Invertir como los mejores: los ingresos de Anthropic pasaron de una tasa anualizada de $9.000 millones a $30.000 millones en un solo trimestre, y el CFO asegura que las leyes de escala no muestran signos de detenerse
Krishna Rao se sentó con Patrick O'Shaughnessy el 13 de mayo de 2026 para revelar la estrategia de cómputo de Anthropic, su crecimiento exponencial y por qué la inteligencia de frontera tiene una prima estructural
De $9.000 millones a $30.000 millones en un trimestre
La cifra que dejaría helado a la mayoría de los inversionistas surgió casi como un comentario al margen. El CFO de Anthropic, Krishna Rao, le dijo a Invest Like The Best que la compañía comenzó 2026 con una tasa de ingresos anualizada (run rate) de aproximadamente $9.000 millones y cerró el primer trimestre por encima de los $30.000 millones. No se trata de una cifra anual; es el resultado de un solo trimestre. Como contexto, Rao se unió a la empresa hace dos años, cuando la tasa de ingresos era de unos $250 millones. La trayectoria desafía todos los marcos convencionales de adopción de software empresarial, y Rao admitió con franqueza que, incluso él, pasó sus primeros meses anclado mentalmente a un pensamiento lineal antes de verse obligado a reconfigurar sus supuestos.
El motor detrás de ese crecimiento, según Rao, no es solo la ejecución de ventas o el poder de fijación de precios, sino la inteligencia del modelo que se potencia a sí misma. "Cada generación de modelos te brinda la oportunidad de hacer más con ella, de hacerlo mejor y de hacerlo de manera más eficiente", señaló. "Los retornos de la inteligencia de frontera son extremadamente altos, especialmente en el sector empresarial". La retención neta en dólares se sitúa por encima del 500 por ciento sobre una base anualizada. Nueve de las 10 empresas de la lista Fortune 10 ya son clientes. Durante el trayecto en auto hacia el estudio, Rao cerró dos compromisos de decenas de millones de dólares.
Un compromiso de cómputo de $100.000 millones y la estrategia de "capas de pastel"
El mes pasado, Anthropic firmó lo que equivale a uno de los mayores compromisos de adquisición de cómputo en la historia corporativa. La compañía cerró un acuerdo con Google y Broadcom por hasta cinco gigavatios de capacidad de TPU a partir de 2027, y un acuerdo separado con Amazon por hasta cinco gigavatios de Trainium. Combinados, ambos acuerdos representan un compromiso superior a los $100.000 millones. Rao también reveló una nueva asociación con SpaceX para acceder a sus instalaciones Colossus en Memphis para cómputo a corto plazo, orientado principalmente a cargas de trabajo de consumo y prosumidores.
Rao describe la infraestructura resultante como un "pastel de capas": tramos de cómputo de diferentes proveedores, distintas generaciones de chips y diversas fechas de inicio, todo orquestado dinámicamente a través de tres casos de uso distintos: entrenamiento y desarrollo de modelos, aceleración interna de empleados y atención a la demanda de inferencia de clientes externos. "Usamos estos chips de forma fungible", explicó. Anthropic opera simultáneamente con Trainium de Amazon, TPUs de Google y GPUs de Nvidia, y ha construido su propia pila de compiladores y capa de orquestación para extraer la máxima utilización de cada uno. Rao cree que esto convierte a Anthropic en el usuario de cómputo más eficiente entre todos los laboratorios de frontera, una afirmación que atribuye a años de inversión deliberada y no a una decisión arquitectónica aislada.
La lógica estratégica para mantener esta postura multi-nube y multi-chip es sencilla: la flexibilidad es la cobertura contra la incertidumbre. "Si compras demasiado cómputo, quiebras. Si compras muy poco, no puedes atender a tus clientes y dejas de estar en la frontera, lo cual es lo mismo", afirmó Rao.
El "cono de incertidumbre" y por qué lo impulsa todo
El marco conceptual más importante que utiliza Rao para dirigir la función financiera en Anthropic es lo que él llama el "cono de incertidumbre". En una curva de crecimiento exponencial, pequeñas diferencias en las tasas de crecimiento semanales o mensuales producen resultados radicalmente divergentes en un horizonte de uno a dos años. Por lo tanto, el rango de escenarios se vuelve extremadamente amplio y las estimaciones puntuales se vuelven casi inútiles. La respuesta de Anthropic es integrar flexibilidad en cada contrato de cómputo, mantener un piso firme de cómputo asignado al desarrollo de modelos independientemente de la presión de la demanda a corto plazo, y reasignar dinámicamente el resto basándose en discusiones de ROI que ocurren de forma continua, en lugar de trimestral.
Rao es explícito al señalar que la compañía ha operado históricamente hacia el extremo superior de su cono. La razón por la que el levantamiento de capital continúa a gran escala —$75.000 millones recaudados desde que se unió, con otros $50.000 millones provenientes de los acuerdos con Amazon y Google— no es para financiar pérdidas operativas, argumentó, sino para prepararse ante escenarios donde el crecimiento continúe superando las expectativas. "La razón por la que recaudamos este capital es más por ese cono de incertidumbre que para financiar pérdidas reales en el negocio hoy", dijo.
