El 22 de septiembre de 2026, Anthropic presentó Claude Opus 5.5. Según el anuncio, rinde como Claude Fable 5.1 en la mayoría de los trabajos y cuesta un 40 % menos que Opus 5. Dos días después, Carlos Santana, el divulgador conocido como DotCSV, publicó un vídeo que apenas se detenía en esas cifras. Le interesaba otra cosa: en los dos últimos meses, los modelos de lenguaje habían dado un salto en creación audiovisual. Animaciones, gráficos en movimiento, escenas 3D o pixel art hechos escribiendo código, sin recurrir a un modelo que genere vídeo.
Para explicarlo dibujó una sigmoide: una curva en forma de S que avanza despacio, sube muy deprisa durante un tramo corto y termina casi plana. Su idea es que cada tipo de tarea recorre su propia S en un momento distinto. Sitúa el tramo empinado del lenguaje en la época de GPT-3, el de la programación entre 2025 y principios de 2026, y el de la creación audiovisual en estas últimas semanas.
La observación encaja con lo que muchos hemos vivido. Lo interesante es por qué ocurre. Los ingredientes con los que se construyen los modelos crecen de forma bastante regular: más cálculo, más datos y mejores métodos cada año. ¿De dónde sale entonces un tramo en el que una tarea pasa en pocos meses de «casi nunca sale» a «casi siempre sale»? No hay una única causa. Hay al menos cuatro, y conviene separarlas porque cada una ayuda a anticipar dónde puede estar el próximo salto.
La capacidad crece de forma continua; cada tarea responde con su propia curva
Primero hay que distinguir dos cosas que solemos llamar igual: la capacidad general de un modelo y su resultado en una tarea concreta.
Epoch AI, una organización que sigue la evolución de la IA con datos, construye su índice de capacidades a partir de esa distinción. Supone que cada modelo tiene un nivel general que no se puede observar directamente, y que cada prueba lo convierte en una puntuación mediante una S propia. Por debajo de cierto nivel, el modelo casi no acierta; por encima, casi lo acierta todo. De una prueba a otra cambian dos cosas: en qué nivel está la subida, que depende de lo difícil que sea, y lo empinada que es. Cuando la curva es muy empinada, explica Epoch, «un poco más de inteligencia rinde mucho» y la prueba se satura enseguida.
Con esta imagen, un salto no exige que el modelo cambie de naturaleza. Basta con que una capacidad que crece con cierta regularidad llegue al tramo de subida de una tarea. Para quien sigue esa tarea, el cambio parece repentino. Para quien mira la capacidad general, es un paso más de una tendencia que ya existía.
Las pruebas de la última década lo muestran con datos. En el siguiente gráfico, cada línea es una capacidad medida con sus propias pruebas: reconocer escritura a mano, imágenes o voz, responder preguntas de comprensión lectora o entender lenguaje. El valor −100 corresponde al primer resultado de la IA registrado para esa prueba y el 0, al nivel humano de referencia.
Reconocer escritura a mano tardó unos veinte años en alcanzar el nivel humano. Las pruebas de comprensión lectora y de comprensión del lenguaje, creadas entre 2016 y 2018, lo alcanzaron en unos dos años. Cada capacidad tiene su propia subida, y las más recientes la recorren cada vez más rápido. El gráfico explica la forma del fenómeno. Queda la pregunta de por qué algunas curvas son tan empinadas.
Primera causa: una tarea larga es una cadena de pasos
Muchas tareas no son una sola decisión, sino muchas encadenadas. Si basta un error para estropear el resultado, la probabilidad de terminar bien es la fiabilidad de cada paso multiplicada por sí misma tantas veces como pasos haya.
Las cifras cambian mucho con poco. Con un 90 % de acierto por paso, una tarea de 10 pasos sale bien el 35 % de las veces, y una de 50 pasos, el 0,5 %. Con un 99 % por paso, esas mismas tareas salen bien el 90 % y el 61 % de las veces. Mejorar nueve puntos la fiabilidad de cada paso multiplica por más de cien el éxito de la tarea larga.
