For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/es/articles/anthropic-ai-work-report-agent-hours-hiri-d16b5c5e.md.
El 16 de octubre, Anthropic publicó dos informes que contrastan el uso interno de la IA con las expectativas públicas sobre esta tecnología....
El 16 de octubre, Anthropic publicó dos informes que contrastan el uso interno de la IA con las expectativas públicas sobre esta tecnología. Uno examina el empleo y el trabajo dentro de la empresa. El otro compara una encuesta a 1.334 empleados de Anthropic con las respuestas de adultos de Estados Unidos.
El contraste es grande. Los empleados esperan que, para 2030, la IA pueda realizar un promedio del 75 % de las horas de trabajo que hacen actualmente; los encuestados empleados de Estados Unidos sitúan la cifra en el 28 %. En cuanto a un descubrimiento digno de un Nobel para 2030, las expectativas correspondientes son del 91 % entre los empleados y del 39 % entre los adultos estadounidenses.
Se trata de experiencias y previsiones distintas, no de dos mediciones de un futuro ya decidido. Para entender los informes, hay que separar lo que Anthropic observó dentro de una empresa de lo que los encuestados creen que ocurrirá más adelante.
El estudio de empleo de Anthropic combina registros internos de empleo y producción, telemetría de agentes, datos de comunicación y calendarios, evaluaciones de contratación, encuestas y 17 entrevistas con empleados. Describe una organización donde el uso de agentes se ha convertido en algo habitual en funciones técnicas y no técnicas.
En marzo de 2026, el tiempo de ejecución combinado de agentes autónomos e interactivos superó por primera vez las horas de trabajo humano estimadas. Para agosto, los agentes interactivos dirigidos por empleados, por sí solos, acumularon aproximadamente seis veces las horas humanas; la organización de investigación llegó a alrededor de 19 veces, según el gráfico original.
Estas comparaciones dependen de sus definiciones. El tiempo de trabajo de los agentes incluye la inferencia y el uso activo de herramientas, y excluye las esperas superiores a 30 minutos; las horas humanas se estiman a partir del número de empleados, suponiendo 40 horas semanales. El software que se ejecuta en paralelo puede acumular tiempo rápidamente. Que el tiempo de ejecución sea seis veces mayor no demuestra que se haya realizado seis veces más trabajo útil ni que se hayan sustituido seis empleados.
Un ejemplo de una red de Slack de un departamento ilustra el cambio en la comunicación. La fuente describe un aumento de 155 empleados y 150 conversaciones con agentes a 237 empleados y 7.922 conversaciones con agentes. Esos nodos de agentes representan hilos o sesiones, no miles de colegas independientes equivalentes a personas.
El informe muestra que los commits de ingeniería aumentaron hasta aproximadamente cinco veces el nivel de referencia de diciembre de 2025. También se registraron incrementos en las consultas de ciencia de datos, los contratos procesados, las facturas y la producción del equipo de ventas. El gráfico original sitúa los commits por ingeniero en 5,1 veces ese nivel de referencia.
Anthropic compara a quienes adoptaron herramientas de agentes con empleados que todavía no las habían adoptado, siguiendo a las personas a lo largo del tiempo. Esto aporta más información que un simple total de la empresa antes y después, pero la adopción no fue aleatoria. El crecimiento del negocio, los cambios en los proyectos y las características de quienes adoptan estas herramientas primero pueden afectar la comparación.
La cantidad de código también es una medida imperfecta de la calidad o el valor empresarial. Anthropic no encuentra diferencias en varios indicadores indirectos posteriores de eliminación y reversión en sus comparaciones de código dentro de cada persona; esos indicadores no abarcan todos los defectos posibles.
Los ejemplos hacen más concreto el cambio organizativo:
Estos son resultados internos con un alcance concreto y testimonios individuales. La afirmación de que las expectativas de una semana se parecen a las de tres meses en otros lugares es una comparación de una persona entrevistada, no una proporción de productividad medida para toda la economía.
Una generación más rápida produce un segundo problema: las personas no pueden revisar una cantidad ilimitada de resultados. El gráfico original estima que leer toda la producción semanal de Claude en ingeniería e investigación exigiría aproximadamente 424 horas por persona.
Este es un equivalente de tiempo de lectura, calculado a partir de los tokens generados, usando 0,75 palabras por token y 250 palabras por minuto. No significa que los empleados trabajaran realmente 424 horas ni que tuvieran que leer cada línea generada.
Por otro lado, las sesiones interactivas pasaban alrededor del 80 % del tiempo transcurrido esperando la intervención humana. Se trata de una medida del tiempo de inactividad, no de una tasa de fracaso de tareas del 80 %. Ambas observaciones describen un cuello de botella de atención: los agentes pueden producir más, pero las personas siguen decidiendo qué pedir, qué revisar y cómo actuar.