La automejora recursiva ya es una realidad
Una de las revelaciones más trascendentales de la conversación fue la confirmación de Rao de que la automejora recursiva ya no es un constructo teórico en Anthropic: es una realidad operativa actual. Más del 90 por ciento del código escrito internamente es producido ahora por Claude Code, y una parte significativa del propio Claude Code es escrita por Claude Code. Anthropic dedica una cantidad importante de cómputo interno a este ciclo, no porque sacrifique ingresos para hacerlo, sino porque los modelos están acelerando materialmente el desarrollo de la siguiente generación de modelos.
"Los modelos mismos nos están ayudando a construir esa próxima generación de modelos", dijo Rao. "Además del salto de capacidad que obtendrías solo por las leyes de escala, el talento es realmente importante, y ese talento con los mejores modelos puede acelerar realmente el desarrollo de las capacidades". La compañía lanzó 30 actualizaciones de productos y funciones solo en enero, un ritmo que, según Rao, solo se ha acelerado desde entonces. La tesis interna de Anthropic es que este ciclo recursivo, combinado con las leyes de escala que considera que permanecen intactas, está ampliando la brecha entre los laboratorios de frontera y todos los demás.
Leyes de escala: no se observa desaceleración
Sobre la pregunta central que ha dividido a la comunidad de inversionistas en IA —si las leyes de escala están llegando a un límite—, Rao fue inequívoco. "Para nosotros, esa es una caracterización justa. Las leyes de escala no se están desacelerando". Reconoció que entre los fundadores se encuentran varios de los autores originales de los artículos sobre las leyes de escala y que la cultura interna exige un escepticismo científico sobre los supuestos previamente aceptados. Pero, según lo que Anthropic observa en las curvas de pérdida de pre-entrenamiento, las ejecuciones de aprendizaje por refuerzo y, en última instancia, la retroalimentación de los clientes sobre capacidades en el mundo real, no hay evidencia de desaceleración. El pre-entrenamiento, el post-entrenamiento y el razonamiento están avanzando, y la opinión de Rao es que un techo real requeriría que todos colapsaran simultáneamente.
Anthropic rastrea las mejoras en la eficiencia de los modelos junto con las ganancias en capacidad bruta. Usando la familia Opus como ilustración —desde Opus 4 hasta 4.5, 4.6 y ahora 4.7—, cada paso generacional ofrece no solo mayor inteligencia, sino un multiplicador en la eficiencia del procesamiento de tokens. La implicación es que la analogía de los autos deportivos para los modelos de IA es incorrecta: los mejores modelos también son más baratos de ejecutar. "De hecho, vemos ambas cosas: grandes mejoras en la capacidad, pero también en la eficiencia del modelo", dijo Rao. Esa ganancia de eficiencia se traslada internamente porque el aprendizaje por refuerzo es efectivamente una inferencia dentro de un entorno controlado, por lo que un modelo más eficiente hace que las ejecuciones de RL también sean más baratas.
Precios: la paradoja de Jevons en acción
El movimiento de precios más significativo de Anthropic en la historia reciente fue reducir el costo de la familia Opus cuando lanzó Opus 4.5. La razón era sencilla: la capacidad de clase Opus estaba siendo subutilizada porque los clientes intentaban ajustar problemas de Opus con precios de nivel Sonnet. Al reducir el precio, Anthropic desencadenó lo que Rao describió explícitamente como una paradoja de Jevons: el consumo aumentó mucho más de lo que la reducción de precio habría implicado a una tasa de utilización constante. Los precios de Sonnet y Haiku se han mantenido ampliamente estables. Mythos, el modelo más nuevo y potente, tiene un precio más alto acorde con su nivel de capacidad.
Rao rechazó la idea de que las limitaciones de cómputo deban conducir lógicamente a aumentos de precios en todos los ámbitos. Su vara de medir preferida es el retorno sobre el total de la envolvente de cómputo, tratando el entrenamiento, el uso interno y la inferencia como un fondo unificado de capital que genera retornos en diferentes horizontes temporales. "Nuestros retornos sobre ese gasto en cómputo hoy son sólidos", afirmó, sin proporcionar cifras específicas de margen. La clave para los inversionistas es que, a medida que los ingresos crecen rápidamente sin un aumento correspondiente a corto plazo en el cómputo —debido a que la capacidad está pre-comprometida con 12 meses de antelación—, la economía incremental de atender nueva demanda puede ser altamente favorable dentro de una misma generación de cómputo.
Plataforma frente a aplicación: mayormente horizontal, selectivamente vertical
Rao posicionó la orientación estratégica de Anthropic principalmente como un negocio de plataforma horizontal, haciendo una analogía explícita con los primeros días de AWS. El objetivo es construir los mejores modelos y luego ofrecer las herramientas, SDKs, agentes gestionados, almacenamiento en caché de prompts y capas específicas de aplicación que permitan a los clientes empresariales construir sobre ellos. Claude Code, co-work, Claude for Financial Services, Claude for Life Sciences y Claude Security se caracterizan como demostraciones verticales diseñadas para mostrar al ecosistema lo que la plataforma puede hacer, no como una incursión en el terreno de las aplicaciones.
