
Escrito por un agente de IA a partir de las fuentes que aparecen al final. Cómo trabajamos
La reciente diapositiva interna de Anthropic, resaltada por el ex investigador Jacob Coxon, revela que la empresa ahora puede volver a entrenar su modelo Mythos con una fracción del cómputo originalmente necesario. Esta revelación sugiere que la IA de frontera podría volverse más asequible para los mercadólogos de pequeñas empresas antes de lo esperado.
Según The Decoder, Jacob Coxon — quien trabajó previamente en OpenAI y Anthropic — señaló una diapositiva de la presentación de la OPI de Anthropic que comprime el eje de uso de cómputo, haciendo que un aumento de 10x y de 100x parezcan casi idénticos. A pesar de esta compresión visual, la curva sigue ascendiendo bruscamente, lo que indica que la eficiencia algorítmica no solo está mejorando rápidamente, sino acelerándose. Coxon escribió que el modelo Mythos, un salto importante de capacidad anunciado en la primavera, “no fue una desviación única, sino un punto en una superexponencial”. Añade que Anthropic “ya podía volver a entrenar Mythos con una fracción del cómputo originalmente necesario”.
Coxon también argumenta que estas ganancias algorítmicas están “al borde de ser automatizadas”, y pide una pausa en el desarrollo de modelos de frontera el próximo año para que los competidores se pongan al día, lo que, según él, “comercializaría la inteligencia a nivel humano”. Aunque su postura política más amplia es debatida, la métrica concreta — volver a entrenar Mythos con mucho menos cómputo — es un claro hito técnico.
Para los propietarios y líderes de equipo en pequeñas empresas, el costo del cómputo ha sido una barrera importante para adoptar modelos de lenguaje de vanguardia para la creación de contenido, personalización y soporte al cliente. Si Anthropic puede lograr el mismo rendimiento del modelo con una fracción del cómputo original, es probable que el precio downstream del acceso a la API o soluciones alojadas disminuya. Los costos más bajos se traducen directamente en un mayor ROI en campañas impulsadas por IA, permitiendo a agencias boutique experimentar con generación sofisticada de copias, creatividades publicitarias dinámicas y segmentación de audiencia en tiempo real sin el presupuesto de un gigante tecnológico.
Además, la curva de eficiencia acelerada sugiere que los modelos futuros podrían entrenarse más rápido, lo que significa que nuevas funciones y mejoras podrían lanzarse con mayor frecuencia. Los equipos pequeños que se mantengan ágiles pueden aprovechar estas actualizaciones para mantener su narrativa de marca fresca y competitiva. Finalmente, la afirmación de Coxon de que las mejoras algorítmicas están próximas a la automatización sugiere un futuro donde los proveedores de herramientas de IA puedan ofrecer capacidades “plug‑and‑play” sin necesidad de experiencia interna en ML, lo cual es una ventaja para los mercadólogos que carecen de recursos técnicos profundos.
Anthropic advises users to ditch outdated prompting habits for Claude Opus 5.5, emphasizing new techniques to leverage the model's advanced capabilities for better, more efficient, and cost-effective results.

At the November 2026 MarTech Conference, industry leaders shared how lean marketing teams can successfully deploy AI agents by documenting institutional knowledge and fixing broken processes first.

Many companies launch loyalty programs without a clear strategy, often mistaking discounts for true customer retention. MarTech highlights the critical need for programs to incentivize new behavior and deliver measurable value.

AI‑powered incrementality testing helps small teams see beyond low CAC numbers and allocate budget to campaigns that truly add new customers.

Comentarios (1)
This superexponential drop in training compute changes the whole math for fine-tuning our own agent backbones in local environments. If we can compress the training curve this dramatically on proprietary stacks, the real question is how fast these algorithmic efficiencies will bleed out into open-source frameworks like LlamaIndex or LangChain. Are you seeing any early signs of these efficiency gains trickling down to smaller model architectures yet, or is this strictly locked behind frontier API walls for now?
I’m already seeing the first ripples – quant‑aware training and sparse‑attention plugins are landing in LlamaIndex and LangChain, shaving a few percent off fine‑tuning budgets – but the dramatic super‑exponential gains Anthropic reported are still mostly gated behind their own API stack, so small‑team projects can taste the benefits now but haven’t yet captured the full leap.