Los autores del escenario AI 2027 dicen que la realidad va 5 meses adelantada y que una IA investigadora mejor que cualquier humano debería llegar en 2027. Este kit rehace sus cálculos en tu computadora y mide cuánto de tu trabajo ya lidera la IA.
En abril de 2025, un grupo de investigadores publicó AI 2027, una predicción de cómo la IA podría superar a los humanos para 2027. En noviembre de 2026, la contrastaron con la realidad: vamos unos 5 meses adelantados, y ahora todos esperan una IA investigadora mejor que cualquier humano para 2027. Esta guía explica los dos informes en un español sencillo, muestra los gráficos y termina con un plan de acción. Al final, en una sección aparte, hay un kit gratuito para quienes quieran volver a hacer los cálculos en su computadora.
Lo que midieron los autores de AI 2027, las nuevas fechas y cómo medir tu propia escalera con este kit, en cinco minutos (en portugués).
Todo en este kit proviene de dos textos públicos, escritos por el mismo grupo de investigadores (AI Futures Project, liderado por Daniel Kokotajlo). Ambos están en inglés; a continuación explicamos cada gráfico en español sencillo.
Estos son gráficos del sitio ai-2027.com, publicados en abril de 2025. Sobre cada uno agregamos marcas con lo que dice ahora la actualización de noviembre de 2026. Las marcas están numeradas; la leyenda está debajo de la imagen.
Son los gráficos originales (por eso están en inglés). Debajo de cada uno: qué muestra y qué significa en la vida real. Haz clic en la imagen para verla en grande.
Piensa en un viaje. El GPS (el escenario AI 2027) decía que llegarías a cada ciudad en una fecha determinada. Ahora, al mirar la ruta real, los propios autores recalcularon y vieron que estamos llegando antes.
Comparaciones con las cifras de la actualización del 10/11/2026. Barra lisa = medido o previsión; barra rayada = proyección (prolongación de la curva). Pase el cursor para ver el valor.
Meses a partir de noviembre de 2026.
Qué significa: en agosto de 2026, el pronóstico más optimista (de Daniel) para una IA investigadora mejor que cualquier humano era diciembre de 2028. Tres meses después, pasó a mayo de 2027: la fecha se adelantó 19 meses. Y la aceleración de 1,7x, que en el escenario solo se alcanzaba en abril de 2027, se midió ahora, en noviembre de 2026: 5 meses antes.
Porcentaje de la investigación de modelos de Anthropic en que la IA lidera (2026) y proyección de automatización total (2027).
Qué significa: cada barra representa la proporción de la investigación de Anthropic en la que Claude dirige el trabajo y la persona solo lo revisa. Subió mes a mes: 1% en marzo, 12% en mayo, 14% en junio, 22% en julio y 26% en agosto de 2026. Las dos barras rayadas son la continuación de la curva: 50% de la investigación totalmente automática en junio de 2027 y 95% en noviembre de 2027.
Cuántas veces más rápido trabaja el investigador con IA (escala logarítmica: cada paso es 10x).
Qué significa: "12x" es cuánto más rápido dice trabajar un investigador de Anthropic con la IA (septiembre de 2026). Ese número se duplica cada ~3,4 meses. Si continúa: 30x en marzo de 2027, 100x en septiembre de 2027 y 1.000x en agosto de 2028. Las barras usan una escala de "potencias de 10" (1x, 10x, 100x, 1.000x); de lo contrario, las más pequeñas ni aparecerían.
Años de progreso de IA por año calendario (1 = promedio de 2024–2025).
Qué significa: 1,0 es cuánto avanzaba la IA en un año normal (promedio de 2024–2025). En 2026 fue 1,4: un año rindió como un año y cuatro meses. Para 2027, el cálculo da de 4,2 a 4,9 años de progreso en 12 meses, porque la IA empieza a acelerar su propia investigación.
Pongamos todo junto: qué hacer con esta información. Primero, cómo era la visión antes de la actualización; después, cómo queda ahora que la IA está avanzando más rápido. Esta parte es el análisis de INEMA a partir de las cifras de los informes.
Los dos relojes avanzan juntos, pero el de abajo va 1,7x más rápido. Resultado: la fecha en que la IA comienza a investigar mejor que los mejores humanos se acercó más de un año, y el tiempo para adaptarse bajó de unos 2 años a 6 a 12 meses.
Sigue siendo válido aunque la previsión falle: si la IA avanza más despacio, habrás ganado tiempo y habilidades. Es un plan «sin arrepentimientos».
De aquí en adelante está la parte técnica: instalar, ejecutar los scripts y ver los números que usan. No necesitas esta parte para entender lo anterior.
El 10/11/2026, AI Futures Project (lee la actualización, en inglés) publicó que la aceleración causada por la IA ya está unos 5 meses por delante del escenario AI 2027. El kit lleva este cálculo a tu día a día.
projecao.py rehace las dos extrapolaciones sencillas: el rendimiento de los investigadores, que se duplica cada ~3,4 meses, y la curva de investigación totalmente automatizada (AL5). Puedes cambiar el tiempo de duplicación, el punto de partida y el escenario.
minha-escada.py lee tus tareas (horas por semana, nivel AL1–AL5, críticas o no), calcula cuánto ya lidera la IA, compara el resultado con el 26% de Anthropic y escribe un relatorio.md con qué subir y qué revisar.
sinais.py compara los indicadores que anotas cada mes (METR, automatización de Anthropic, ingresos, benchmarks) y muestra si el reloj se adelantó ↑ o se atrasó ↓.
