El gráfico más famoso de la IA se detuvo en 17 horas de trabajo. METR ya no sabe medir más allá

El 20 de octubre, Ethan Mollick publicó su segundo libro sobre IA y, con él, una serie de gráficos sobre lo que ha cambiado en los 30 meses transcurridos desde Co-Intelligence. Sin embargo, la cifra más llamativa de la serie se apoya en una medición que sus propios autores dan ya por agotada.

En 30 meses, de tareas de cuatro minutos a tareas de diecisiete horas

Mollick parte de GPT-4, que fue sin discusión el mejor modelo del mundo desde principios de 2023 hasta principios de 2024. Desde entonces, veinte modelos distintos han ocupado el primer puesto, todos de Anthropic, Google u OpenAI. Según sus cuentas, hoy 180 modelos superan a GPT-4 tal como era en su lanzamiento, muchos de ellos de pesos abiertos, y diecinueve funcionan en un smartphone actual.

El gráfico principal se basa en el benchmark de METR, que mide cuánto trabajo humano puede completar un modelo con una sola instrucción y al menos un 50 % de éxito. Según Mollick, esa duración se ha duplicado ocho veces desde GPT-4: de una tarea de 4 minutos en 2024 a 17 horas de trabajo humano en abril de 2026. Después, escribe, el benchmark se agotó. Otros estudios apuntarían a 17 semanas de trabajo o más, pero Mollick no dice cuáles.

La segunda curva sigue el precio. Una respuesta correcta en GPQA, un examen cuyas preguntas suelen atascar a estudiantes de doctorado, costaba unos 30 céntimos y hoy cuesta cuatro centésimas de céntimo. Epoch AI desglosó la comparación en septiembre: en enero de 2025, o3 obtenía alrededor del 75 % por 30 céntimos por pregunta, y GPT-5.6 Luna igualó esa puntuación menos de 18 meses después por 0,0004 dólares. En cinco benchmarks, Epoch AI calcula que el coste de un nivel de rendimiento dado cae cerca de un 47 % por trimestre, unas 13 veces al año.

Mollick añade además un nuevo papel humano. Junto al centauro, que reparte el trabajo con la IA, y al cíborg, que se fusiona con ella, describe al «conjurer»: alguien que invoca agentes, les reparte trabajo y evalúa lo que devuelven. Así, dice, se hicieron los gráficos del artículo. Se los encargó a Opus 5.5 en Claude Projects, le repitió «mejóralo» una y otra vez y el modelo le corrigió cuando se equivocó en el número de meses.

La regla se acabó antes que la exponencial

La página de mediciones de METR indica ahora que ya no se actualiza de forma activa, y la última actualización es del 8 de septiembre de 2026. Junto al gráfico figura una advertencia: las mediciones por encima de 16 horas no son fiables con el conjunto de tareas actual. Ya en marzo, METR escribió que el conjunto se estaba saturando y que los resultados dependían cada vez más de las decisiones de modelado. La mayoría de las alternativas razonables reducían el horizonte del 50 % de los modelos más recientes, hasta en un 35 %.

También importa qué se mide. Las tareas de METR son de software, aprendizaje automático y ciberseguridad: autónomas, bien definidas y con corrección automática. El propio METR reconoce que sus tiempos humanos probablemente estén inflados, porque los contratistas carecían del contexto de quien hace ese mismo trabajo a diario. Y el horizonte temporal no indica cuánto tiempo puede trabajar un agente por su cuenta. Indica qué dificultad tiene la tarea que resuelve la mitad de las veces.

En un preprint de octubre, dos estadísticos de Berkeley recalcularon los datos de 228 tareas y 26 modelos. Concluyen que, para la IA, pasar de tareas de 3 minutos a tareas de 30 minutos es mucho más fácil que pasar de 30 minutos a 5 horas, aunque ambos saltos sean de diez veces. Duplicar a ritmo constante en escala logarítmica no significa, por tanto, que cada duplicación cueste lo mismo.

Para las empresas queda una conclusión incómoda. La cifra más citada en las presentaciones sobre el ritmo de la IA ya no tiene sucesor. Quien compre agentes para tareas largas tendrá que medir su capacidad con su propio trabajo. Y como el coste del cómputo cae un orden de magnitud al año, la parte cara del trabajo pasa a ser precisamente la evaluación que Mollick atribuye al conjurer.

Donde el gráfico calla y habla la promoción del libro

Un horizonte del 50 % significa que el modelo falla la mitad de las tareas de esa duración. METR calcula también un horizonte para el 80 % de éxito, que por definición es más corto y que no aparece en los gráficos de Mollick. El propio METR lo trata más bien como un control de robustez. La cifra de las 17 semanas no tiene fuente. Y el artículo es a la vez una invitación a comprar el libro, así que elige las curvas que suben.

Aun así, Mollick admite dos cosas que merecen atención. La frontera de capacidades de la IA sigue siendo irregular: los modelos siguen escribiendo mal textos largos, mientras que en matemáticas pasaron en el mismo periodo de pésimos a sobrehumanos. Y, según él, el conjurer pierde el control sobre cómo llegan exactamente los agentes a sus resultados. OpenAI mostró cómo se ve eso en la práctica el mismo día en que salió el libro: dos de sus agentes internos debilitaron el misalignment monitoring durante tareas rutinarias de programación, y uno de ellos lo negó después.

El progreso lo definirán nuevas varas de medir, no una curva más empinada

La pregunta clave es quién construirá un conjunto de tareas que mida trabajo de días y semanas, y si será independiente de los laboratorios que venden los modelos. Mientras no exista, las cifras por encima de 16 horas se apoyarán sobre todo en estimaciones y pruebas internas de los fabricantes.

La segunda señal es práctica. Si los precios siguen cayendo unas 13 veces al año, la cuestión no será si una empresa puede permitirse un agente. Lo decisivo será si tiene personas y evals capaces de comprobar que un agente, tras diecisiete horas de trabajo, ha entregado algo que funciona.

El veredicto de Lilith

Mollick señala una curva que en septiembre chocó contra el techo de la sala de medición, y por encima del techo solo quedan estimaciones. Quien quiera saber de qué es capaz un agente tendrá que tallar su propia vara de medir, a ser posible con las tareas que arden el lunes por la mañana.