Los empleados respondieron creando agentes que clasifican el trabajo de otros agentes, paneles de supervisión e instrucciones reutilizables. Las instrucciones permanentes registradas pasaron de unos pocos cientos a 8.500 en un año. La proporción estimada de sesiones dedicadas a este tipo de herramientas y coordinación aumentó del 10 % al 22 %.
También importa mantener actualizado el contexto organizativo. Un empleado cuyo nombre seguía en un documento antiguo de productos promocionales continuó recibiendo solicitudes de agentes sobre camisetas y tazas después de que cambiaran sus responsabilidades. Una mayor actividad de software no proporciona automáticamente una memoria institucional precisa.
Los cambios de código fusionados a diario en Anthropic aumentaron de unos 2.500 en mayo a más de 30.000 en septiembre. El relato de ingeniería de la empresa describe la migración del monorepositorio a un nuevo sistema de control de versiones, Scion, mientras también desarrollaba herramientas de revisión y otras relacionadas.
Un equipo de siete personas creó los sistemas y completó la migración en cinco meses. En un ejemplo concreto, una reescritura inicial de la canalización de ingesta de Git a Scion con Mythos Preview utilizó una vigésima parte de la memoria y se ejecutó cuatro veces más rápido que el prototipo anterior del equipo. Esos múltiplos se refieren a la comparación de esa canalización, no a toda la actividad de ingeniería.
La encuesta interna de Anthropic de agosto se realizó junto con una encuesta de Morning Consult a 10.980 adultos de Estados Unidos. La muestra estadounidense se ponderó para representar a la población adulta del país; la encuesta interna no se ponderó. Las preguntas sobre el futuro dirigidas a los encuestados estadounidenses se dividieron entre 2027 y 2030.
Los grupos estaban más cerca al evaluar lo que la IA puede hacer hoy que al valorar sus capacidades futuras. Aproximadamente una cuarta parte de cada grupo creía que la IA ya podía diseñar, realizar y publicar un estudio científico. Las expectativas sobre esa capacidad para 2027 divergían: aproximadamente el 90 % entre los empleados de Anthropic y el 38 % entre los adultos estadounidenses.
En cuanto a su propio trabajo, los empleados de ocupaciones de informática, ingeniería y ciencias ajenos a Anthropic esperaban que, para 2030, la IA pudiera realizar el 33 %. La estimación alcanzaba el 40 % entre quienes usaban IA habitualmente en esas ocupaciones, todavía por debajo del 75 % de los empleados de Anthropic.
Describe tu idea una vez y We0 AI puede generar un sitio de presentacion, paginas y CMS, y ayudarte a atraer clientes y trafico tras el lanzamiento.
Una generación completa de proyectos para registro gratuito
Lo mejor para probar un flujo de generación completo y ver rápidamente el primer borrador del proyecto.
El ahorro de tiempo mostró otra diferencia. Al considerar una tarea adecuada para la IA e incluir la revisión y la corrección, el 59 % de los empleados afirmó que la tarea llevaba una cuarta parte del tiempo o menos. Entre los adultos estadounidenses que usan IA en el trabajo, el 26 % respondió lo mismo; el 29 % dijo que la IA requería el mismo tiempo o más.
Estas respuestas se refieren a tareas adecuadas, no a todo el trabajo. Pueden reflejar diferencias en las herramientas, los flujos de trabajo, la selección de tareas, el acceso a modelos, el apoyo organizativo y las expectativas de los encuestados.
También se preguntó a los empleados por el trabajo más amplio de desarrollo de un modelo de frontera de principios de 2026, incluidas la dirección de investigación, los experimentos y la evaluación. La estimación mediana fue que, en ese momento, la IA realizaba el 51 % del trabajo; la cifra subiría al 80 % a finales de 2027 y al 95 % a finales de 2030.
La cifra del 95 % es una previsión personal obtenida en una encuesta interna. No es una medición auditada ni un compromiso oficial de Anthropic de dejar exactamente el 5 % del desarrollo en manos humanas. Además, el punto de referencia fijo de principios de 2026 difiere de preguntar cuánto trabajo se necesitará para crear lo que se considere un modelo de frontera en 2030.
