Las capacidades de la IA se duplican cada 7 meses: lo que revela el estudio METR

La medida de METR, a menudo apodada la « ley de Moore de la IA » por analogía con el duplicado bienal de la densidad de transistores teorizado por Gordon Moore en 1965, merece ser considerada. No para ceder a la euforia mediática que acompaña cada avance del sector, sino porque tiene consecuencias muy concretas sobre cómo las empresas deberían pensar su estrategia de IA hoy.

Lo que realmente mide METR

La originalidad del estudio METR reside en su unidad de medida. En lugar de comparar modelos en benchmarks académicos clásicos, a menudo saturados en pocos meses por los últimos sistemas, los investigadores han introducido una métrica denominada time horizon: la duración de una tarea que un humano cualificado tardaría en realizar, y que un modelo de IA puede ahora completar con un tasa de éxito equivalente.

En claro, si un desarrollador senior tarda dos horas en escribir un módulo de software determinado, y un modelo logra producir ese mismo módulo con una calidad comparable, entonces ese modelo ha superado la barrera del « time horizon de dos horas ». METR ha medido esta duración durante más de seis años, evaluando sistemáticamente los modelos disponibles sobre tareas reales de ingeniería de software.

El resultado es contundente: desde 2019, esta duración se duplica aproximadamente cada siete meses. GPT-2 se limitaba a tareas de unos pocos segundos. Hoy, los mejores modelos superan la barrera de las tareas que llevan varias horas a un ingeniero experimentado. La actualización de enero de 2026, publicada por METR bajo el nombre Time Horizon 1.1, confirma que esta tendencia no se quiebra, se mantiene, con más datos y una metodología afinada.

Puedes consultar el estudio original directamente en el sitio de METR.

Por qué esta medida lo cambia todo

La mayoría de los líderes perciben la evolución de la IA a través de un feed de noticias: un nuevo modelo sale de OpenAI, otro de Anthropic, Mistral publica una versión de código abierto, Google replica. Es un goteo continuo de novedades que da la impresión de un progreso rápido pero indistinto. La curva de METR, en cambio, pone un número a esta impresión, y ese número es vertiginoso.

Un duplicado cada siete meses significa que en dieciocho meses, los modelos serán capaces de realizar tareas aproximadamente seis veces más largas que hoy. En tres años, la diferencia es de un factor treinta. En otras palabras, un modelo que hoy tiene dificultades con un caso de cliente complejo, tratará sin dificultad, en 2028, el equivalente a una semana de trabajo de un analista. Esto no significa que reemplazará a ese analista, la cuestión del valor añadido humano es mucho más sutil, sino que la superficie de tareas automatizables se expandirá a un ritmo que vuelve obsoleta cualquier estrategia de IA fija.

Es aquí donde el razonamiento se desplaza del terreno técnico al estratégico. Si las capacidades de los modelos evolucionan tan rápido, la peor decisión que una empresa puede tomar en 2026 es encerrarse en un único proveedor. No porque ese proveedor sea malo hoy, sino porque el mejor modelo del momento habrá, estadísticamente, sido superado en seis a doce meses.

El verdadero riesgo no es el modelo. Es la dependencia.

Muchas organizaciones, seducidas por la facilidad de integración de ChatGPT Enterprise o Copilot, han construido sus primeros casos de uso de IA en torno a un único proveedor. Era racional hace dos años, cuando OpenAI dominaba sin competencia. Lo es mucho menos hoy, en un panorama donde Anthropic supera regularmente a GPT en razonamiento, donde Mistral recupera terreno en multilingüismo, donde Google DeepMind lidera en video, y donde actores chinos como DeepSeek publican en código abierto modelos al nivel de los mejores propietarios occidentales.

El ritmo de progreso medido por METR hace que esta diversidad sea estructural. Ningún actor puede garantizar que mantendrá la cabeza del pelotón por más de unos pocos trimestres. Una empresa que ha edificado todo su edificio de IA en un solo motor se enfrenta cada seis meses a una decisión difícil: quedarse atrás en las capacidades o migrar todo.

La buena noticia es que ahora existe una respuesta arquitectónica a este problema. En lugar de elegir un modelo, se elige una capa de orquestación que da acceso a todos. Esa es la filosofía sobre la cual hemos construido OUPI: una plataforma única que federan más de sesenta modelos (GPT, Claude, Gemini, Mistral, Llama, DeepSeek, Flux, Veo, Kling...) con una memoria común, integraciones de negocio compartidas y una base de seguridad unificada. Cuando un nuevo modelo sale, simplemente se une al catálogo. Tus usuarios no cambian de herramienta, tu departamento de TI no refaz sus integraciones, tu cumplimiento permanece estable. Sigues la curva METR sin sufrir altibajos.

La soberanía no es un freno, es un acelerador

Un contraargumento surge frecuentemente: « Si la IA evoluciona tan rápido, es mejor tomar al líder americano y seguir la corriente, en lugar de complicarse la vida con la soberanía. » Este razonamiento pasa por alto dos realidades.

La primera es regulatoria. La Ley de IA europea, ya en vigor, impone obligaciones de transparencia, trazabilidad y conformidad que no se contentan con un contrato comercial con un editor situado fuera de la UE. Las empresas que manejan datos sensibles, como finanzas, salud, derecho, sector público, ya no pueden permitirse la ambigüedad sobre el lugar de tratamiento, los registros, las posibilidades de auditoría.

La segunda es industrial. Utilizar modelos americanos no es incompatible con la soberanía, siempre que la orquestación, memoria, almacenamiento y gobernanza permanezcan bajo control europeo. Esa es la postura que hemos adoptado en OUPI: los mejores modelos mundiales, accesibles desde una plataforma alojada en Francia, con un modo de Protección de Privacidad que garantiza un enrutamiento exclusivamente europeo cuando la naturaleza de los datos así lo exige. La soberanía, en este enfoque, no significa privarse de innovación. Significa mantener el control sobre el marco en el cual se consume esa innovación.

Lo que las empresas deberían hacer desde ahora

Si se toma en serio la medida de METR, tres convicciones surgen naturalmente. Primero, considerar la IA como una capacidad que continuará expandiéndose rápidamente, y no como un conjunto fijo de herramientas que ya se han agotado. Luego, evitar cualquier arquitectura que haga costoso el reemplazo de un modelo por otro, ese es el principio mismo de la orquestación. Finalmente, invertir en capas que perduren: la memoria de la organización, sus integraciones de negocio, su gobernanza de datos, su cultura de uso. Estas capas sobrevivirán a todos los modelos que se sucederán.

La curva publicada por METR no es una predicción. Es una constatación empírica sobre seis años de datos. Puede desacelerarse, puede acelerarse, puede romperse. Pero apostar por su mantenimiento es hoy la hipótesis racional, y es sobre la que se debe construir una estrategia de IA empresarial en 2026.