el horizonte de trabajo autónomo del modelo base, más útiles resultan estas cadenas y más difícil le resulta a una persona mantener el control total de cada acción.

Por eso METR considera el crecimiento del horizonte no solo un avance de producto, sino también una señal para evaluar riesgos, incluidos los escenarios en los que los sistemas obtienen demasiada autonomía.

El sentido práctico de este debate es que el mercado de la IA pasa poco a poco de comparar respuestas a comparar autonomía de trabajo. Para las empresas, la cuestión es qué procesos se pueden confiar ya a agentes. Para los desarrolladores de modelos, es la rapidez con que crece la capacidad real de los sistemas para completar tareas largas. Y para reguladores e investigadores de seguridad, es un indicador temprano del momento en que hablar de IA autónoma deje de ser teoría y se convierta en realidad operativa.