Anthropic mide la autonomía real de los agentes de IA

Anthropic analizó millones de interacciones entre personas y agentes de IA para medir cuánto tiempo trabajan sin supervisión, cuándo intervienen los usuarios y en qué tareas se están utilizando. El resultado muestra una adopción todavía concentrada en programación, pero con señales claras de que los agentes empiezan a operar durante más tiempo y en ámbitos más delicados.

El estudio, publicado el 18 de febrero de 2026, combina datos de Claude Code, el agente de programación de Anthropic, y de su API pública. La empresa define como agente a un sistema de IA que puede utilizar herramientas para actuar, por ejemplo, ejecutar código, consultar servicios externos o enviar mensajes.

Los agentes trabajan solos durante más tiempo

La mayoría de las sesiones de Claude Code siguen siendo breves: la duración mediana ronda los 45 segundos. Pero las sesiones más largas cuentan otra historia.

Entre octubre de 2025 y enero de 2026, el 0,1% de las sesiones más extensas pasó de durar menos de 25 minutos a superar los 45 minutos. El aumento fue gradual y no coincidió con lanzamientos concretos de nuevos modelos, por lo que Anthropic cree que no se explica solo por una mejora de capacidades.

También pueden influir otros factores: usuarios con más experiencia, proyectos más ambiciosos y mejoras del propio producto. De hecho, la base de usuarios de Claude Code se duplicó entre enero y mediados de febrero, algo que también puede haber cambiado la distribución de las sesiones.

En el uso interno de Anthropic, la tasa de éxito en las tareas más difíciles se duplicó entre agosto y diciembre, mientras que el número medio de intervenciones humanas por sesión bajó de 5,4 a 3,3. La lectura de la empresa es que los modelos podrían gestionar más autonomía de la que reciben actualmente.

La supervisión cambia con la experiencia

Los usuarios nuevos suelen revisar y aprobar cada acción. Los experimentados, en cambio, tienden a dejar que Claude trabaje por su cuenta y a intervenir solo cuando detectan un problema.

En concreto, alrededor del 20% de las sesiones de usuarios nuevos utiliza la aprobación automática completa. Esa cifra supera el 40% entre quienes acumulan unas 750 sesiones.

Pero aprobar más acciones automáticamente no significa desaparecer de la supervisión. Los usuarios con unas 10 sesiones interrumpen a Claude en aproximadamente el 5% de los turnos. Entre los más experimentados, la cifra sube al 9%.

La diferencia es parecida a pasar de revisar cada paso de un empleado a observar el resultado y detenerlo cuando toma una dirección equivocada. En tareas complejas, aprobar cada acción puede ser demasiado lento o directamente inviable.

La propia IA también pide ayuda

Claude Code no solo se detiene cuando una persona lo interrumpe. También pausa el trabajo para pedir aclaraciones, mostrar varias opciones o solicitar información que necesita.

En las tareas más complejas, pide aclaraciones más del doble de veces que en las sencillas y lo hace con mayor frecuencia que los usuarios cuando interrumpen al agente. Las razones más habituales para que Claude se detenga son:

• Presentar al usuario distintas formas de continuar: 35%.
• Recopilar resultados de pruebas o información de diagnóstico: 21%.
• Aclarar instrucciones incompletas o ambiguas: 13%.
• Solicitar credenciales, permisos o acceso: 12%.
• Obtener confirmación antes de actuar: 11%.

Esto importa porque un agente seguro no debería limitarse a obedecer. También necesita reconocer cuándo no tiene suficiente información y consultar antes de avanzar. Eso no garantiza que siempre pregunte en el momento adecuado, pero añade una capa de control que no existe en un sistema que actúa sin detenerse.

La mayoría de los usos son de bajo riesgo, por ahora

En la API pública de Anthropic, casi la mitad de la actividad de los agentes corresponde a ingeniería de software. También aparecen usos en atención al cliente, inteligencia empresarial, ventas, finanzas, comercio electrónico, salud y ciberseguridad, aunque ninguno de esos sectores representa más que unos pocos puntos porcentuales.

Anthropic estima que:

• El 80% de las llamadas a herramientas tiene algún tipo de protección, como permisos restringidos o aprobación humana.
• El 73% parece contar con una persona involucrada de alguna manera.
• Solo el 0,8% de las acciones parece irreversible, como enviar un correo a un cliente.

La empresa advierte que estas cifras deben interpretarse con cuidado. Sus sistemas no siempre pueden saber si una acción ocurrió en producción, dentro de una prueba o como parte de un ejercicio de seguridad. Además, las puntuaciones de riesgo y autonomía fueron estimadas por Claude, no mediante una revisión humana completa.

Por eso, entre los ejemplos de mayor riesgo aparecen acciones como acceder a historiales médicos, ejecutar operaciones financieras o desplegar cambios en sistemas reales. Son usos todavía poco frecuentes, pero un solo error puede tener consecuencias importantes.

Qué cambia para ti

La autonomía de un agente no depende únicamente del modelo. Surge de la combinación de tres elementos: lo que el modelo puede hacer, la confianza y experiencia del usuario, y las herramientas que ofrece el producto para aprobar, observar o detener acciones.

Para un usuario, esto significa que la supervisión eficaz no consiste necesariamente en aprobar cada paso. Puede ser más útil tener una visión clara de lo que el agente está haciendo, recibir alertas cuando aparece una decisión delicada y contar con un botón sencillo para frenarlo o cambiarle las instrucciones.

Anthropic pide a los desarrolladores invertir en monitorización después del lanzamiento, no solo en pruebas previas. También recomienda entrenar a los modelos para que expresen su incertidumbre y evitar reglas rígidas que obliguen a una persona a aprobar absolutamente cada acción.

El estudio solo cubre datos de Anthropic y un periodo concreto, desde finales de 2025 hasta principios de 2026. Aun así, deja una señal relevante: los agentes todavía se usan sobre todo para programar y en tareas reversibles, pero la frontera se está desplazando hacia operaciones más autónomas y con más impacto. Lo importante será medir ese desplazamiento en el mundo real antes de que los sistemas lleguen a actuar sin que nadie pueda explicar qué hicieron ni por qué.