La industria tecnológica lleva meses repitiendo la misma promesa: la IA aprenderá pronto a investigarse y mejorarse a sí misma, casi sin supervisión humana. Modelos que diseñan sus propias arquitecturas, semanas de trabajo ahorradas de golpe.
Un nuevo experimento pone esa expectativa a prueba de forma muy concreta. A un agente de IA se le asignaron seis días, tres mil dólares en recursos computacionales y acceso libre a internet para producir un artículo científico de nivel de conferencia. Lo intentó. El paper fue rechazado.
¿Qué falló exactamente?
La promesa que mueve billones de dólares
La automejora recursiva es una idea sencilla con implicaciones enormes: un sistema de IA que perfecciona su propio diseño y, al hacerlo, sigue mejorando de forma continua. La industria lleva tiempo señalando ese horizonte como el próximo gran salto.
El optimismo no carece de fundamento. Los grandes modelos de lenguaje ya escriben código funcional, generan datos sintéticos para entrenar nuevas versiones de sí mismos y contribuyen a optimizar los chips sobre los que operan. En julio, OpenAI anunció que su modelo GPT-5.6 Sol había participado en el entrenamiento de un modelo más pequeño, ahorrando semanas de trabajo a los investigadores. Anthropic publicó en junio una entrada de blog titulada When AI Builds Itself, en la que detallaba sus avances hacia modelos capaces de acelerar su propio desarrollo.
Ambas empresas han convertido la automatización de la investigación en IA en un objetivo público y explícito. La pregunta que muchos se formulan en voz baja es si ese objetivo está más cerca o más lejos de lo que parece.
Un experimento diseñado para ir más allá de los benchmarks
La mayoría de los estudios que evalúan agentes de IA los enfrentan a tareas cerradas: resolver un problema de ingeniería, alcanzar una puntuación en un benchmark, ajustar un modelo pequeño. Esas pruebas son útiles, pero no capturan lo que hace un investigador real: seleccionar hipótesis, decidir qué evidencia es suficiente, saber cuándo empezar de cero.
Un equipo liderado por Peter Kirgis y Sayash Kapoor, de la Universidad de Princeton, diseñó un método diferente. Lo denominaron shadow evaluation: el agente debe responder una pregunta de investigación extraída de un artículo inédito de alto nivel. Al utilizar trabajos no publicados, se elimina la posibilidad de que el modelo haya memorizado las respuestas durante el entrenamiento.
El agente elegido fue Claude Opus 4.8 de Anthropic. Las condiciones fueron generosas: seis días, 3.000 dólares en créditos de API, presupuesto de GPU propio y acceso libre a la web. Las preguntas procedían de dos artículos enviados a NeurIPS 2026, una de las conferencias de aprendizaje automático más prestigiosas del mundo. Los autores originales evaluaron los resultados como lo harían con cualquier envío a una conferencia. Rechazaron los dos papers.
Lo que el agente hizo bien… y dónde fracasó
No todo fue negativo. El agente revisó la literatura existente, ejecutó cientos de experimentos y compiló los resultados de forma ordenada. Tampoco incurrió en reward hacking: no ocultó datos ni manipuló resultados para aparentar éxito. Cuando los subagentes detectaron errores, el agente principal los identificó.
Pero ahí terminaron los aspectos positivos. Según Kapoor, los agentes «eran claramente malos a la hora de llevar a cabo la investigación en sí». Probaron hipótesis sobre conjuntos de datos sintéticos diminutos, se comprometieron con enfoques poco prometedores demasiado pronto y fueron incapaces de replantear su estrategia desde cero. Podían hacer pequeños ajustes, pero no cambiar de rumbo de verdad.
Los problemas de comunicación resultaron igual de graves. Los textos eran ininteligibles en partes clave, no aportaban ninguna contribución original y los recursos —tiempo, tokens, capacidad de cómputo— se gestionaron con escasa eficiencia. «Los papers no estaban ni cerca del nivel de una conferencia top de IA», afirmó Kapoor.
Por qué la IA es buena ingeniera pero mal científica
La explicación que ofrece Kapoor apunta al proceso de entrenamiento. El aprendizaje por refuerzo —la técnica mediante la cual los modelos mejoran por ensayo y error— funciona bien cuando el éxito se puede medir de forma automática. Ganar una partida, superar un benchmark, compilar código sin errores: todo eso es cuantificable. La investigación abierta no lo es.
Elegir la hipótesis correcta, reconocer cuándo una línea de trabajo no tiene futuro, identificar una contribución genuina: eso exige criterio y discernimiento, cualidades difíciles de convertir en una señal de recompensa. Jack Clark, cofundador de Anthropic, lo expresó con claridad en su newsletter Import AI. Escribió que los sistemas actuales son «ingenieros extraordinariamente capaces» pero muestran «un pensamiento rutinario y formulaico» que podría impedirles ser buenos investigadores, y calificó esa ausencia de creatividad intuitiva como una «señal bajista para los plazos cortos de automejora recursiva».
Najoung Kim, profesora de la Universidad de Boston, apunta otra posibilidad: que el progreso en IA se bifurque, avanzando rápido en tareas cerradas y despacio en investigación abierta.
La pregunta del billón de dólares que nadie sabe responder aún
El estudio tiene limitaciones relevantes. Solo evaluó dos artículos. Los autores originales sabían que leían trabajos generados por agentes, lo que pudo condicionar su valoración, y los investigadores tomaron decisiones de diseño que podrían reflejar sus propias hipótesis de partida.
Aun así, la duda central que plantea es legítima: ¿es imprescindible la investigación abierta para lograr la automejora recursiva, o basta con mejorar en tareas cerradas y cuantificables? Kapoor recuerda que los grandes avances históricos —la invención de los transformers, la aparición de nuevas arquitecturas— requirieron creatividad genuina, no solo optimización incremental.
El equipo ya está repitiendo el experimento con Mythos, el modelo más avanzado de Anthropic, aunque su acceso está restringido por requisitos del Gobierno de Estados Unidos. Los resultados aún no son públicos.
Quizás la pregunta más importante no sea si la IA puede automatizar la ciencia, sino qué tipo de ciencia es capaz de hacer. La diferencia entre optimizar lo conocido y descubrir algo nuevo puede parecer una cuestión técnica. En realidad, es la misma diferencia que separa una herramienta de un investigador.