# Anthropic prepara un nuevo Claude: podría detectar el problema que tú no viste
> Anthropic prepara un Claude con más intuición, según The Information. Un probador describe el cambio; el estudio de proteínas aporta evidencia distinta.
Publicado: 2026-10-22. Fuente original: [Investing.com · reporte atribuido a The Information](https://www.investing.com/news/stock-market-news/anthropic-google-and-openai-prepare-new-ai-models-the-information-reports-4957891).
**Anthropic prepara un nuevo Claude capaz de inferir mejor lo que quieres conseguir a partir de pocas instrucciones**, según The Information, en una información recogida por [Investing.com el 19 de octubre](https://www.investing.com/news/stock-market-news/anthropic-google-and-openai-prepare-new-ai-models-the-information-reports-4957891). El ejemplo que da un probador explica el interés: el modelo reconoció problemas más amplios detrás de bugs individuales y propuso arreglos más completos.
La promesa apunta a reducir el contexto que tienes que explicar para que la IA entienda el objetivo del encargo.
El mismo reporte sitúa a Google preparando Gemini 4 Carbon y a OpenAI trabajando en otro Terra. Mientras tanto, Anthropic ya publicó algo que sí se puede examinar: un estudio con **17 diseños de proteínas que cumplieron criterios de unión a toxinas de escorpión**. Es una investigación con un modelo interno cuya identidad comercial no se establece. Su resultado ayuda a entender hasta dónde está llegando el trabajo científico con Claude, sin atribuírselo al modelo del reporte.
Portada: adaptación editorial de una [ilustración oficial de Claude Code publicada en 2025](https://www.anthropic.com/news/enabling-claude-code-to-work-more-autonomously). No es una imagen del modelo descrito en el reporte.
[Reporte periodístico · 19 oct: Próximo Claude](#qué-sabemos-del-nuevo-claude-y-su-intuición)
[Contexto del reporte: Carbon y Terra](#google-prepara-carbon-y-openai-otro-terra-qué-dice-el-reporte)
[Estudio publicado · 20 oct: Resultados en laboratorio](#de-318484-diseños-a-17-resultados-de-unión)
## Qué sabemos del nuevo Claude y su «intuición»
El reporte sitúa la **«intuición»** junto al razonamiento y la creatividad: inferir el objetivo con instrucciones limitadas. El testimonio ofrece un caso concreto, pero la cobertura no publica su código, un resultado verificable ni una serie de pruebas que permita reproducirlo.
La diferencia importa para quien delega trabajo. Señalar un error y recibir un parche resuelve una petición inmediata. Entender que varios fallos comparten una causa puede ahorrar otra ronda de diagnóstico. Esa es la utilidad que sugiere el testimonio. Una investigación más amplia también puede equivocarse, por lo que el resultado final y la revisión humana siguen siendo parte de la evaluación.
La información procede de personas familiarizadas con los desarrollos y de un probador citado por The Information. Consultamos la [cobertura pública de Investing.com](https://www.investing.com/news/stock-market-news/anthropic-google-and-openai-prepare-new-ai-models-the-information-reports-4957891) y el [titular del original](https://www.theinformation.com/newsletters/ai-agenda/anthropic-readies-model-reads-users-intentions-better); el cuerpo de este último está tras una suscripción.
## ¿Cuándo sale y cómo se llama? ¿Es un nuevo Claude Code?
**La cobertura consultada no da nombre comercial, fecha de lanzamiento, acceso ni precio para ese Claude.** Por eso todavía no permite elegir un plan o una API para probarlo. Los nombres que circulen alrededor del reporte necesitan una confirmación adicional.
El ejemplo de programación tampoco identifica una nueva versión de **Claude Code**, la herramienta para trabajar con modelos sobre código. El reporte habla de capacidades de un modelo de Anthropic. Cuando haya un anuncio de producto, será posible comprobar dónde se ofrecen y bajo qué condiciones.
Hay una novedad oficial distinta: el 21 de octubre Anthropic [presentó Claude Duet](https://claude.com/resources/articles/claude-duet), una app de agentes proactivos basada en **Opus 5.5**. Puede continuar tareas cuando te alejas, con memoria, skills y apps conectadas. Su acceso inicial es una *research preview* por lista de espera para Pro y Max en Estados Unidos. Esa página identifica la app y su modelo; no identifica al Claude descrito en el reporte.
