Anthropic no ha anunciado fechas para Claude 4. Lo que sí ha publicado es una dirección de investigación bastante clara, y a partir de los papers de Anthropic y las contrataciones del equipo, se puede construir una imagen razonablemente bien fundada de lo que viene.
Lo que sabemos con certeza
Anthropic sigue siendo una empresa de seguridad de IA primero. Cada nuevo modelo de Claude viene con documentación extensa sobre alineación, técnicas de Constitutional AI, y evaluaciones de seguridad. Claude 4, sea cuando sea, seguirá este patrón. La velocidad de lanzamiento de Anthropic es más lenta que OpenAI precisamente porque los procesos de evaluación son más exhaustivos.
Extended Thinking seguirá siendo central. La investigación de Anthropic sobre razonamiento extendido es prolífica. La dirección es hacia razonamiento más fiable, más controlable, y más eficiente (no solo más compute).
La multimodalidad mejorará. Claude 3 mejoró significativamente la comprensión de imágenes respecto a versiones anteriores. La tendencia continúa. Es probable que Claude 4 tenga capacidades mejoradas con documentos que combinan texto e imágenes (PDFs complejos, diagramas técnicos).
Lo que la investigación publicada sugiere
Anthropic ha publicado papers sobre varias áreas que podrían influir en la próxima generación:
Interpretabilidad mecanística: Anthropic invierte significativamente en entender qué ocurre dentro de los modelos. El trabajo en “features” y “superposición” sugiere que están buscando formas de hacer los modelos más transparentes y controlables.
Steering de activaciones: técnicas para modificar el comportamiento del modelo durante la inferencia sin re-entrenamiento. Esto podría permitir más control sobre el razonamiento y el comportamiento del modelo.
Evaluaciones más rigurosas: Anthropic ha publicado trabajo sobre cómo evaluar capacidades peligrosas de forma más sistemática. Esto sugiere que los modelos más capaces vendrán con evaluaciones más exhaustivas.
Lo que importa más allá del “es más capaz”
La pregunta relevante para los desarrolladores no es “¿es Claude 4 mejor que Claude 3.7?” (sí, lo será). Las preguntas que importan:
¿Mejora la fiabilidad en seguimiento de instrucciones? Actualmente, incluso los mejores modelos violan ocasionalmente instrucciones específicas en prompts de sistema complejos. Mejoras aquí serían muy valiosas para aplicaciones de producción.
¿Mejora la calibración? Los modelos actuales a veces están muy seguros de respuestas incorrectas. Un modelo mejor calibrado sabe cuándo no sabe algo.
¿Cómo evoluciona el pricing? La tendencia histórica es a la baja. Si Claude 4 mantiene la tendencia, el coste de usar los mejores modelos seguirá bajando.
¿Cambia la ventana de contexto? 200K tokens es suficiente para muchos casos, pero hay demanda de ventanas más largas para ciertos usos enterprise.
Los rumores con base técnica
Mayor capacidad de razonamiento en tareas científicas y matemáticas: la investigación de Anthropic en razonamiento sugiere que este es un área de foco activo. Los benchmarks de GPQA y similares seguirán siendo referencias.
Mejoras en agentic use: Anthropic ha publicado sobre patrones de agentes y herramientas. El soporte para flujos de trabajo agénticos complejos es una dirección probable.
Mejor manejo de instrucciones contradictorias: situaciones donde las instrucciones del sistema entran en conflicto con las del usuario, o donde hay ambigüedad en lo que se pide. Los modelos actuales no siempre resuelven esto bien.
Lo que no cambiará
La filosofía de diseño de Anthropic: modelos que son honestos sobre sus limitaciones, que prefieren decir “no sé” antes que inventar, y que tienen salvaguardas de seguridad robustas.
Esto a veces frustra a usuarios que quieren respuestas sin fricciones. Pero para aplicaciones empresariales donde los errores tienen coste real, estas propiedades son ventajas competitivas.
Mi perspectiva
Claude 3.7 es el mejor modelo para la mayoría de mis casos de uso hoy. Claude 4 será mejor, y habrá cosas que todavía no puedo hacer bien que Claude 4 permitirá.
Lo que más espero: mejoras en fiabilidad y calibración, no solo en benchmarks. Un modelo que sabe cuándo no sabe algo y lo dice claramente es más valioso para producción que un modelo que responde con confianza en todos los casos.
Especulación informada basada en investigación publicada y dirección del sector. Sin información privilegiada de Anthropic.