En un giro de los acontecimientos que probablemente tenga a los ingenieros de software de robótica actualizando sus currículums con cierto nerviosismo, Anthropic ha revelado que su último modelo de IA, Claude Opus 4.7, es capaz de programar un robot físico casi 38 veces más rápido que un equipo humano. Según la investigación “Project Fetch Phase Two” de la compañía, la IA completó de forma autónoma una serie de tareas robóticas complejas en solo 9 minutos y 35 segundos. El equipo humano, sin asistencia, necesitó 361 minutos para realizar el mismo trabajo.
No estamos ante una ligera mejora de rendimiento; es un salto cuántico. Hace apenas diez meses, en agosto de 2025, Anthropic llevó a cabo la primera fase de este experimento. En aquella ronda, el que entonces era su modelo estrella, Opus 4.1, falló en el primerísimo paso: conectar con el “perro robótico” cuadrúpedo. Un equipo humano asistido por Claude tardó 181 minutos en completar las tareas, mientras que el equipo sin ayuda luchó durante más de seis horas. Si saltamos al presente, Opus 4.7 no solo logró la conexión, sino que finalizó todo el flujo de trabajo 19 veces más rápido que los humanos asistidos por IA del primer ensayo.
Las tareas no eran precisamente triviales: incluían la conexión a la cámara del robot y a los sensores lidar, la escritura de un programa para monitorizar su trayectoria y el uso de visión artificial para detectar una pelota de playa. El único trabajo de un investigador humano fue conectar un portátil, introducir el prompt inicial y aprobar las acciones de la IA. El modelo se encargó del resto, desde localizar las librerías de software adecuadas hasta escribir y ejecutar el código.
¿Por qué es esto importante?
La revelación más impactante de Anthropic es que esta ganancia masiva de rendimiento no fue el resultado de un entrenamiento especializado en robótica. En su lugar, se trata de una capacidad emergente que simplemente “surgió” del escalamiento general de la IA, la misma fuerza que impulsa las mejoras en los chatbots y los generadores de imágenes. Esto sugiere que, a medida que los modelos fundacionales se vuelven más inteligentes, se vuelven intrínsecamente más capaces de interactuar con el mundo físico y programarlo.
La clave técnica reside en lo que Anthropic denomina un “bucle agéntico” (agentic loop), donde el modelo recopila contexto, realiza una acción (como escribir código) y verifica el resultado antes de repetir el ciclo. Opus 4.7 funcionó con un “pensamiento adaptativo al máximo esfuerzo”, un modo de razonamiento que permite al modelo pensar entre pasos individuales. Este razonamiento intercalado es lo que permite a la IA detectar un error, como un fallo en la conexión de un sensor, y corregir su siguiente comando sin detenerse a esperar que un humano depure el problema. Aunque Anthropic señala que el modelo todavía tiene dificultades con tareas de precisión motora fina, la barrera para poner en marcha robots acaba de ser pulverizada. El cuello de botella ya no es solo construir el hardware; se trata de quién —o qué— puede programarlo más rápido. En este momento, la apuesta segura está en el silicio.
