Cuando la IA multiplica lo que una empresa produce, el cuello de botella no desaparece: se desplaza a los puntos donde una persona tiene que revisar, aprobar o validar. Anthropic lo acaba de vivir en su propio equipo de ingeniería y lo ha contado con cifras. La lección sirve para cualquier departamento, no solo para software.
¿Qué le pasó a Anthropic con Git?
El 13 de octubre de 2026 el equipo de infraestructura de Anthropic publicó un artículo en su blog de ingeniería titulado Redesigning source control at Anthropic. Merece la pena leerlo aunque no programes, porque es la primera vez que una empresa explica con datos qué ocurre cuando la IA escribe la mayor parte del trabajo.
Un poco de contexto. Cada vez que alguien cambia algo en un software, ese cambio se revisa y se integra en el producto. Para gestionarlo casi todo el mundo usa Git, una herramienta de 2005 diseñada para el ritmo al que trabajan las personas. Las cifras que da Anthropic:
- En mayo de 2026 integraban unos 2.500 cambios al día. En septiembre, más de 30.000. Más de diez veces en cuatro meses.
- Su sistema de integración continua hacía unos 25 millones de descargas del repositorio al día. Si se hubieran hecho de la forma convencional, supondrían más de 600 PB de tráfico diario.
- Un equipo de siete personas construyó un sistema propio de control de versiones (Scion) y una herramienta de revisión (Antique), y migró todo el repositorio en cinco meses. Según ellos, antes algo así habría llevado años y muchos más ingenieros.
La frase que resume el artículo es sencilla: escribir código ya no es el cuello de botella. Lo que se atascaba era todo lo que venía después: el control de versiones, la construcción del software y las pruebas. Es decir, la infraestructura pensada para humanos.
25 millones de descargas del repositorio al día hacía el sistema de integración continua de Anthropic. De la forma convencional, más de 600 PB de tráfico diario. — Anthropic Engineering, octubre de 2026
¿Por qué el cuello de botella se mueve hacia las personas?
Esto no es nuevo. Cualquier cadena de trabajo tiene un paso que limita el ritmo del conjunto. Si aceleras ese paso, el límite pasa a otro sitio. Lo que cambia con la IA es la velocidad a la que ocurre. Anthropic multiplicó por doce su producción en cuatro meses. Ningún proceso de revisión diseñado para personas aguanta ese salto sin rediseñarse.
Del artículo saco tres aprendizajes que se aplican a cualquier empresa:
- El cuello de botella se mueve. Cuando la IA produce más, el problema se traslada a lo que depende de las personas: revisar, aprobar, validar, dar el visto bueno. Si tu equipo revisaba diez piezas al día y ahora le llegan cien, no tienes un problema de producción. Tienes un problema de revisión.
- El trabajo cambia, pero no desaparece. Los ingenieros de Anthropic cuentan que Claude ya escribe la mayor parte del código. Aun así su papel fue decisivo: aportar la comprensión de alto nivel del sistema, poner límites y, con mucha frecuencia, decirle que no. Literalmente: "the role of the engineers was to tell Claude 'no'". Los agentes a veces se saltan restricciones importantes para satisfacer un patrón que nunca debió permitirse. También dejaron de revisar línea a línea y pasaron a revisar la intención de cada cambio. Siguen revisando todos, pero de otra manera.
- La IA también vigila. El equipo creó canales de Slack donde un Claude dedicado vigila la salud de cada pieza del sistema. Los llaman "superfans": el superfan del daemon, el superfan de la cola de integración. Tienen acceso a métricas y registros, y buscan problemas sutiles que las alertas tradicionales no detectan.
7 personas y 5 meses: lo que tardó Anthropic en construir Scion y Antique y migrar todo el repositorio. Según el equipo, antes habría llevado años y muchos más ingenieros. — Anthropic Engineering, octubre de 2026
Ojo: el propio equipo avisa de que Scion solo tiene sentido a su escala y que no es un sustituto general de Git. No van a publicarlo. Lo que sí creen es que las empresas que programan con IA se encontrarán con problemas parecidos en los próximos seis a doce meses. Yo iría más lejos: cualquier departamento que use IA para producir va a toparse con esto, programe o no.
¿Dónde se atasca una empresa que no programa?
El patrón de Anthropic se repite en cualquier área en la que la IA genera y una persona aprueba. Esta tabla resume lo que vemos, en términos generales, en los proyectos en los que trabajamos:
| Área | Lo que la IA produce más rápido | El punto de revisión que se atasca | Síntoma típico |
|---|---|---|---|
| Marketing y contenidos | Borradores, variantes de anuncios, fichas, posts | Aprobación editorial y revisión de marca | Cola de borradores sin publicar; el responsable lee todo línea a línea |
| Atención al cliente | Respuestas sugeridas, resúmenes, clasificación de tickets | Validación del agente humano antes de enviar | El tiempo de primera respuesta no baja aunque la IA redacte |
| Operaciones y administración | Extracción de datos, conciliaciones, informes | Comprobación manual de cifras y firmas | El informe está en minutos; la aprobación tarda días |
| Ventas | Propuestas, correos, cualificación de leads | Revisión de precios y condiciones | Propuestas paradas esperando a dirección |
| Legal y compras | Resumen de contratos, detección de cláusulas | Lectura completa por una persona | La IA no ahorra tiempo porque nadie confía en su resumen |
Fíjate en la columna del síntoma. En todos los casos la IA cumple. El proceso no.