La simplificación exagera el efecto: un buen sistema detecta algunos errores y los corrige, lo que equivale a tener menos pasos que puedan arruinar el resultado. Pero el mecanismo existe y se ha medido. METR, una organización que evalúa modelos, reúne tareas de software, desde programar hasta investigar en aprendizaje automático, mide cuánto tardan en resolverlas personas expertas y comprueba qué duración de tarea completa cada modelo la mitad de las veces. Para un mismo modelo, el éxito cae a medida que la tarea se alarga siguiendo, de nuevo, una curva en S.
Según la actualización que METR publicó en enero de 2026, esa duración se duplicó aproximadamente cada seis meses y medio entre 2019 y 2025, y cada unos tres meses desde 2024. La propia METR advierte de que la estimación depende de qué tareas incluya su colección. Si el horizonte crece de forma regular, una tarea de duración fija lo cruza en un momento concreto: durante años sale casi nunca y, en poco tiempo, sale casi siempre.
Una animación hecha con código es un caso extremo de tarea encadenada. Decenas de elementos, tiempos, transiciones y movimientos de cámara deben encajar a la vez. Un objeto que se sale del encuadre o un corte a destiempo bastan para que el resultado no sirva. Es razonable esperar que una tarea así se quede cerca de cero mientras sus piezas no son muy fiables y suba deprisa cuando lo son. Es una inferencia a partir del mecanismo, no un resultado medido para la animación.
Segunda causa: juzgamos con aprobado o suspenso
En 2022, un equipo de Google y otras instituciones describió las capacidades emergentes: tareas en las que los modelos pequeños y medianos acertaban al azar y, a partir de cierto tamaño, el acierto se disparaba. Parecían saltos cualitativos que ninguna tendencia anterior anticipaba.
Al año siguiente, Schaeffer, Miranda y Koyejo propusieron otra lectura. Muchas de esas pruebas solo daban por buena la respuesta exacta. Para sumar dos números de cuatro cifras, por ejemplo, se exigía acertar todos los dígitos del resultado. Si el modelo mejora poco a poco en cada dígito, la respuesta completa sigue fallando hasta que todos salen bien, y entonces el resultado sube de golpe. Es el mismo efecto de la cadena de pasos. Cuando evaluaron las mismas respuestas con medidas graduales, que puntúan lo cerca que está la respuesta de la correcta, muchas de esas subidas se volvían suaves.
El debate no está cerrado. Otros trabajos, como el de Du y otros autores en 2024, sostienen que algunas capacidades aparecen cuando el modelo cruza un umbral real en su entrenamiento, y no solo porque se mida con aprobado o suspenso. Para nuestra pregunta basta con una conclusión: la forma de medir puede convertir una mejora gradual en un salto aparente.
Y los usuarios medimos casi siempre así. No valoramos una animación por el porcentaje de fotogramas correctos, sino preguntándonos si la podemos usar. Aunque la calidad mejore poco a poco, lo que vivimos es el día en que empieza a servir.
Tercera causa: los laboratorios entrenan lo que pueden comprobar
Lo que se invierte en los modelos crece de forma regular. Epoch AI estima que el cálculo empleado para entrenar los modelos punteros se multiplicó por cuatro o cinco cada año entre 2010 y 2024. Lo que cambia de un año a otro es hacia qué tareas se dirige el esfuerzo.
El 12 de septiembre de 2024, OpenAI presentó o1, un modelo entrenado con aprendizaje por refuerzo a gran escala para razonar antes de responder. El aprendizaje por refuerzo consiste en que el modelo intente resolver problemas y se refuercen los intentos que salen bien. En los exámenes AIME de 2024, una prueba de matemáticas para seleccionar a los mejores estudiantes de instituto de Estados Unidos, GPT-4o resolvía de media el 12 % de los problemas; o1, el 74 % con un solo intento por problema.
Para reforzar lo que sale bien, hay que saber si ha salido bien. En enero de 2025, DeepSeek publicó cómo había entrenado DeepSeek-R1: en los problemas de matemáticas, una regla comprobaba si la respuesta final era correcta; en los de programación, un compilador ejecutaba el código con casos de prueba. Durante ese entrenamiento, su primera versión pasó del 15,6 % al 71 % en el mismo examen AIME.