## Google prepara Carbon y OpenAI otro Terra: qué dice el reporte
La [misma información del 19 de octubre](https://www.investing.com/news/stock-market-news/anthropic-google-and-openai-prepare-new-ai-models-the-information-reports-4957891) presenta tres desarrollos. Estas son sus apuestas reportadas y el alcance de lo que podemos comparar:
| Desarrollo | Foco reportado | Alcance de la información |
| --- | --- | --- |
| **Anthropic · próximo Claude** | Mejor razonamiento e inferencia de objetivos; soluciones más creativas. | Testimonio de un probador sobre problemas detrás de bugs; sin evaluación pública reproducible. |
| **Google · Gemini 4 Carbon** | Actualización de Gemini 4 Argon. | El reporte destaca las tareas visuales de los modelos de Google, como video y pruebas web; eso no constituye un benchmark de Carbon. |
| **OpenAI · nuevo Terra** | Mayor capacidad y menor precio que GPT-6.1 Sol, con posible llegada en las próximas semanas. | Previsión atribuida al reporte; sin tarifas o resultados comunes para cuantificar la ventaja. |
Para compararlos faltan pruebas de las mismas tareas, configuraciones y costos. La novedad es la dirección que describe el reporte: interpretar mejor el encargo, resolver tareas especializadas y competir en precio. Los próximos anuncios permitirán contrastar esas expectativas con productos concretos.
## De 318.484 diseños a 17 resultados de unión
El [estudio publicado por Anthropic el 20 de octubre](https://www.anthropic.com/research/claude-scorpion-toxin-binder-design) aporta otro tipo de evidencia. Un Claude interno coordinó herramientas de diseño de proteínas y seleccionó candidatos para pruebas físicas. El equipo buscaba moléculas capaces de unirse a cinco toxinas de escorpión.
Cambia de etapa para seguir la selección y distinguir propuestas computacionales de resultados medidos:
### 318.484 propuestas computacionales
Claude coordinó herramientas de diseño y evaluación durante 64 horas. Esa cifra cuenta propuestas, no proteínas probadas físicamente. La selección inicial fue de 180; el equipo añadió 31 con ayuda de Claude.
### 211 diseños llevados a ensayo
Adaptyv Bio y Twist Bioscience midieron la unión de los candidatos. Esta fase ocurrió después de la campaña computacional: las 64 horas no incluyen toda la validación de laboratorio.
### 17 diseños con unión confirmada
Se encontraron ligantes para cuatro de las cinco toxinas objetivo. El resultado demuestra unión; la neutralización y la protección en animales todavía no se han probado para estos diseños.
**17 / 211 = 8,1% de la selección ensayada**, no una tasa general de acierto del modelo. El orden de los puntos del gráfico es ilustrativo.
| Toxina | Diseños que cumplieron los criterios | Laboratorios que midieron esta toxina |
| --- | ---: | ---: |
| Cn2 | 7 | 2 |
| AaH II | 4 | 2 |
| AaH I | 4 | 2 |
| LqhIII | 2 | 1 |
| Ts1 | 0 | 2 |
Los dos resultados de LqhIII se midieron solo en Adaptyv Bio. Cero para Ts1 significa que ninguno de los diseños ensayados cumplió los criterios.
[Informe técnico y condiciones](https://www-cdn.anthropic.com/31ac578806cffd8b3d92d8affe6edc4c04d502e1.pdf) · [Datos publicados, CC BY 4.0](https://huggingface.co/datasets/Anthropic/scorpion-toxin-binder-design)
El detalle del denominador importa. Los 211 candidatos ya habían pasado una selección computacional: **17 de 211 no significa que Claude acierte el 8,1% en cualquier tarea de biología**. Tampoco permite estimar cuántas de las 318.484 propuestas habrían funcionado si todas se hubiesen probado. Los autores publicaron los [datos del estudio con licencia CC BY 4.0](https://huggingface.co/datasets/Anthropic/scorpion-toxin-binder-design).
## ¿Qué hace una proteína que se une a una toxina?
Un *binder*, o ligante, es una molécula que se fija a un blanco concreto. La idea terapéutica es encontrar una proteína que ocupe una zona de la toxina y pueda impedir que esta actúe sobre las células. Primero hay que demostrar que se une; después, que esa unión frena el efecto dañino.