Cómo detectar y rediseñar tus puntos de revisión: un marco en cinco pasos
Esto es lo que yo haría antes de meter más IA en un proceso. No hace falta construir un Scion. Hace falta mirar el proceso con otros ojos.
- Mapea cada punto donde una persona dice "sí". Dibuja el flujo de principio a fin y marca cada aprobación, revisión o validación. Suelen ser más de las que crees: algunas son formales (una firma) y otras informales (un "échale un ojo" por Slack).
- Mide la cola, no la velocidad. La pregunta no es cuánto tarda la IA en producir, sino cuánto tiempo pasa cada pieza esperando a que alguien la mire. Si la espera es mayor que el trabajo, ahí está tu cuello de botella.
- Clasifica por riesgo, no por costumbre. No todo necesita el mismo nivel de revisión. Un post en redes no es un contrato. Decide qué piezas requieren lectura completa, cuáles basta con revisar por muestreo y cuáles pueden aprobarse de forma automática con alertas.
- Cambia de revisar el detalle a revisar la intención. Es el movimiento que hizo Anthropic. Para hacerlo necesitas que cada pieza llegue con su intención escrita: qué pretende, para quién, qué reglas ha seguido. Revisar la intención es rápido; revisar la ejecución sin saber la intención es lento y agotador.
- Pon vigilancia continua y conserva el derecho a decir que no. Los "superfans" de Anthropic son una idea copiable: un proceso de IA que vigila métricas (quejas, devoluciones, errores, rebotes) y avisa cuando algo se desvía. Y, sobre todo, mantén a personas con criterio para parar lo que no debería salir. Esa es la función que no desaparece.
¿Qué tipo de revisión encaja con cada pieza?
Una forma práctica de aplicar el paso 3 es elegir, para cada tipo de tarea, uno de estos cuatro modos:
| Modo de revisión | Cuándo usarlo | Qué necesita para funcionar | Coste humano |
|---|---|---|---|
| Lectura completa | Riesgo legal, financiero o reputacional alto | Pocas piezas; tiempo reservado | Alto |
| Revisión por intención | Volumen medio-alto con reglas claras | Cada pieza llega con su intención y sus reglas explícitas | Medio |
| Muestreo | Volumen alto y errores recuperables | Un porcentaje fijo de piezas revisadas y un registro de fallos | Bajo |
| Automático con alertas | Tareas repetitivas con métricas de salida medibles | Un "superfan" que vigile métricas y un botón para parar | Muy bajo |
Ojo: Anthropic no dejó de revisar. Sigue revisando todos los cambios, pero de otra manera. El error habitual es leer "revisar la intención" como "revisar menos", cuando significa revisar otra cosa.
Conviene tomarlo con cautela: pasar una tarea de "lectura completa" a "muestreo" no es una decisión técnica, es una decisión de negocio. Hay que saber qué pasa cuando algo se cuela y quién responde.
¿Qué deberías hacer esta semana?
Que la IA pueda hacer el trabajo ya lo damos por hecho. Lo que toca preguntarse es si tus procesos aguantan todo lo que va a hacer. Mi sugerencia es sencilla: coge un solo proceso en el que ya uses IA, cuenta cuántas piezas produce al día y cuántas se quedan esperando a una persona. Esa diferencia es tu cuello de botella de hoy. Y será peor dentro de seis meses.
¿Qué proceso de vuestra empresa sería el primero en atascarse?
Preguntas frecuentes
¿Qué significa que "el cuello de botella se mueve" con la IA?
Que al acelerar la producción con IA, el paso más lento deja de ser producir y pasa a ser revisar, aprobar o validar. En Anthropic el límite dejó de ser escribir código y pasó a ser el control de versiones y la revisión. En una empresa normal suele pasar a la aprobación humana.
¿Hay que eliminar la revisión humana para aprovechar la IA?
No. Hay que rediseñarla. Anthropic sigue revisando todos los cambios, pero revisa la intención en lugar de cada línea. Lo que no funciona es mantener el mismo tipo de revisión con diez veces más volumen.
¿Qué son los "superfans" de Anthropic?
Son instancias de Claude dedicadas a vigilar la salud de una pieza concreta del sistema desde un canal de Slack, con acceso a métricas y registros. Detectan problemas sutiles que las alertas tradicionales no ven. La idea se puede trasladar a cualquier métrica de negocio.
¿Esto afecta a empresas que no desarrollan software?
Sí. El patrón se repite en marketing, atención al cliente, operaciones o ventas: la IA produce más rápido y la aprobación humana no cambia de ritmo. Anthropic prevé que las empresas que programan con IA lo noten en seis a doce meses; en mi opinión, el resto también.
Fuentes
- Redesigning source control at Anthropic (Anthropic Engineering, 13 de octubre de 2026).
- Cobertura de The Register sobre Scion y el salto a 30.000 integraciones diarias.
- Publicación original en LinkedIn de Cristian Betancort (14 de octubre de 2026).
COO & Head of Digital (AI) en Volcanz Digital y director del Máster, cursos y talleres de IA aplicada al Marketing Digital en DKS. Escribo cada semana sobre IA, búsqueda y operaciones. Sígueme en LinkedIn.
