Anthropic revela curvas de aprendizaje de Claude | Keryc
Este informe de Anthropic, publicado el 24 de marzo de 2026, analiza cómo cambió el uso de Claude en febrero de 2026 y, sobre todo, qué nos dice sobre las curvas de aprendizaje de quienes usan la herramienta. ¿Por qué importa? Porque entender quién aprende a usar IA y cómo lo hace es clave para medir sus efectos económicos y laborales.
Qué mide el Economic Index y cómo trabajaron
Anthropic usa un sistema de análisis de datos que preserva la privacidad para observar el comportamiento agregado de los usuarios. La muestra principal cubre 1 millón de conversaciones tomadas entre el 5 y el 12 de febrero de 2026, pocas semanas después del lanzamiento de Claude Opus 4.5 y en coincidencia con Opus 4.6.
Se comparan dos superficies: Claude.ai (producto web) y la primera parte de la API de Anthropic, la 1P API (flujo programático).
Las tareas se asignan a categorías laborales usando códigos O*NET y se estima el "valor" de una tarea con el salario horario medio de los trabajadores que realizarían esa tarea (datos BLS 2024).
Los autores aplican regresiones log-nivel y controles por tarea para analizar efectos de experiencia y selección de modelos.
Esto es técnico, pero útil: el enfoque permite ver no solo qué hace la IA, sino quién la usa y con qué resultados, manteniendo confidencialidad del contenido.
Cambios clave desde el informe anterior
Los resultados principales muestran movimientos sutiles pero persistentes:
Diversificación de usos en Claude.ai: la concentración cayó: las 10 tareas más comunes pasaron de representar 24% a 19% del tráfico. Eso significa más tipos de preguntas y casos de uso en la plataforma web.
Migración del código a la API: las tareas de programación se estan moviendo a la 1P API, donde Claude Code divide el trabajo en llamadas más pequeñas y automatizadas. En la API la concentración por tareas se mantuvo plana, pero la porción de tareas de Computación y Matemática creció.
Valor promedio de tareas en Claude.ai baja ligeramente: la estimación del valor promedio por hora cae de $49.3 a $47.9, impulsada por más consultas personales sencillas (deportes, comparaciones de productos, mantenimiento del hogar) y menos consultas de programación en la web.
Geografía: dentro de Estados Unidos la convergencia de uso per cápita continúa pero se desacelera (las estimaciones pasaron de proyectar 2-5 años para igualación a 5-9 años). A nivel internacional, la adopción se concentra más: los 20 países con mayor uso per cápita suben de 45% a 48% del total.
Curvas de aprendizaje: qué encontraron sobre usuarios con más experiencia
Aquí viene lo más interesante para entender cómo la IA impacta habilidades y trabajos.
Definición operativa: "alta antigüedad" = usuarios registrados hace al menos 6 meses; "baja antigüedad" = el resto.
Comportamiento distinto de usuarios con alta antigüedad:
Usan Claude más para trabajo y tareas de mayor complejidad educativa.
Tienen 10% menos conversaciones personales y aproximadamente 6% mayor nivel educativo en los inputs que envían.
Su distribución de tareas es menos concentrada; su mezcla de tareas es más diversa.
Éxito en conversaciones:
En medidas brutas, usuarios de mayor antigüedad muestran cerca de 10% más tasa de éxito en conversaciones (medida interna de Claude).
En regresiones controladas (comparando dentro de la misma tarea y controlando por modelos, idioma, país y otras variables) el efecto se reduce pero persiste: alrededor de 3-5 puntos porcentuales más probabilidad de éxito para usuarios de mayor antigüedad. Esto sugiere que no es solo que traigan mejores tareas; hay evidencia coherente con aprendizaje por uso.
Los usuarios con más experiencia no solo traen más trabajo técnico; aprenden a usar mejor la herramienta y obtienen mejores respuestas.
Selección de modelos: cuándo la gente elige Opus
Anthropic ofrece varias clases de modelos: Haiku, Sonnet y Opus. Opus es el más potente pero también el más caro por token.
Los usuarios parecen calibrar: tareas con mayor salario asociado usan Opus con más frecuencia. En Claude.ai, por cada $10 adicionales en el salario horario de la tarea, el uso de Opus sube ~1.5 puntos porcentuales. En la 1P API la respuesta es aún mayor: ~2.8 puntos porcentuales por cada $10.
Ejemplos concretos: 55% de las tareas de Computación y Matemática en cuentas pagas usan Opus, frente a 45% en tareas educativas; 34% de tareas de desarrollador de software usan Opus en web vs 12% para tutorías.
Esto es importante: los usuarios están gestionando los tradeoffs costo-velocidad-rendimiento, y quienes automatizan por API muestran más cambio de modelo según complejidad.
Patrones emergentes de automatización y riesgos laborales
La 1P API muestra flujo más directivo y menos necesidad de intervención humana: automatización de atención al cliente, generación de ventas B2B, enriquecimiento de datos, e incluso flujos de trading y apoyo a operaciones de mercado crecieron notablemente.
Implicación: cuando una tarea migra a la API y se vuelve estructurada, es más fácil integrarla en procesos automatizados, lo que acelera el potencial de sustitución o transformación del trabajo asociado.
Desigualdad y sesgo de adopción: las habilidades complementarias importan. Si los usuarios tempranos son técnicos y aprenden a usar la IA mejor, pueden obtener ganancias de productividad que no se extienden automáticamente a trabajadores menos familiarizados. Esto puede reforzar desigualdades laborales.
Métodos y limitaciones (breve y práctico)
Privacidad: los autores usan agregación y privacidad diferencial en la medición de conversaciones, evitando divulgar contenido individual.
Muestras y sesgos: hay sesgo de supervivencia y de cohortes. Usuarios de alta antigüedad pueden ser técnicos por selección inicial. Los autores tratan de controlar esto con efectos fijos por tarea y regresiones granulares, pero algunas confusiones pueden permanecer.
Horizonte temporal: la muestra es corta (una semana de febrero) y coincide con eventos de marketing (publicidad en el Super Bowl), lo que puede atraer muchos usuarios nuevos y cambiar la mezcla de uso.
Qué significa todo esto para ti y para las políticas públicas
Para profesionales y emprendedores: aprender a usar modelos más capaces y a elegir bien entre Opus, Sonnet y Haiku paga dividendos. La experiencia práctica mejora las tasas de éxito.
Para empresas: mover tareas a la API permite automatizar flujos y escalar, pero también requiere diseño de orquestación (por ejemplo, dividir tareas en calls, oráculos de validación, manejo de latencia y coste).
Para reguladores y responsables de política: observar solo la adopción inicial no basta. Hay un componente de aprendizaje que determina quién obtiene los beneficios. Programas de capacitación, mediciones de desigualdad de acceso y políticas que monitoreen automatización sectorial serán claves.
Usar IA no es un interruptor mágico: es una habilidad que se entrena. Y las primeras señales de Anthropic muestran que quien invierte tiempo en aprender obtiene mejores resultados.
Reflexión final
Los números del informe de Anthropic no rompen el relato: la IA se distribuye primero entre usuarios con más recursos y tareas de alto valor. Pero agrega matices importantes: la experiencia importa, la selección de modelos importa, y la migración a API señala una segunda ola más propensa a la automatización. ¿La lección? Si quieres capitalizar la IA, practica: el aprendizaje por uso aparece como uno de los canales más claros para transformar la promesa tecnológica en resultados reales.
