Dos cosas distintas viajan bajo "los modelos se mejoran solos"

Los modelos ya se están mejorando solos.

Es una frase que anda circulando. Adentro conviven dos cosas muy distintas, y separarlas cambia qué se puede planificar y qué no.

La creencia instalada es que entramos en un bucle: cada versión de un modelo mejora la siguiente sin que nadie tenga que meter mano. Un despegue silencioso que ya está en marcha.

Tiene sentido que inquiete. Las mismas empresas que construyen estos modelos, sobre todo OpenAI y Anthropic, ya lanzan miles de agentes en paralelo sobre sus propios procesos internos.

Lo que sé reconocer, después de treinta años armando y revisando discursos de venta, es el momento en que una sola palabra carga con dos ofertas distintas.

Pasa todo el tiempo en marketing. La misma palabra nombra algo que ya funciona y algo que todavía es promesa, y quien la usa casi nunca aclara cuál de las dos.

Cuando leo algo del mundo de la IA, ese es el filtro que más uso. No el técnico, que no tengo, sino ese.

Lo que separa Lambert

El 19 de septiembre de 2026 Nathan Lambert —investigador en Ai2, autor de la newsletter Interconnects— publicó “Why I still haven’t bought into true RSI” (https://www.interconnects.ai/p/where-i-stand-on-rsi).

Ahí traza exactamente esa distinción sobre la autosuperación recursiva (RSI, por su sigla en inglés): la idea de que la IA mejora su propia inteligencia sin intervención humana, en un ciclo que se acelera solo.

Escribió, en mi traducción: “Es importante no confundir los pasos masivos en escalar el cómputo de inferencia —una dinámica que debería ser bastante predecible— con ser resultado de la autosuperación recursiva, que es altamente incierta.”

Ahí está la separación completa. Un lado: lanzar cada vez más cómputo y más agentes sobre problemas con respuesta verificable, algo que ya pasa y que los laboratorios pueden medir en horas y en tokens gastados.

El otro lado: que el sistema mejore su inteligencia de fondo —no su eficiencia, su capacidad real— sin que nadie decida cómo. Eso segundo, dice Lambert, todavía no tiene evidencia que lo sostenga.

Por qué la parte que sí se mide no alcanza para automatizar todo

Lambert respalda esa distinción citando algo que dijo John Schulman —cofundador de OpenAI, hoy chief scientist en Thinking Machines.

Lo dijo en el podcast de Dwarkesh Patel del 11 de septiembre de 2026 (https://www.dwarkesh.com/p/john-beren-charlie), junto a Beren Millidge y Charlie O’Neill.

En mi traducción del original: “Si pienso en un equipo de post-training y por qué necesitás mucha gente en el equipo, es simplemente porque hay muchas áreas distintas en las que hay que decidir cómo se debe comportar el modelo.”

Y siguió: “Sería muy difícil automatizar todo eso, porque alguien tiene que pensar cómo se debe comportar el modelo en esa área.”

Schulman lo dijo hablando de por qué un equipo de post-training —la etapa donde se ajusta cómo responde un modelo ya entrenado— sigue necesitando muchas personas y no una sola.

No es una limitación de cómputo. Es que definir “cómo se debe comportar el modelo” en cada situación es una decisión de criterio, no un problema que se resuelva escalando.

Qué cambia si se separan las dos cosas

La frase no está mal. Es que, sin distinguir qué parte ya se mide y cuál todavía es apuesta, sirve para vender casi cualquier cosa — desde apurar la adopción de una herramienta hasta temerle.

Para alguien que decide qué herramientas adoptar y cuándo, la parte que sí está pasando —escalar cómputo y agentes sobre tareas medibles— es la que se puede seguir de cerca, comparar y planificar con algo de certeza.

La otra parte, la de la inteligencia que se acelera sola, todavía no tiene con qué medirse. Tratarlas como si fueran lo mismo es la forma más fácil de tomar una decisión sobre algo que no está pasando todavía.

No hace falta resolver cuál de las dos define la próxima década. Alcanza con saber, cada vez que aparece la palabra, cuál de las dos está sobre la mesa.

¿A ustedes también les tocó frenar una decisión porque una sola palabra del sector tapaba dos cosas que convenía separar antes?

Fuentes

Comentarios