> ## Content Index
> Fetch the complete content index at: https://fomoera.com/llms.txt
> Use this file to discover other available public pages before exploring further.

# METR: el horizonte de tareas de la IA se duplica cada 110 días; el juicio sigue rezagado
- URL: https://fomoera.com/metr-horizonte-tareas-juicio-evaluaciones-ia/
- Published: 2026-11-21T06:40:00.000Z
- Updated: 2026-11-21T06:40:00.000Z
- Description: El nuevo análisis de METR amplía las pruebas hacia tareas de investigación con resultados difíciles de comprobar. La tendencia de mejora persiste, pero sus límites importan para interpretarla.
- Author: Gerardo Pavez
- Tags: Tecnología y Ciencia, IA

METR actualizó el 20 de noviembre de 2026 sus pruebas de capacidades de inteligencia artificial y calculó que el horizonte de tareas de los modelos más avanzados se duplica aproximadamente cada 110 días en el conjunto examinado. La nueva batería incluye trabajos de investigación difíciles de calificar: aunque los agentes destacan cuando pueden comprobar si acertaron, ninguna evaluación diseñada por ellos resultó lo bastante útil para incorporarla al análisis de METR. Esa diferencia limita lo que puede concluirse del gráfico sobre la automatización de la investigación en IA.

## Qué mide la duplicación cada 110 días

El horizonte temporal no indica cuánto tiempo trabaja un agente sin pausa. Es la duración estimada que necesitaría una persona experta para resolver una tarea de la batería en la que el modelo tiene una probabilidad prevista de éxito del 50 %. Un horizonte mayor describe el nivel de dificultad de esas tareas bajo esa medida; no equivale a dominar cualquier proyecto que ocupe ese tiempo en una empresa.

METR, organización sin fines de lucro que evalúa modelos avanzados, combinó su batería anterior de 222 tareas con TH2, una nueva colección de 36 tareas distribuidas en 12 familias. Ocho familias tienen objetivos verificables mediante una puntuación o una prueba automática. Las otras cuatro incluyen investigación abierta, decisiones de evaluación y juicios que requieren una valoración humana o una rúbrica.

Para asignar duraciones humanas, METR definió umbrales en 34 de las 36 tareas nuevas. Solo tres se apoyaron en referencias humanas completadas; para las otras 31 recurrió a estimaciones de investigadores, informadas por registros de trabajo y especialistas. La organización obtuvo tendencias similares al variar esas estimaciones en sus pruebas de sensibilidad, pero la cifra en horas depende de una calibración menos directa que la del gráfico original.

La tendencia conjunta equivale a una duplicación cada 3.61 meses, unos 110 días, con un intervalo de confianza del 95 % de 2.08 a 4.94 meses. El crecimiento exponencial de esta medida tampoco demuestra que la propia velocidad del progreso esté aumentando. METR creó además un índice de capacidad que, para los modelos públicos examinados en conjunto, no mostró una aceleración ni una desaceleración claras. Sus análisis por desarrollador cambian según las decisiones metodológicas.

## Las tareas comprobables muestran la ventaja de los agentes

En el subconjunto verificable de TH2, METR estima horizontes de hasta 27 horas para modelos públicos de frontera. En las tres tareas nuevas para las que logró obtener referencias humanas completadas, los mejores agentes superaron a las personas contratadas. La organización advierte que no sabe hasta qué punto esas personas representan la pericia de los investigadores que trabajan en los laboratorios de IA.

Cuando había una base humana más amplia, la comparación fue menos absoluta. En 15 concursos de optimización, los modelos más fuertes quedaron, en el concurso mediano, entre los percentiles 96 y 98 de participantes humanos; alrededor de cuatro personas los superaron. Las condiciones tampoco eran iguales: los agentes contaron con 48 horas en una máquina de 28 núcleos, mientras los participantes tuvieron cerca de tres meses y su propio equipo.

## La dificultad de elegir y juzgar una buena investigación

METR pidió a los agentes que crearan una tarea nueva capaz de revelar algo útil sobre las capacidades de los modelos. Algunos resultados recientes rozaron el umbral de utilidad, pero ninguno mereció entrar en la batería usada para el informe. Los sistemas tendieron a proponer problemas de optimización con puntuaciones automáticas incluso cuando recibieron indicaciones para explorar decisiones cuyo acierto no se conoce de inmediato.

La evaluación del resultado también falló en un punto concreto. Al puntuar tareas producidas por modelos de fuerza similar o superior, los jueces automáticos fueron más generosos que el evaluador humano de METR. La organización plantea que puede tratarse de una dificultad para reconocer una prueba realmente informativa, aunque admite otras explicaciones y señala que los agentes no siempre agotaron los recursos disponibles en estas tareas.

En declaraciones a MIT Technology Review, el investigador Sayash Kapoor señaló que elegir preguntas e hipótesis prometedoras podría frenar la automatización de la investigación. Najoung Kim, de la Universidad de Boston, advirtió al medio que todavía es difícil extrapolar el progreso observado en las pocas tareas abiertas examinadas. Sus valoraciones ayudan a poner el gráfico en contexto, pero no amplían la muestra del informe.

La comparación con trabajo real añade otra escala. [OpenAI informó](https://openai.com/index/research-acceleration-jagged-frontier/?ref=fomoera.com) el 18 de noviembre que, en sus tareas internas de investigación estimadas en dos a cuatro horas humanas, la tasa de éxito autónomo subió del 23 % en marzo al 46 % en octubre; en las de cuatro a ocho horas pasó del 13 % al 35 %. Son mediciones de otra empresa y de otro conjunto de tareas, por lo que no pueden trasladarse directamente a los horizontes de METR. Sí muestran por qué el tipo de encargo y la forma de comprobarlo cambian la lectura de cualquier cifra de capacidad.

Como contamos al analizar la evaluación anterior de METR sobre Anthropic, una estimación de mayor velocidad de mejora de modelos no mide por sí sola la sustitución de todas las decisiones de investigación. La nueva batería intenta observar precisamente una parte de ese trabajo que antes quedaba fuera del gráfico.

[METR estima que Anthropic casi duplicó el ritmo de mejora de sus modelos de IAMETR estima que los modelos de Anthropic mejoran más rápido y atribuye parte de la aceleración a la IA.![](https://fomoera.com/content/images/icon/FomoEra-favicon-512-ee84b38c-071d-4384-a5d9-97ea5e1f223f.png)FomoEraPatricia Rodriguez![](https://fomoera.com/content/images/thumbnail/fomoera-metr-estima-que-anthropic-casi-duplico-el-ritmo-de-mejora-de-sus-modelos-de-ia-1a256287-16x9-v2-1200x675-545f6fe1-cbf6-4e78-93c4-9759953a67e7.webp)](https://fomoera.com/metr-anthropic-aceleracion-desarrollo-ia/)

Por ahora, METR puede medir una mejora rápida en las tareas que evaluó y documentar fallas concretas al diseñar y juzgar pruebas. Todavía tiene pocos ejemplos de investigación abierta para establecer una tendencia igual de firme en esas decisiones.

*Fuentes:* [1](https://metr.org/blog/2026-11-20-q4-2026-capability-update/?ref=fomoera.com), [2](https://www.technologyreview.com/2026/11/20/1149399/the-most-misunderstood-graph-in-ai-just-got-a-major-update/?ref=fomoera.com), [3](https://openai.com/index/research-acceleration-jagged-frontier/?ref=fomoera.com)