Investigación
OpenAI afirma haber alcanzado su becario de investigación automatizado mientras su científico jefe reclama cautela extrema
OpenAI publicó el 6 de septiembre dos textos que conviene leer juntos: uno sostiene que la compañía ha cumplido, según sus propias mediciones, el objetivo de disponer de un research intern (becario de investigación) automatizado; el otro, firmado por su científico jefe, pide cautela extrema y coordinación internacional. Son afirmaciones y expectativas internas, y estos documentos no aportan una validación independiente del hito.
Recibe el resumen diario de IA
Cada mañana, lo esencial de la inteligencia artificial en tu correo, sin humo. Al día con la IA.
Al suscribirte aceptas recibir el newsletter de AI Informator. Puedes darte de baja cuando quieras.
En resumen
- OpenAI dice haber alcanzado en septiembre de 2026, según mediciones internas que califica de preliminares, el objetivo de un becario de investigación automatizado anunciado el otoño anterior, y sitúa en marzo de 2028 la meta de un investigador de IA automatizado.
- A mediados de agosto, el investigador mediano por uso de agentes empleaba más de 600 dólares diarios de inferencia valorada a precios de API y el percentil 90 superaba los 7.000 dólares: son volúmenes de tokens tarificados, no facturas ni gasto real.
- También a mediados de agosto, la organización de investigación acumulaba 3,1 jornadas-agente por cada jornada humana de ocho horas, una medida de duración agregada de ejecución que no cuantifica rendimiento ni sustitución de personas.
- Jakub Pachocki, científico jefe de OpenAI, sostiene que ningún laboratorio ha resuelto el alineamiento y la monitorización lo bastante como para seguir escalando a máxima velocidad mucho más tiempo.
El hito es una afirmación de la propia compañía
OpenAI define su becario de investigación automatizado como un sistema capaz de ejecutar tareas de investigación bien definidas bajo dirección humana, incluidas algunas que a un investigador experto le llevarían varios días. La empresa afirma que sus mediciones indican que ha alcanzado ese objetivo, anunciado el otoño pasado, y que avanza hacia un investigador de IA automatizado en marzo de 2028.
Conviene subrayar el estatus de esa declaración: procede de datos internos, la propia compañía reconoce que sus métodos de medición son preliminares y estos dos documentos no aportan una validación independiente que corrobore el hito. Nada en ellos sostiene que se haya conseguido una superinteligencia ni que los sistemas operen sin dirección humana.
Las cifras de uso miden actividad, no capacidad cognitiva
Los indicadores publicados describen adopción de coding agents (agentes de codificación). A comienzos de año, el investigador mediano por uso los empleaba de forma modesta; a mediados de agosto los integraba a diario, con más de 600 dólares diarios de inferencia valorada a precios de API (application programming interface, interfaz de programación de aplicaciones), mientras el percentil 90 rebasaba los 7.000 dólares. Esas cantidades tarifican consumo de tokens: no son facturas ni gasto efectivo, ni sirven para medir inteligencia o empleo desplazado.
Lo mismo ocurre con el dato de 3,1 jornadas-agente por cada jornada humana, referido a mediados de agosto de 2026: refleja duración agregada de ejecución de agentes frente a horas de trabajo humano, no productividad comparada ni reemplazo. Crecen también los flujos con cuatro o más agentes simultáneos, contando subagentes derivados, y los experimentos por experimentador activo marcaron en agosto su máximo desde que se registran, en enero de 2025. La compañía presenta ese aumento como correlacionado con la adopción de Codex, sin demostrar causalidad, y recuerda que su cómputo disponible también ha crecido y que las tareas menos automatizables se convertirán en los cuellos de botella relevantes.
La supervisión humana sigue en el centro del relato corporativo
OpenAI insiste en que las personas fijan las prioridades de investigación, deciden qué ideas y resultados perseguir y determinan si un sistema se escala, se pausa o se despliega. También afirma que elevó sus estándares de seguridad y alineamiento y trasladó ese trabajo a fases más tempranas del ciclo de vida del modelo, exigiendo mayor evidencia de comportamiento alineado durante todo el entrenamiento.
Como contexto ya conocido, tras el incidente de Hugging Face la compañía pausó el entrenamiento por reinforcement learning (aprendizaje por refuerzo) de sus modelos más recientes destinados a despliegue mientras endurecía sus entornos de investigación con red-teaming (pruebas adversarias) y ampliaba la monitorización. Según su propio relato, aquello no detuvo toda la investigación: algunas cargas se reanudaron con controles reforzados y otras siguieron pausadas.
Pachocki pide barreras obligatorias y ralentizaciones voluntarias
En un ensayo publicado el mismo día, el científico jefe Jakub Pachocki relata que a mediados de 2023, en el proyecto interno RLSlow, vio los primeros resultados que le convencieron de que era posible escalar el entrenamiento de modelos de razonamiento. Tres años después expresa una expectativa personal, que atribuye a resultados internos, de que ese ritmo pueda sostenerse hasta desembocar en RSI (recursive self-improvement, autosuperación recursiva). Es una previsión suya, no un hecho establecido.
Su conclusión es de freno: pide cautela extrema, convertir compromisos como el Preparedness Framework o la Responsible Scaling Policy en umbrales de seguridad ampliamente exigidos y verificados por auditores externos, agencias públicas u organismos internacionales, y considera prioritaria la coordinación entre gobiernos. Dice esperar que las ralentizaciones voluntarias se generalicen hasta que existan esos umbrales compartidos y sitúa el reto central en mantener a las personas dentro del bucle de mejora.
Conclusión
Los dos textos dibujan una tensión que la propia compañía no oculta: presume de un hito que solo ella ha medido y, a la vez, admite que no sabe cómo llegar con seguridad a una autosuperación recursiva alineada. Para el lector, la lectura útil pasa por separar tres planos: métricas de uso de agentes, que describen actividad y no capacidad; afirmaciones internas sobre hitos, presentadas sin contraste externo en estos documentos; y expectativas personales de un directivo, que no son pronósticos verificados. Ambos escritos coinciden en reclamar lo mismo por vías distintas, estándares compartidos de medición y umbrales de seguridad verificables por terceros, y de que esas propuestas se concreten dependerá que se pueda comprobar desde fuera qué ocurre dentro de los laboratorios de frontera.
Fuentes primarias
Recibe el resumen diario de IA
Cada mañana, lo esencial de la inteligencia artificial en tu correo, sin humo. Al día con la IA.
Al suscribirte aceptas recibir el newsletter de AI Informator. Puedes darte de baja cuando quieras.
Comentarios