Rao reconoció la tensión directamente. Los clientes que construyen negocios sobre Claude tienen razón al observar qué tan profundo llega Anthropic en la pila tecnológica, y admitió que los lanzamientos de modelos a veces sorprenden incluso al propio equipo de Anthropic. Su respuesta a la ansiedad de los socios fue esencialmente estructural: Anthropic construye sobre la misma plataforma que ofrece a los clientes, los lanzamientos verticales se han realizado en colaboración con socios del ecosistema y el interés comercial de la compañía reside en proliferar la inteligencia ampliamente en lugar de capturar cada capa de aplicación. Si esa postura se mantendrá a medida que la plataforma madure es una pregunta que Rao dejó abierta.
Cómo Claude dirige al equipo financiero de Anthropic
Entre las revelaciones más detalladas estuvo la descripción de Rao sobre cómo se ha transformado su propia organización financiera. Anthropic ahora produce estados financieros estatutarios para todas las entidades legales utilizando Claude, con la revisión humana como control en lugar del mecanismo de producción principal. Han construido una plataforma interna llamada Ant Stats, con una biblioteca de más de 70 habilidades específicas de finanzas accesibles para todo el equipo, incluida una habilidad de revisión financiera mensual que produce el MFR con un nivel de finalización del 90 al 95 por ciento. Un informe semanal de ingresos y utilización de cómputo que antes tomaba horas ahora toma 30 minutos. Fundamentalmente, Rao dijo que el modelo no solo informa lo que sucedió, sino que analiza los impulsores y la causalidad. "Claude no solo informa el clima, también ayuda a pensar en los impulsores: por qué cambió el número de la forma en que lo hizo".
Rao rastrea el uso de tokens en su equipo en una tabla de clasificación y señaló que los usuarios más intensivos tienden a ser los de mayor rango. Su jefe de impuestos es el mayor consumidor, construyendo motores de políticas y automatizando gran parte de la carga de trabajo fiscal. "Si no somos usuarios avanzados de esto, si no estamos superando sus límites, ¿cómo puedes esperar que los clientes lo hagan?", dijo.
Mythos, ciberseguridad y el marco de lanzamiento por fases
Rao abordó el lanzamiento de Mythos, al que describió como un modelo de amplia capacidad que resultó exhibir un pico particularmente agudo en capacidad de ciberseguridad. Mientras que un modelo Claude anterior identificó 22 vulnerabilidades de seguridad en una base de código de código abierto, Mythos encontró 250. La decisión de lanzarlo por fases, a un conjunto controlado y en expansión de usuarios, se presentó como una plantilla para cómo Anthropic pretende manejar futuros modelos con perfiles de riesgo de doble uso asimétrico. La compañía trabajó estrechamente con la actual administración de EE. UU. antes del lanzamiento. Rao caracterizó la dinámica regulatoria como una en la que Anthropic quiere que la innovación avance rápidamente, pero dentro de un marco de responsabilidad, y donde la inversión de Anthropic en investigación de interpretabilidad y alineación crea beneficios comerciales con clientes empresariales que no fueron originalmente la motivación de esa investigación.
Qué podría descarrilar la tesis
Rao ofreció un análisis previo (pre-mortem) sincero sobre lo que podría empujar a Anthropic hacia el extremo inferior de su cono de incertidumbre. El primer riesgo es la tasa de difusión: los casos de uso en grandes empresas están tratando de ponerse al día con la capacidad del modelo, y la inercia organizacional humana podría ralentizar la adopción. El segundo es una desaceleración en las propias leyes de escala, lo cual, según Rao, no puede descartarse con certeza aunque Anthropic no vea evidencia de ello hoy. El tercero es la posición competitiva: "Hoy estamos en la frontera. Creo que estamos definiendo la frontera de la IA agentica. Necesitamos permanecer allí, y eso tampoco está garantizado".
El juego a largo plazo: salud y descubrimiento de fármacos
Cuando se le preguntó dónde le entusiasma más personalmente el impacto de la IA, la respuesta de Rao fue inequívoca: biotecnología y descubrimiento de fármacos. Su visión es un mundo donde un paciente diagnosticado con una enfermedad actualmente incurable pueda ver esa enfermedad curada durante su vida, porque la IA ha comprimido el cronograma de investigación molecular, análisis de proteínas y procesamiento de ensayos clínicos en varios órdenes de magnitud. "Si piensas en estas moléculas y proteínas, son tan complejas, y cambios tan pequeños tienen implicaciones tan grandes para los resultados, que la IA es perfecta para eso", dijo. Considera que un aumento de 10 a 100 veces en el rendimiento de laboratorio es alcanzable y transformador, de una manera que llegaría a poblaciones de todo el mundo, incluso en áreas donde los recursos de salud son escasos.