En este trabajo se buscaban ligantes para cinco toxinas. Hubo resultados que cumplieron los criterios en cuatro: **Cn2, AaH II, AaH I y LqhIII**. Ninguno de los diseños ensayados contra Ts1 pasó ese filtro. Las moléculas pensadas para reconocer varias toxinas tampoco cumplieron los criterios frente a más de una. Esos resultados incompletos ayudan a entender el alcance del avance. [Datos y definiciones de los autores](https://huggingface.co/datasets/Anthropic/scorpion-toxin-binder-design).
*Figura de Anthropic: las formas son modelos estructurales previstos; los conteos corresponden a los resultados de unión. Los 2 de LqhIII se midieron en un solo laboratorio. Puedes abrir la imagen para verla en detalle.*
[Abrir la figura molecular en tamaño completo](/news/claude-science/official-results.webp).
## Lo que midió el laboratorio y lo que falta comprobar
Adaptyv Bio y Twist Bioscience evaluaron la unión de los candidatos. Para las toxinas medidas en ambos centros, los criterios exigían resultados consistentes y controles para descartar proteínas que se pegan de forma poco específica. **LqhIII es la excepción: solo se midió en Adaptyv Bio.** Eso evita presentar los 17 como si todos tuvieran la misma validación entre laboratorios. [Métodos y resultados del informe](https://www-cdn.anthropic.com/31ac578806cffd8b3d92d8affe6edc4c04d502e1.pdf).
Las pruebas utilizaron **toxinas recombinantes**, producidas en laboratorio. Esa elección permite estudiar una interacción concreta; comprobar el comportamiento frente a toxinas purificadas del veneno natural es otro de los pasos pendientes.
Una forma sencilla de leer la evidencia es distinguir estas preguntas:
| Pregunta | Estado en este estudio |
| --- | --- |
| ¿Se une la proteína a la toxina en el ensayo? | **Sí, 17 diseños cumplieron los criterios.** |
| ¿Impide que la toxina altere el funcionamiento de una célula? | No se ha probado para estos diseños. |
| ¿Protege a un animal expuesto a la toxina? | No se ha probado para estos diseños. |
| ¿Es un tratamiento seguro y eficaz para personas? | No hay ese resultado clínico. |
El [análisis estructural y de competición](https://www.anthropic.com/research/claude-scorpion-toxin-binder-design) aporta una pista interesante: algunos ligantes parecen ocupar una zona próxima a la de un anticuerpo conocido por neutralizar una de las toxinas en ratones. Esa observación permite plantear una hipótesis de funcionamiento. La prueba funcional de los nuevos diseños sigue pendiente.
Un caso concreto es **Cn2-B1**, un ligante diseñado con RFdiffusion3. El informe describe pruebas de competición con anticuerpos conocidos para investigar dónde se une a Cn2. La estructura del complejo que se muestra sigue siendo una predicción. Ese conjunto de pruebas orienta la investigación sobre su posible función; la neutralización de este diseño todavía debe medirse. [Caso y figura del informe](https://www-cdn.anthropic.com/31ac578806cffd8b3d92d8affe6edc4c04d502e1.pdf).
## ¿Claude lo hizo solo? Qué significan las 64 horas
La campaña computacional recibió un mensaje inicial y cuatro indicaciones de seguimiento. Claude eligió estrategias y coordinó herramientas, mientras las personas definieron el problema, supervisaron el trabajo y organizaron su paso a los laboratorios. El [relato de Citrini Research](https://www.citriniresearch.com/p/citrini-therapeutics), colaborador del proyecto, sitúa esta experiencia dentro de varios meses de trabajo con Anthropic.
**Las 64 horas corresponden al diseño y a la selección inicial de 180 candidatos**, no al desarrollo completo de un tratamiento ni a toda la comprobación física. Después se añadieron 31 diseños con ayuda de Claude. El informe sitúa el cómputo de la campaña en el orden de **10.000 horas de GPU H100**: es una medida acumulada de recursos, no 10.000 horas de espera de una persona. [Informe, discusión y limitaciones](https://www-cdn.anthropic.com/31ac578806cffd8b3d92d8affe6edc4c04d502e1.pdf).
El informe detalla que Claude eligió cuánto usar cada herramienta y cómo filtrar y ordenar candidatos, dentro de reglas definidas por el equipo. Es una forma de autonomía con un problema, herramientas y criterios concretos. Los laboratorios aportan después la comprobación física que una predicción computacional no puede sustituir.