La programación reúne las dos condiciones que favorecen un esfuerzo así. El resultado se puede comprobar automáticamente, porque las pruebas pasan o no pasan. Y hay demanda: según el Anthropic Economic Index de marzo de 2026, la programación sigue siendo el uso más frecuente de Claude, y las tareas de ocupaciones informáticas y matemáticas suponen el 35 % de las conversaciones en Claude.ai.
La S de la programación se puede ver con datos. SWE-bench reúne fallos reales de proyectos de código abierto en Python: el modelo recibe el repositorio y la descripción del problema, y debe modificar el código para que pasen las pruebas escritas por sus desarrolladores. En nuestro artículo sobre la historia de los benchmarks mostramos una de esas tareas.
En octubre de 2023, el mejor modelo evaluado resolvía menos de dos de cada cien problemas. En dos años, el mejor resultado publicado pasó del 80 %. Las primeras pruebas de programación pedían escribir una función corta a partir de una descripción precisa. Aquí hay que encontrar el fallo en un proyecto ajeno, entender su código y cambiarlo sin romper nada. El avance coincide con los años en que los laboratorios empezaron a entrenar con tareas que se pueden comprobar automáticamente y a dar a los modelos herramientas para trabajar como agentes: abrir archivos, ejecutar pruebas y volver a intentarlo.
Cuarta causa: algunas capacidades están hechas de otras
La creación audiovisual con código no es una sola habilidad. Requiere escribir código que funcione y sostener una tarea larga sin perder el hilo. También requiere ver lo que ese código ha producido y juzgarlo: si el ritmo funciona, si la composición se lee, si algo desentona. Es lo que solemos llamar gusto o criterio.
Una capacidad compuesta depende de su eslabón más débil. Mientras una de sus partes se quede atrás, el conjunto sigue fallando, aunque las demás lleven tiempo mejorando. Cuando la última alcanza el nivel necesario, el conjunto parece aparecer de golpe.
Nuestra hipótesis es que la creación audiovisual está en ese punto. La programación y el trabajo en tareas largas ya habían recorrido buena parte de su S. Lo que parece haber mejorado en los últimos meses es la parte visual: juzgar lo que se ha generado y usar ese juicio para corregirlo. Si un modelo puede renderizar una escena, mirar el resultado y arreglar lo que no funciona, la cadena de pasos deja de romperse en el primer error.
Es una hipótesis, pero ya no se apoya solo en anécdotas. En sus notas técnicas sobre Opus 5.5, Anthropic señala como novedad frente a Opus 5 una lectura más precisa de gráficos, diagramas y capturas de pantalla, sobre todo de gráficos densos y de imágenes en las que importa dónde está cada elemento. En su anuncio, la lectura de gráficos pasa del 83,4 % al 89,0 %. El mismo anuncio cita a un evaluador que pidió a varios modelos de Claude crear un juego a partir de una única petición: Opus 5.5 obtuvo la mejor puntuación en gráficos y acabado. El resto son demostraciones de divulgadores y usuarios, como las que recogimos en «Del pelícano a Blender», muy reveladoras pero sin un método común.
Que el modelo vea mejor no demuestra que esa sea la causa del salto. Hay al menos otras tres explicaciones compatibles, y probablemente todas pesan algo. Anthropic presenta Opus 5.5 como un modelo pensado para tareas largas, y una animación es una cadena de cientos de pasos: más fiabilidad en cada paso basta, por sí sola, para que la cadena empiece a salir entera. Parte de la mejora ocurre sin mirar: en la prueba del pelícano en SVG, el modelo dibuja de una vez sin ver el resultado, y aun así los dibujos llevan años mejorando. Y el gusto también se entrena: si un laboratorio puntúa el acabado visual de lo que generan sus modelos, el criterio mejora aunque la vista no cambie.
Si la hipótesis es correcta, también explicaría por qué esta S llega después que la de la programación. El código tiene pruebas que pasan o fallan; el gusto no. Los laboratorios pueden usar modelos que valoren el resultado o criterios escritos para puntuarlo, pero esa comprobación es menos fiable que un test. Lo que no se puede comprobar con facilidad se entrena más despacio.
La parte plana no siempre es el final
La última parte de la S merece la misma atención que la subida. Cuando una curva se aplana, puede estar ocurriendo algo distinto a que la capacidad haya dejado de mejorar.
