El crecimiento de Anthropic se ha aplanado

Artículo original ↗ Discusión en Hacker News ↗

Las últimas cifras de ingresos de Anthropic muestran un crecimiento rápido pero con una marcada desaceleración, lo que plantea dudas sobre si su auge de IA ya está encontrando límites estructurales. Los comentaristas debaten cuánto del negocio es realmente rentable de forma sostenible frente a lo que está subvencionado por enormes compromisos de cómputo y capital de los inversores, y si Anthropic tiene algún foso defensivo duradero mientras rivales como OpenAI, Google y modelos chinos o de pesos abiertos más baratos cierran la brecha de capacidades. Muchos prevén un giro desde el “token-maxxing” y la experimentación hacia un control estricto de costes y la diversificación de modelos, con un éxito futuro que dependerá más del precio, la eficiencia y la integración en el mundo real que de los benchmarks de modelos de frontera por sí solos.

Ingresos, crecimiento y rentabilidad

  • El hilo se centra en el S‑1 de Anthropic: los ingresos reportados del tercer trimestre rondan los 17 mil millones de dólares, ~47% trimestral y >1000% interanual, frente a los rumores anteriores en los que se basó el artículo.
  • Muchos argumentan que “aplanado” es una exageración: el crecimiento sigue siendo muy alto, solo que se está desacelerando desde el anterior ~150% trimestral.
  • Algunos señalan fuertes márgenes brutos en suscripciones (≈85%) y una mejora en el “ingreso por dólar de cómputo”, lo que sugiere que la inferencia ya es rentable.
  • Otros responden que centrarse en los ingresos o en márgenes basados solo en cómputo es engañoso sin considerar los costos completos (entrenamiento, personal, instalaciones).

Valoración, obligaciones y riesgo de burbuja

  • La gran financiación previa a la salida a bolsa y los masivos compromisos multianuales de cómputo implican que Anthropic necesita un crecimiento muy alto y sostenido para satisfacer a los inversores.
  • Hay debate sobre si las valoraciones actuales o implícitas futuras pueden justificarse frente a referencias globales de ingresos.
  • Algunos ven esto como una sobreconstrucción al estilo de las puntocom; otros sostienen que es lo habitual en tecnología de alto capex y que no tiene precedentes.
  • Preocupa que las OPV sirvan principalmente para transferir el riesgo a inversores públicos/minoristas antes de cualquier corrección de la IA.

Precios, calidad del modelo y competencia

  • Elogios fuertes para Opus 5.5, especialmente para programación y flujos de trabajo agentivos; algunos dicen que “simplemente funciona” con una ingeniería de prompts mínima.
  • Otros consideran que los últimos modelos de OpenAI, o competidores como Astra/Sol o modelos chinos (DeepSeek, etc.), son comparables o mejores, sobre todo en precio y visión.
  • Opus 5.5 es más barato y eficiente que las gamas anteriores; varios usuarios informan que su gasto en Anthropic disminuyó porque el modelo hace más con menos tokens o permite bajar a Haiku.
  • Se espera que los proveedores compitan cada vez más en precio y eficiencia; algunos prevén un crecimiento de tokens similar al de la paradoja de Jevons, pero solo ingresos lineales.

Ventajas defensivas, modelos abiertos y ecosistema

  • Opiniones divididas sobre la ventaja defensiva:
    • Postura a favor: es extremadamente difícil construir laboratorios de frontera, retener a los mejores investigadores y mantener procesos internos; existen muy pocos laboratorios reales de entrenamiento.
    • Postura escéptica: la inteligencia se está comoditizando, muchos modelos “suficientemente buenos” (incluidos los abiertos y los chinos) compiten en coste; las empresas pueden cambiar si los ingenieros no notan la diferencia.
  • Algunos sostienen que el acceso a cómputo y el ecosistema/integración (herramientas, agentes, aplicaciones verticales) serán los activos verdaderamente defendibles.

Patrones de uso, tokenmaxxing e impacto en el mundo real

  • Hay informes de empresas que están frenando el “tokenmaxxing” y el “slop” de IA, ya que el exceso de código/PRs aumenta la carga de revisión e incidentes.
  • Muchos afirman que ahora el cuello de botella es las pruebas, la revisión, la coordinación y las restricciones del negocio, no la velocidad de generación de código.
  • Se observa que fuera del software y de unos pocos dominios, la adopción es irregular; muchos trabajadores vuelven a flujos de trabajo antiguos a pesar de disponer de herramientas de IA.

AGI y trayectoria a largo plazo

  • La conversación sobre AGI parece haber disminuido; algunos creen que ya estamos cerca, mientras que otros insisten en que los LLM actuales están lejos de una inteligencia independiente, a nivel humano y autodirigida.
  • Varios esperan dinámicas cíclicas de hype–desilusión–redescubrimiento; otros advierten que algunas olas tecnológicas simplemente desaparecen.