## Anthropic, OpenAI y DeepMind: ejemplos que sí llegaron al laboratorio
Otros equipos también han conectado IA con pruebas físicas. Esta comparación distingue **qué se midió**, porque una tasa de unión y un ahorro de producción responden a preguntas diferentes.
| Trabajo | Resultado experimental publicado | Cómo leerlo |
| --- | --- | --- |
| **Anthropic · Claude interno** · octubre de 2026 | 17 diseños cumplieron criterios de unión a toxinas de escorpión. | Descubrimiento de ligantes; neutralización todavía pendiente. |
| **Google DeepMind · AlphaProteo** · septiembre de 2024 | Ligantes para siete blancos; algunos también bloquearon infección por SARS-CoV-2 en pruebas celulares. | Sistema especializado y blancos distintos. No logró ligantes para un octavo blanco, TNFα. |
| **OpenAI + Retro · GPT-4b micro** · agosto de 2025 | Más de 50 veces la expresión de marcadores de reprogramación celular frente a controles, según OpenAI. | Modelo experimental especializado; el indicador no mide longevidad humana ni unión a toxinas. |
| **OpenAI + Ginkgo · GPT-5** · febrero de 2026 | Más de 36.000 composiciones ensayadas y un 40% menos de costo de producción de proteínas frente a su referencia. | Optimización de síntesis en un laboratorio robótico; no es una tasa de descubrimiento de medicamentos. |
Fuentes originales: [AlphaProteo y sus pruebas](https://deepmind.google/blog/alphaproteo-generates-novel-proteins-for-biology-and-health-research/), [GPT-4b micro y Retro](https://openai.com/index/accelerating-life-sciences-research-with-retro-biosciences/), [GPT-5 y Ginkgo](https://openai.com/index/gpt-5-lowers-protein-synthesis-cost/) y [los datos de Claude](https://huggingface.co/datasets/Anthropic/scorpion-toxin-binder-design).
El punto en común es la conexión con una medida externa al texto que genera el modelo. Los objetivos, las herramientas y las condiciones cambian tanto que **estos datos no permiten declarar un ganador entre Claude, Gemini y ChatGPT**. Tampoco trasladan automáticamente las capacidades de esos sistemas experimentales a los modelos comerciales del mismo proveedor.
## Por qué este resultado merece atención
El estudio aborda un problema de salud desatendido: sus autores recogen estimaciones de más de **1,2 millones de picaduras de escorpión al año**, con dificultades de acceso a atención y antivenenos en distintas regiones. Acelerar la búsqueda de candidatos puede ser valioso incluso cuando el camino al tratamiento sigue abierto. [Contexto y referencias sanitarias del informe](https://www-cdn.anthropic.com/31ac578806cffd8b3d92d8affe6edc4c04d502e1.pdf).
En el estudio, el siguiente paso decisivo sería comprobar si los ligantes frenan la acción de las toxinas. Para el próximo modelo comercial, la pregunta es otra: cuánto del criterio descrito por el probador llega a una versión que otros puedan evaluar. Hoy tenemos un testimonio sobre ese Claude y datos experimentales de un sistema interno; cada evidencia permite seguir un avance distinto.
Anthropic · 20 de octubre de 2026. Publicación original del estudio de proteínas contra toxinas de escorpión. Leer el anuncio y su hilo en X ↗
Revisión editorial: 21 de octubre de 2026. Investigación de Anthropic y colaboradores; HeyMark no ha reproducido los ensayos. La visualización científica resume conteos publicados y su porcentaje calculado; no compara rendimiento entre modelos. Figura molecular: Anthropic. Portada: adaptación de HeyMark de la ilustración oficial de Claude Code del 29 de septiembre de 2025; no representa el modelo reportado. Datos del estudio: CC BY 4.0.
## Planifica el próximo post en HeyMark.
Guarda la idea, revisa el texto con tu equipo y mira cómo le fue después en las cuentas que conectaste.
[Empezar gratis](https://app.heymark.ai) · [Ver cómo funciona](https://heymark.ai/es/#product)
## Recursos para desarrolladores y agentes
- [Documentación MCP de HeyMark](https://heymark.ai/es/mcp/)
- [llms.txt](https://heymark.ai/llms.txt)
- [Contenido completo del sitio para modelos de lenguaje](https://heymark.ai/llms-full.txt)
- Endpoint del protocolo MCP: `POST https://mcp.heymark.ai`
- Metadatos OAuth del recurso protegido: [/.well-known/oauth-protected-resource](https://mcp.heymark.ai/.well-known/oauth-protected-resource)
- MCP server card: [/server-card](https://mcp.heymark.ai/server-card)