El análisis de investigación independiente de Anthropic ofrece ejemplos más acotados de avances:
| Experimento o ejemplo | Resultado comunicado | Alcance de la comparación |
|---|---|---|
| Optimizar el código de entrenamiento de un modelo pequeño | Mythos Preview alcanzó aproximadamente 52 veces la velocidad inicial; una persona experta llegó a alrededor de cuatro veces en cuatro a ocho horas | Es una tarea fija de optimización de código, no una aceleración de 52 veces del entrenamiento real de modelos de frontera. |
| Investigación de supervisión de débil a fuerte | Los agentes recuperaron el 97 % de una brecha de rendimiento definida, con 800 horas acumuladas y unos 18.000 dólares en capacidad de cómputo; dos personas recuperaron alrededor del 23 % en una semana | Las personas eligieron el problema y los criterios de evaluación, y el resultado no se trasladó de forma clara a modelos a escala de producción. |
| Elegir el siguiente paso de una investigación | La sugerencia de Mythos Preview se consideró mejor en el 64 % de 129 casos seleccionados | Los casos se eligieron deliberadamente porque la decisión humana original podía mejorarse. |
Esta última condición de selección es especialmente importante. En un conjunto aparte de 127 casos donde la decisión humana ya era sólida, las sugerencias del modelo se consideraron mejores solo en alrededor del 20 % de las ocasiones. Los resultados respaldan mejoras en componentes específicos de la investigación, no una conclusión general de que la IA haya superado el criterio investigador humano.
Anthropic creció considerablemente en términos generales, pero cambió la composición de la contratación técnica. El informe de empleo afirma que la proporción de empleados júnior en los departamentos técnicos cayó del 21 % al 14 %, mientras que la proporción de nuevas contrataciones júnior descendió del 27 % al 9 %.
Una proporción menor no significa automáticamente que la plantilla absoluta se haya reducido. Sí plantea otra pregunta: ¿cómo adquieren experiencia las personas si menos tareas de implementación de nivel inicial se convierten en puestos de trabajo? El informe de la empresa analiza la reasignación interna y los puestos de supervisión en riesgo, y reconoce que proteger a los empleados actuales no ayuda a quienes nunca fueron contratados.
En general, los empleados no esperaban que la contratación total de la empresa se detuviera: el 95 % esperaba que la plantilla creciera durante el año siguiente. Son opiniones de los empleados, no un plan de contratación.
El informe sobre expectativas también traslada las respuestas de la encuesta a un modelo económico. Los datos de la persona adulta mediana de Estados Unidos implican un crecimiento del PIB estadounidense del 5,4 % en 2030; los de la persona empleada mediana de Anthropic implican un 17,1 %. Estas cifras describen escenarios condicionales del modelo, no una tasa de crecimiento medida ni una previsión incondicional.
La fuente concluye sugiriendo que Anthropic lleva aproximadamente 18 meses de ventaja respecto de la adopción más amplia. Esto puede interpretarse desde una perspectiva económica, pero los informes no establecen un calendario universal de 18 meses para otras empresas. La difusión dependerá de la fiabilidad, la seguridad, los costes, la regulación, las preferencias de los clientes y la organización del trabajo.
No. El 95 % es la expectativa mediana de los empleados para finales de 2030, en respuesta a una pregunta sobre el desarrollo de un modelo de frontera de principios de 2026. El informe distingue explícitamente estas estimaciones personales de una medición o previsión de la empresa.
No. La comparación del tiempo de ejecución contabiliza la ejecución del software y estima las horas humanas a partir del número de empleados. Para determinar el trabajo ahorrado se necesitan resultados de las tareas, su calidad, el esfuerzo de revisión y una comparación válida con el flujo de trabajo humano.
La cifra aproximada de cinco veces se refiere a los commits por ingeniero en relación con un nivel de referencia específico. No demuestra que todas las funciones hayan obtenido la misma mejora, y una mayor cantidad de código no es una medida completa de la producción útil.
Convierte el volumen de producción en el tiempo necesario para leerlo a una velocidad supuesta. Ilustra la escala del texto generado, no las horas de trabajo reales de los empleados ni la necesidad de leerlo todo.
Muestra un cambio en la composición de la contratación en una empresa de IA que crece rápidamente. Los resultados más amplios dependerán de la adopción, la demanda, la creación de tareas y la manera en que los empleadores desarrollen la formación y las trayectorias profesionales.
La cifra es un escenario implícito en el modelo, obtenido a partir de las respuestas de la persona empleada mediana. Depende de supuestos sobre capacidades, adopción, ahorro de tiempo, autonomía y transiciones de los trabajadores.
La evidencia interna de Anthropic muestra una expansión del uso de agentes, una mayor producción según varias métricas, más trabajo dedicado a supervisarlos y una menor proporción de nuevas contrataciones técnicas júnior. La encuesta a sus empleados también muestra expectativas de avances de la IA mucho más rápidos que las de la encuesta al público.
Los informes son más útiles cuando se mantienen separadas las observaciones sobre el lugar de trabajo, los experimentos específicos de cada tarea y las previsiones personales.
Empieza con una sola frase y obtén un sitio completo en minutos.
