jue. Ago 14th, 2025

EUROPA – Los modelos avanzados de inteligencia artificial (IA) están impulsando sus propios desarrollos, abriendo una nueva era de oportunidades y riesgos sin precedentes. Según un informe de MIT Technology Review, gigantes tecnológicos como Meta y Google están experimentando con modelos que pueden auto-mejorarse, acelerando la innovación y anticipando riesgos difíciles de prever.

A diferencia de otras tecnologías revolucionarias, la IA tiene la capacidad única de optimizar de manera autónoma sus procesos y herramientas. Los grandes modelos de lenguaje (LLM) ya están mejorando los chips en los que se ejecutan, entrenando otros modelos de manera más eficiente y proponiendo nuevas estrategias de desarrollo, transformando radicalmente el sector tecnológico.

La auto-mejora como motor de innovación

La capacidad de la IA para auto-mejorarse está permitiendo optimizar hardware, generar datos sintéticos y perfeccionar algoritmos. Mark Zuckerberg, director ejecutivo de Meta, ha afirmado que busca desarrollar una IA más inteligente que las personas. Para ello, Meta ha creado los Meta Superintelligence Labs, con el objetivo de que los propios sistemas impulsen su rendimiento.

Sin embargo, esta perspectiva optimista contrasta con las advertencias de expertos como Chris Painter de METR, quien señala que la auto-mejora de la IA podría incrementar riesgos como el hackeo, el diseño de armas o la manipulación social. Según Painter, existe el peligro de que estos sistemas entren en una “explosión de inteligencia”, superando rápidamente los límites humanos.

Principales vías de auto-mejora

El análisis de MIT Technology Review identificó cinco vías principales a través de las cuales la IA se auto-mejora:

1. Mejorar la productividad

Los LLM están asistiendo en el desarrollo de software y otras tareas productivas. Herramientas como Claude Code y Cursor permiten a los ingenieros escribir código con mayor rapidez y menos errores. Sundar Pichai, director ejecutivo de Google, mencionó que una cuarta parte del nuevo código de la empresa se generó con IA en octubre de 2024.

No obstante, el impacto en la productividad aún es incierto. Un estudio de METR encontró que los desarrolladores más experimentados tardan un 20% más en completar sus tareas cuando usan asistentes de código basados en IA.

2. Optimizar la infraestructura

La optimización de hardware y procesos es otro terreno donde la IA ya muestra resultados concretos. Azalia Mirhoseini, profesora en Stanford y científica principal en Google DeepMind, ha liderado proyectos donde la IA determina la disposición óptima de los componentes en chips, mejorando su eficiencia.

Recientemente, Google implementó AlphaEvolve, un sistema que escribe y perfecciona algoritmos de manera iterativa, logrando ahorros significativos de tiempo, dinero y energía.

3. Automatización de la formación

La generación de datos sintéticos y la automatización de procesos de entrenamiento son otras áreas clave. Los modelos LLM precisan grandes cantidades de información, y se emplean IA para generar datos artificiales y evaluar otros modelos, optimizando el aprendizaje.

El enfoque “LLM como juez” permite que un modelo evalúe respuestas de otros sistemas, acelerando la capacitación. Este método elimina las barreras de datos reales y permite al sistema generar experiencias prácticamente ilimitadas.

4. Perfeccionar diseño de agentes

La aparición de agentes IA capaces de modificar su propia arquitectura ha abierto un nuevo campo de diseño. Experimentos como la “Darwin Gödel Machine” muestran sistemas que iteran sobre sus propios parámetros, buscando mejores desempeños.

Estos sistemas no solo superan sus versiones anteriores en tareas asignadas, sino que descubren modificaciones innovadoras, desconocidas incluso para sus diseñadores.

5. Avances en la investigación

El último gran frente de auto-mejora es la investigación autónoma. Aunque los LLM facilitan el trabajo científico, seleccionar preguntas de investigación innovadoras sigue siendo un reto. El “AI Scientist” desarrollado por Jeff Clune y Sakana AI explora literatura científica, plantea preguntas, realiza experimentos y redacta resultados.

En 2024, este sistema firmó un artículo aceptado en la International Conference on Machine Learning (ICML), marcando un hito para la IA.

Impacto y horizonte de la superinteligencia

El debate sobre el avance hacia la superinteligencia continúa abierto. Si bien para Zuckerberg los modelos superinteligentes pueden estar cerca, MIT Technology Review advierte que el impacto real de la auto-mejora de la IA aún es incierto. Aunque AlphaEvolve aceleró el entrenamiento de Gemini en un 1%, esto no implica una transformación radical del sector.

Evaluar el impacto efectivo de la auto-mejora resulta complejo, ya que los avances relevantes están restringidos a los laboratorios de las grandes compañías. Así, el futuro de la auto-mejora permanece cargado de incógnitas, y pese a que todo indica que se avecina una etapa de progreso acelerado, la gran pregunta es cuánto durará ese impulso.