A veces el límite está en la prueba. El 23 de febrero de 2026, OpenAI dejó de usar SWE-bench Verified. El mejor resultado apenas había pasado del 74,9 % al 80,9 % en seis meses. Al revisar los problemas que los modelos no resolvían, encontró que al menos el 59,4 % de los auditados tenía pruebas defectuosas que rechazaban soluciones correctas. Además, los modelos punteros podían reproducir algunas soluciones de memoria. Parte de la meseta medía los defectos de la prueba, no el límite de la capacidad.
Otras veces, el límite está en nuestra percepción. Con el lenguaje ya ocurre: los modelos siguen mejorando al escribir, pero casi nadie se pregunta ya cuánto ha mejorado un modelo nuevo al redactar. Las mejoras continúan; lo que se agota es nuestra capacidad de notarlas en una conversación.
Y, sobre todo, el final de una S suele ser el comienzo de otra. Una cosa es que una animación salga bien en una demo y otra que salga bien siempre, dentro de un proceso en el que nadie revisa cada fotograma. Pasar del 80 % al 99 % apenas se nota al ver un ejemplo, pero decide si algo puede formar parte de un trabajo que se repite cada día. Es la cadena de pasos otra vez: un proceso de cincuenta pasos con un 80 % de fiabilidad no sale casi nunca; con un 99 %, sale seis de cada diez veces.
Qué mirar para anticipar el siguiente salto
La idea de las sigmoides no permite poner fecha a los saltos, pero sí ayuda a hacerse mejores preguntas. En lugar de preguntar cuándo llegará la IA a una tarea, conviene fijarse en cuatro cosas:
- De cuántos pasos está hecha la tarea y qué fiabilidad tiene cada uno. Las tareas largas se quedan atrás más tiempo y luego suben más deprisa.
- Cómo se decide si ha salido bien. Si se juzga con aprobado o suspenso, la mejora se notará de golpe.
- Si el resultado se puede comprobar automáticamente. Lo que se puede verificar se puede entrenar a gran escala, y hacia ahí se dirigirá antes el esfuerzo.
- Qué pieza falta. En una capacidad compuesta, la parte más débil marca el momento del salto.
Lo que está ocurriendo con la creación audiovisual encaja con ese patrón: una tarea larga, que se juzga por si sirve o no, construida sobre capacidades que ya eran fiables y a la que le faltaba la mirada. Las siguientes S probablemente aparecerán en tareas con esa combinación. Y cada vez que una llegue a su parte plana, empezará la pregunta que más importa al usar la IA en un trabajo real: no si puede hacerlo, sino si lo hace bien siempre.
Fuentes
- DotCSV Lab: «CLAUDE OPUS 5.5 es TODA UNA REVOLUCIÓN AUDIOVISUAL (…sorry Astra)», 24 de septiembre de 2026
- Anthropic: Introducing Claude Opus 5.5, 22 de septiembre de 2026
- Anthropic: What’s new in Claude Opus 5.5, documentación
- Epoch AI: Epoch Capabilities Index
- Epoch AI: Training compute of frontier AI models grows by 4-5x per year
- Our World in Data: Test scores of AI systems on various capabilities relative to human performance
- Contextual AI: Plotting Progress in AI
- METR: Measuring AI Ability to Complete Long Tasks, 2025
- METR: Time Horizon 1.1, enero de 2026
- Wei et al.: Emergent Abilities of Large Language Models, 2022
- Schaeffer, Miranda y Koyejo: Are Emergent Abilities of Large Language Models a Mirage?, 2023
- Du et al.: Understanding Emergent Abilities of Language Models from the Loss Perspective, 2024
- OpenAI: Learning to reason with LLMs, 12 de septiembre de 2024
- DeepSeek-AI: DeepSeek-R1, enero de 2025
- Anthropic Economic Index, marzo de 2026
- Jimenez et al.: SWE-bench, octubre de 2023
- OpenAI: Introducing SWE-bench Verified, agosto de 2024
- Anthropic: Claude 3.5 Sonnet en SWE-bench
- Anthropic: Claude 3.7 Sonnet, 24 de febrero de 2025
- Anthropic: Claude Opus 4.5, 24 de noviembre de 2025
- OpenAI: Por qué SWE-bench Verified ya no mide las capacidades de programación de vanguardia, 23 de febrero de 2026
