Claude escribe más del 80% del código de Anthropic: no es auto-mejora

Anthropic ha puesto cifras internas sobre la mesa. En mayo de 2026, más del 80% del código fusionado en su codebase lo había escrito Claude. Antes de que Claude Code saliera en research preview, en febrero de 2025, ese porcentaje estaba en dígitos bajos. Lo cuenta la empresa en When AI builds itself, el texto del Anthropic Institute.

En el segundo trimestre de 2026 el ingeniero típico fusionaba ocho veces más código al día que en 2024. La razón que dan es mecánica: gran parte lo escribe Claude, y el humano dirige y revisa en lugar de teclearlo.

Anthropic está desplazando el trabajo del ingeniero desde el teclado hacia la dirección y la revisión. Ese cambio explica el aumento de código entregado. No equivale a ocho veces más productividad ni a una IA que se mejora sola.

De sugerir a ejecutar

Las líneas de código fusionadas por ingeniero y día se mantuvieron planas los primeros cuatro años de Anthropic (2021-2024). Empezaron a subir en 2025, cuando Claude pasó de sugerir código a ejecutarlo. La pendiente se acentuó en 2026 con trabajo autónomo de mayor horizonte temporal.

Claude Code entra en research preview en febrero de 2025 y, a partir de ahí, el porcentaje de merge escrito por el modelo se dispara. El mecanismo es de flujo: el modelo ya no propone un diff para que tú lo copies. Lo aplica en el repo.

Anthropic apoya el relato con SWE-bench, el benchmark que le da al modelo un repositorio open-source real y un bug report para que escriba un cambio que pase los tests del proyecto. Según la empresa, los modelos pasaron de puntuaciones de un dígito bajo a saturar ese examen en dos años. El test mide parches contra tests que ya existen, no si el siguiente sistema de IA sale mejor.

En abril de 2026 Claude envió más de 800 correcciones que redujeron en un factor de mil una clase de errores de la API de Anthropic. El ingeniero que supervisó el trabajo estimó que un humano habría tardado unos cuatro años. Es el caso más concreto del paquete, y sigue siendo una estimación interna.

Un revisor automatizado basado en Claude lee ahora cada cambio propuesto en el codebase. Un análisis retrospectivo de la empresa estima que habría detectado cerca de un tercio de los bugs detrás de incidentes pasados en claude.ai antes de llegar a producción. Orden de magnitud de casa, no auditoría externa.

El 8x cuenta merges

El Anthropic Institute presenta estos datos internos inéditos y benchmarks públicos para argumentar que la IA ya acelera el desarrollo de sistemas de IA. El cartel es el volumen de código fusionado.

Fusionar más código no es entregar ocho veces más software útil. No consta en las fuentes consultadas cómo se cuenta una línea fusionada en Anthropic, ni si hay normalización por lenguaje, ni qué parte es generada frente a escrita, ni el desglose por equipo. Tampoco consta cuánto tiempo humano consume dirigir y revisar ese output, ni el coste de cómputo que hay detrás.

El contraste interno ya recorta el titular. En marzo de 2026, una encuesta a 130 empleados de investigación dio una mediana de output autoestimado unas cuatro veces mayor con Mythos Preview que sin ningún modelo. La propia empresa espera que la subida real fuese algo menor, aunque considera plausible un aumento significativo.

Sobre mantenibilidad, buena parte de la plantilla cree que el código de Claude era peor que el humano a finales de 2025 y que hoy está en paridad, con la expectativa de que sea mejor dentro de un año. No hay consenso total. No consta en las fuentes consultadas una medición independiente de calidad. La paridad es percepción interna, no métrica pública.

Si lo que te importa es el trabajo terminado y no el tamaño del diff, estas cifras no te lo dan.

La medición independiente de productividad de desarrolladores que sí aparece en el material no sirve de contrapeso actual. Los autores de METR advierten en la página de su estudio de julio de 2025 que esos resultados están desfasados, y que en febrero de 2026 publicaron datos nuevos sobre herramientas de finales de 2025 que, creen, ya no reflejan el impacto presente de la IA. Anthropic mide 2026 por dentro; el palo ajeno, sus autores lo marcan como viejo.

Un Claude puntúa a otro Claude

En las tareas más abiertas, Anthropic reporta una tasa de éxito del 76% en mayo de 2026, 50 puntos más en seis meses. El éxito de cada sesión lo determina un juez Claude, no una evaluación humana externa. El laboratorio fija la tarea y el linaje que la puntúa: el porcentaje puede ser real y aun así funcionar como examen casero. Es el mismo género de trampa de alcance que convierte un banco mal definido en prueba de capacidad, el patrón de HoudiniBench.

En abril de 2026, agentes de Claude llevaron a cabo su primera investigación abierta de principio a fin, con supervisión débil-fuerte. Recuperaron el 97% del gap suelo-techo con 800 horas acumuladas y unos 18.000 dólares de cómputo, frente al ~23% de dos humanos en una semana. No transfirió limpio a producción. Los humanos fijaron el problema y la rúbrica.

Todavía no se construyen el sucesor

Anthropic dice que delega una parte creciente del desarrollo de IA a los propios sistemas. Aclara en el mismo texto lo que el titular no va a aclarar:

La auto-mejora recursiva aún no ha llegado y no es inevitable.

Advierte que podría llegar antes de lo que la mayoría de instituciones están preparadas, y que sistemas capaces de construir a sus sucesores aumentarían el riesgo de pérdida de control sobre la IA. Eso es un aviso de la propia fuente, no un hito de operaciones.

En el repo el cambio ya está: Claude escribe y el ingeniero fusiona. La máquina que se construye a sí misma, Anthropic todavía la conjuga en condicional.