La IA ya ayuda a crear la siguiente IA: así se acelera el desarrollo de modelos

La inteligencia artificial ya no solo responde preguntas, escribe textos o programa aplicaciones. Dentro de los grandes laboratorios, también está ayudando a diseñar, entrenar, probar y proteger la siguiente generación de modelos. Si cada modelo acelera el desarrollo de su sucesor, el ritmo de avance podría cambiar profundamente.

Qué significa que una IA construya otra IA

Construir un modelo avanzado implica mucho más que iniciar un entrenamiento con miles de chips. Los equipos deben preparar datos, escribir infraestructura, optimizar núcleos para GPU, diseñar experimentos, interpretar resultados, crear evaluaciones y buscar fallos. Los agentes ya pueden ocuparse de una parte creciente de ese trabajo: modifican código, ejecutan pruebas en paralelo, comparan variantes y entregan conclusiones para que un investigador decida el siguiente paso.

La novedad está en la longitud y la complejidad de las tareas. Antes, un modelo sugería unas líneas de código que una persona copiaba. Ahora puede recibir un objetivo, recorrer un repositorio, lanzar experimentos durante horas y corregir su estrategia según los resultados. Esto reduce el tiempo entre una hipótesis y su comprobación, de modo que un mismo equipo puede explorar muchas más ideas.

Claude ya lidera una cuarta parte de la I+D de Anthropic

Anthropic ha publicado una medición interna especialmente reveladora. En agosto de 2026, Claude “lideraba” el 26% de las tareas de investigación y desarrollo de IA de la empresa. En su escala, liderar significa completar la mayor parte de una tarea de principio a fin a partir de una indicación general, mientras una persona supervisa. Además, Claude colaboraba en más del 90% del trabajo medido, realizando bloques importantes bajo dirección humana.

La cifra impresiona, pero necesita contexto. Anthropic afirma que Claude no trabaja de forma plenamente autónoma en ninguna categoría evaluada. La compañía creó su propio índice, utilizó modelos Claude para clasificar parte de la actividad y reconoce que existe margen para discrepar sobre dónde termina la colaboración y empieza el liderazgo. Es un indicador útil de tendencia, no una auditoría universal comparable entre laboratorios.

El volumen ya es industrial. Anthropic asegura que unos 30.000 agentes trabajan simultáneamente en investigación e ingeniería dentro de su plataforma interna más utilizada. Todos pasan por monitores automáticos y, durante agosto, aproximadamente una de cada 47.000 acciones fue bloqueada.

OpenAI ya usa modelos para mejorar a sus sucesores

OpenAI también ha mostrado un bucle concreto. En su trabajo sobre GPT-Red y la automejora aplicada a la seguridad, explica que un modelo especializado busca ataques e inyecciones de instrucciones contra otros sistemas. Los ejemplos que descubre se incorporan al entrenamiento de modelos posteriores para hacerlos más resistentes. La empresa afirma que lleva usando versiones cada vez más potentes de estos atacantes en sus lanzamientos desde GPT-5.3.

Este mecanismo no crea por sí solo una nueva arquitectura, pero sí cierra una parte del círculo: una IA encuentra debilidades, genera datos adversarios y contribuye a entrenar otra IA mejor preparada. OpenAI sostiene además que sus agentes ya ayudan a mejorar las capacidades de modelos de próxima generación. La automatización total de entrenamientos experimentales sobre la que han informado algunos medios no ha sido detallada públicamente con el mismo nivel de precisión, así que conviene tratarla como información periodística y no como un proceso completamente documentado.

¿Estamos ante la automejora recursiva?

La automejora recursiva describe un sistema capaz de diseñar una versión mejor de sí mismo, que a su vez desarrolla otra aún más capaz, repitiendo el ciclo. La idea moderna suele asociarse a la “explosión de inteligencia” planteada por I. J. Good en 1965. Si cada vuelta fuese más rápida y eficaz que la anterior, el progreso podría acelerarse de una forma difícil de anticipar.

Sin embargo, todavía falta una pieza decisiva. Los agentes son buenos ejecutando experimentos con metas y criterios de éxito definidos, pero muestran más debilidad al escoger qué problema merece la pena resolver, interpretar resultados ambiguos o proponer un cambio conceptual realmente nuevo. En términos sencillos: cada vez conducen mejor, pero una persona sigue eligiendo el destino y marcando las normas de la carretera.

Los llamados horizontes de tarea ayudan a medir el avance. Calculan la dificultad de los trabajos que un agente puede completar con una probabilidad determinada, usando como referencia el tiempo que necesitaría un experto. La tendencia reciente apunta a una duplicación aproximada cada cuatro meses en tareas de programación, aprendizaje automático y ciberseguridad. No significa que una IA pueda sustituir una jornada completa de cualquier profesional: las pruebas son autocontenidas, tienen objetivos claros y ofrecen menos desorden que un proyecto real.

Una aceleración con beneficios y riesgos

El lado positivo es enorme. Miles de agentes pueden explorar hipótesis en paralelo, optimizar sistemas, detectar fallos de seguridad y abaratar investigaciones que antes llevaban meses. Ese mismo impulso podría acelerar avances en medicina, energía o materiales. Además, una IA capaz de atacar y revisar modelos puede reforzar la seguridad al mismo ritmo que aumentan sus capacidades.

Pero la velocidad también comprime el tiempo disponible para verificar. Los agentes pueden compartir el mismo error, optimizar una métrica equivocada o encontrar atajos que parecen éxitos. Cuanto más trabajo produzcan, mayor será la carga de revisión humana. También se concentra poder en las compañías que poseen los chips, los modelos y los datos necesarios para mantener este ciclo.

No estamos ante una máquina que se rediseña sin ayuda y despierta cada mañana siendo más inteligente. Sí estamos, en cambio, ante un bucle de mejora cada vez más automatizado. La diferencia importa: evita el alarmismo, pero no resta trascendencia al cambio. La pregunta ya no es si la IA participará en la creación de la siguiente IA, porque eso ya ocurre. La cuestión es cuánto control conservarán las personas cuando ese ciclo sea más rápido, más complejo y mucho más difícil de supervisar.