Automatizar no es gobernar

Automatizar no es gobernar
25/09/2026



Cuando una organización presume de que la IA ya automatiza una parte relevante de su trabajo, la pregunta que casi nadie hace es la que determina si esa cifra significa algo: ¿qué parte de la supervisión sigue siendo humana, y cómo se demuestra?

Anthropic acaba de publicar sus propios números. En agosto de 2026, Claude "lidera" de principio a fin el 26% del trabajo de investigación y desarrollo de la propia Anthropic, frente a menos del 1% en febrero del mismo año. Otro 90% del trabajo alcanza al menos el nivel de "colaboración", en el que el sistema completa partes grandes de una tarea bajo dirección humana cercana (Anthropic, "Measuring the pace of AI development inside frontier labs",17-09-2026). Son cifras que en seis meses han pasado de ser anecdóticas a describir buena parte del trabajo técnico de una de las compañías de IA más avanzadas del mundo.

La lectura habitual de un dato así es de velocidad: cuánto ha crecido la automatización, qué tan rápido escala. Es la lectura equivocada. El propio informe advierte de algo más incómodo: que los modelos acelerando su propio desarrollo puede hacer más difícil que los humanos entiendan o controlen estos sistemas — y, sin embargo, insiste en que Claude "no opera de forma completamente autónoma en ningún subconjunto medido de trabajo de I+D" (Anthropic, 17-09-2026). Entre esas dos afirmaciones está la pregunta real: no cuánto automatiza, sino qué evidencia concreta sostiene la segunda.

Qué demuestra el dato, y qué no

El 26% no demuestra por sí solo que la supervisión humana sea suficiente. Demuestra que existe capacidad instalada para delegar tareas completas a un sistema. Lo que sí aporta evidencia sobre la supervisión es otro dato, menos citado por la cobertura mediática del anuncio: Anthropic monitoriza a unos 30.000 agentes de investigación e ingeniería de forma simultánea, con supervisores automáticos que revisan el 100% de las acciones en tiempo real y otros que las revisan por completo después de ejecutarse — con una tasa de bloqueo del 0,002%, aproximadamente 1 de cada 47.000 decisiones (Anthropic, 17-09-2026). Bloomberg, al recoger el anuncio, señala que esta aceleración desde febrero se ha producido en paralelo a que la propia dirección de Anthropic pida públicamente ritmos de desarrollo más pausados para la industria — una tensión que la compañía no resuelve, solo reconoce (Bloomberg, "Anthropic Says Claude Drives 26% of Its Research and Development", 17-09-2026). Una cobertura más general del anuncio recoge la misma advertencia sobre control y la sitúa en el debate más amplio del sector, donde unos laboratorios piden frenar y otros se resisten (KSAT/Associated Press, 18-09-2026).

Esto no demuestra que 1 de cada 47.000 sea la tasa correcta de intervención, ni que ese mismo diseño de supervisión —monitorización total más revisión posterior— sea replicable fuera de un laboratorio de IA con recursos para mantenerlo. Es la prueba de un mecanismo, no un estándar universal.

El cambio de unidad de análisis

La mayoría de organizaciones que informan sobre su adopción de IA reportan una sola cifra: cuánto se ha automatizado, cuántas licencias están activas, cuántos procesos usan ya un asistente. Es la métrica equivocada porque no dice nada sobre la supervisión. El dato de Anthropic es útil precisamente porque obliga a mirar tres cosas distintas a la vez: qué proporción de las acciones pasa por una revisión, en qué momento ocurre esa revisión —antes, durante o después de que el sistema actúe— y con qué frecuencia esa revisión cambia realmente algo.

La unidad de análisis relevante no es "cuánto automatiza la IA", sino "qué fracción de las decisiones de esa IA podemos reconstruir y demostrar que alguien revisó". Son preguntas distintas: la primera se responde con un porcentaje de adopción; la segunda exige un diseño de supervisión con cobertura, momento y tasa de intervención definidos y medidos.

Una hipótesis que merece probarse

Nuestra hipótesis: la mayoría de las organizaciones que ya delegan tareas completas a un sistema de IA no podrían responder, si se les preguntara hoy, qué porcentaje de esas decisiones ha pasado por una revisión real, ni cuántas veces esa revisión ha corregido o bloqueado algo. No porque no les importe, sino porque nunca han diseñado el mecanismo que lo mediría. El caso de Anthropic no es un ejemplo a imitar íntegramente —pocas organizaciones pueden monitorizar 30.000 agentes—, sino la prueba de que ese mecanismo se puede diseñar y medir con precisión, y de que su ausencia es una decisión, no un accidente.

Decisión para el comité

Antes de reportar cuánto automatiza un flujo de trabajo con IA, hay que poder responder a tres preguntas sobre su supervisión: qué proporción de las acciones pasa por una revisión, humana o automática; en qué momento se produce esa revisión; y con qué frecuencia cambia el resultado. Si hoy nadie en la organización puede responder a las tres con un dato y no con una impresión, ese es el primer sistema que diseñar —con un responsable concreto y una primera fecha de medición— antes de ampliar qué tareas se delegan, no después. Es exactamente el tipo de evidencia que exige el eje de responsabilidad ética del Certificado Más IA Responsable de QuantumWave: no que exista una política de supervisión, sino que su cobertura y su tasa de intervención puedan mostrarse con datos.


Fuentes: Anthropic, "Measuring the pace of AI development inside frontier labs", 17-09-2026; Bloomberg, "Anthropic Says Claude Drives 26% of Its Research and Development", 17-09-2026); KSAT/Associated Press, "Anthropic says its model Claude is helping to build the next version of itself", 18-09-2026.

#InteligenciaArtificial #GobernanzaIA #SupervisionHumana #IAResponsable #Automatizacion #AgentesIA #GestionDeRiesgos #TransformacionEmpresarial #QuantumWave

« volver
Logo de Quantum Wave
© 2025 All rights reserved - Política de privacidad - Términos y condiciones - Política de cookies