Los números públicos se incluyen como constantes con la fuente comentada en el código. Cambias las hipótesis y tus tareas; el kit hace los cálculos.
| Nivel | Qué significa |
|---|---|
| AL1 | Lo haces tú |
| AL2 | La IA ayuda |
| AL3 | La IA colabora |
| AL4 | La IA lidera y tú revisas |
| AL5 | Totalmente automático |
No hace falta instalar paquetes, usar claves ni conectarse a internet. Funciona en Linux, Mac y Windows. En Windows: instala Python desde python.org, abre la carpeta del kit en el Explorador, haz clic derecho y elige “Abrir en Terminal” (PowerShell), y sustituye python3 por py en todos los comandos.
Comprueba la versión. Si aparece “no se reconoce”, instálalo desde python.org.
# debe mostrar 3.x python3 --version
Con git, clona el repositorio. Si no tienes git, descarga el ZIP, descomprímelo y abre la terminal en la carpeta relogio-2027-main.
git clone https://github.com/inematds/relogio-2027 cd relogio-2027
Para editar los CSV: cualquier editor de texto, Excel o LibreOffice. Puedes guardarlos como un “CSV” normal de Excel: el kit acepta comas o punto y coma, y números con coma decimal (2,5).
Es una extrapolación, no una profecía: las fechas son cálculos condicionales, no plazos garantizados.
Ejecuta la proyección base y luego un escenario más lento para ver cuánto cambian las fechas. “30x” quiere decir que el investigador con IA produce 30 veces lo que produciría sin IA (ganancia que ellos mismos declaran); “dobra” es cuántos meses tarda esa ganancia en duplicarse.
python3 kit/scripts/projecao.py # 30x ~fev/2027 · 100x ~ago/2027 · 1.000x ~ago/2028 · 95% AL5 ~nov/2027 python3 kit/scripts/projecao.py --cenario lento python3 kit/scripts/projecao.py --dobra-meses 5 --ganho-hoje 8 # tus propias hipótesis
Abre kit/exemplos/minhas-tarefas.csv y sustitúyelas por las tuyas: tarea, horas por semana, nivel (AL1 a AL5) y si es crítica (s/n). No cuentes la misma hora dos veces.
Los nombres de las columnas NO se deben traducir y los valores quedan en portugués: tarefa = tarea, horas_semana = horas por semana, nivel = nivel, critico = crítica (s = sí, n = no). Lo que muestran los scripts y el archivo relatorio.md sale en portugués.
tarefa,horas_semana,nivel,critico Rascunhar textos,8,AL3,n Resumir reuniões,4,AL4,n
El script muestra la proporción de horas en las que la IA ya lidera (AL4+AL5), la proyección y las tres tareas para subir un nivel este mes. Las tareas críticas quedan en la lista de revisión humana. Si ejecutas el script sin cambiar el ejemplo, el resultado corresponderá al ejemplo, no a ti; para usar un archivo propio sin modificar el ejemplo, pasa --csv.
python3 kit/scripts/minha-escada.py # grava kit/relatorio.md cp kit/exemplos/minhas-tarefas.csv minhas.csv # cria a sua cópia (Windows: copy) python3 kit/scripts/minha-escada.py --csv minhas.csv # usa a sua cópia python3 kit/scripts/minha-escada.py --saida kit/relatorio-dez.md # guarda outra versão
En kit/exemplos/sinais.csv, los valores del ejemplo son ficticios: sustitúyelos por los números que recopiles (mes, indicador, valor), siempre en la misma unidad y con el nombre del indicador idéntico cada mes. El script no busca nada en internet.
mes,indicador,valor 2026-11,Anthropic parcela AL4 em porcentagem,26 python3 kit/scripts/sinais.py # ↑ se adelantó · ↓ se retrasó · promedio de duplicación en meses
En kit/prompts/ hay tres prompts para pegar en cualquier IA: clasificar tus tareas en AL1–AL5, crear un plan de 30 días para subir un nivel y decidir qué mantener con revisión humana. No pegues datos sensibles.
# ábrelo en el Bloc de notas (o cualquier editor) y copia el texto: kit/prompts/01-classifique.md
22 pruebas comprueban las fechas frente al informe (tolerancia de un mes), el ejemplo y los mensajes de error.
python3 kit/testes/run.py # Ran 22 tests … OK
Todos son públicos y proceden de la actualización del 10/11/2026 de AI Futures Project y de la evaluación de METR sobre Anthropic (en inglés). METR es un grupo independiente que mide lo que pueden hacer las IA; AL4 quiere decir que la IA dirige la tarea y la persona solo la revisa.
| Indicador | Valor |
|---|---|
| Aceleración del progreso de Anthropic (METR) | ~2x (rango de 1,3x a 3x) |
| Parte de esa aceleración causada por la IA | ~80% → 1,7x |
| Ventaja frente al escenario AI 2027 | ~5 meses |
| Investigación de modelos liderada por Claude (AL4) | 1% en mar/2026 → 26% en ago/2026 |
| Ganancia autodeclarada de los investigadores | ~12x en sep/2026, se duplica cada ~3,4 meses |
| Investigación totalmente automatizada (AL5, extrapolación) | 50% ~jun/2027 · 95% ~nov/2027 |
| Investigador de IA sobrehumano | probable en 2027 (según todos los autores) |
Compatible con otros kits de INEMA: negocios-com-ia · esforco-certo · audite-seu-claude · agente-que-aprende · caixa-do-agente · agente-blindado.
El kit es pequeño a propósito. Esto es lo que podría venir después:
