Jacob Coxon sostiene que Anthropic podría volver a entrenar Mythos con una fracción de la capacidad de cálculo original. Su estimación abre una pregunta para el sector: ¿qué ocurre cuando alcanzar el mismo rendimiento exige cada vez menos infraestructura?
La carrera de la inteligencia artificial suele medirse en chips, centros de datos y megavatios. Jacob Coxon, que trabajó en el entrenamiento de modelos en OpenAI y Anthropic, ha puesto el foco en otra variable: cuánto rendimiento pueden sacar los laboratorios de la capacidad de cálculo que ya tienen.
Según declaraciones recogidas por The Decoder el 14 de noviembre de 2026, Coxon sostiene que Anthropic ya podría volver a entrenar Mythos con una fracción del cómputo que necesitó originalmente. La cobertura recoge su estimación, sin aportar una cifra concreta del ahorro ni resultados de un nuevo entrenamiento que permitan comprobarla.
Qué muestra la gráfica de Anthropic
Coxon se apoya en una diapositiva que Anthropic preparó para inversores. La gráfica recoge estimaciones internas sobre cómo ha cambiado la eficiencia del preentrenamiento en tareas de programación entre julio de 2024 y octubre de 2026. La propia compañía indica que los datos son ilustrativos.
El exinvestigador interpreta la pendiente de la gráfica como una señal de que las mejoras algorítmicas se están acelerando. El alcance de la medición importa: una mejora en tareas de código deja abierta la pregunta de cuánto cómputo haría falta para reproducir el conjunto de capacidades de Mythos.
Entrenar con menos cómputo cambia la barrera de entrada
La eficiencia algorítmica se puede entender con una pregunta: ¿cuánta capacidad de cálculo hace falta para llegar al mismo resultado en una prueba? Si un método de entrenamiento mejora, el equipo puede alcanzar ese resultado con menos cómputo o dedicar el presupuesto disponible a intentar mejorar el rendimiento.
Para los laboratorios, esa diferencia puede cambiar qué proyectos están a su alcance. Si una capacidad que hoy exige la infraestructura de unas pocas compañías se vuelve más barata de reproducir, más organizaciones podrían desarrollarla. Seguirían necesitando datos, personal especializado e infraestructura, y el coste de cada proyecto dependería de cómo se combinen esos recursos.
La consecuencia para la seguridad es que el tamaño de un centro de datos dice cada vez menos por sí solo. Para evaluar un modelo también importa qué puede hacer, con qué fiabilidad y a qué herramientas o sistemas se le permite acceder.
La IA como herramienta para investigar la propia IA
Coxon cree que parte del trabajo de encontrar mejoras algorítmicas está cerca de automatizarse. Un modelo puede ayudar a escribir código experimental, resumir resultados o sugerir qué hipótesis probar después. Si esas tareas se aceleran, un equipo podría ensayar más cambios en el mismo plazo.
El escenario que preocupa al exinvestigador es que esa ayuda acelere el desarrollo de nuevas generaciones de modelos. Si los ciclos se acortan más rápido que las evaluaciones de seguridad, los equipos tendrán que decidir qué comprobaciones debe superar cada versión antes de desplegarla.
Por qué Coxon plantea una pausa en 2027
Coxon propone pausar durante 2027 el desarrollo de modelos frontera, los que empujan el límite de las capacidades disponibles. Según The Decoder, uno de sus argumentos es que la pausa daría tiempo a los competidores para acercarse a OpenAI y Anthropic. En su opinión, eso ayudaría a que capacidades avanzadas que hoy se concentran en unos pocos laboratorios estuvieran al alcance de más actores.
La propuesta deja una tensión abierta. La misma eficiencia que puede reducir la dependencia de unas pocas compañías también puede ampliar el acceso a capacidades difíciles de evaluar. Para entender cuánto está cambiando esa barrera, hace falta publicar comparaciones que indiquen qué tarea se midió, cuánto cómputo se utilizó y qué rendimiento se consiguió.
Fuentes
Sombra Radio · Apoyo de lectores
Ayuda a mantener viva Sombra Radio
Tu aportación voluntaria nos ayuda a seguir publicando sobre IA. Puedes apoyarnos desde 1 € al mes.
