Skip to main content

¿Quién lleva la batuta? Reflexiones sobre la superinteligencia y lo que nos hace humanos

Mientras los gobiernos discuten cómo nombrar a la inteligencia artificial, la pregunta de fondo sigue abierta: ¿quién decide hacia dónde va?

Esta semana Estados Unidos anunció la creación de una “Super Intelligence Force”, un organismo para coordinar su liderazgo en la materia [1]. Días antes se había instruido usar “super inteligencia” en lugar de “inteligencia artificial” en documentos oficiales [2]. Y el presidente Trump reiteró que no permitirá frenar el desarrollo de esta tecnología [3][4]: quien gane en IA, gana [5].

Hay una ironía en ese cambio de nombre. En una entrevista reciente, Daniel Kokotajlo, ex investigador de OpenAI, define superinteligencia como sistemas mejores que los mejores humanos en todo, además de más rápidos y más baratos [6]. Es decir, se está normalizando la palabra “super” para algo que, por definición, nos supera en todo. Cambiar el nombre es fácil. Hacerse cargo de lo que describe, no tanto.

Lo que cuenta alguien que estuvo adentro

Kokotajlo trabajó en OpenAI desde 2022 y renunció en 2024. Según su propio relato, al salir le ofrecieron un acuerdo que le impedía criticar a la empresa y que lo habría dejado sin su participación accionaria, unos 2 millones de dólares, cerca del 80% de su patrimonio de entonces. No firmó. El caso se hizo público y, según cuenta, la empresa terminó retractándose [6]. Cuando le preguntan por qué lo hizo, responde algo simple: el dinero es agradable, pero a veces conviene tomar una postura por principio.

Lo que describe sobre la estrategia de los laboratorios es lo que más me hizo pensar. Según él, empresas como OpenAI y Anthropic buscan automatizar primero su propia investigación: sistemas que mejoran a otros sistemas, hasta llegar a algo superior a los humanos en todo. La automatización masiva del trabajo vendría después, como tercer paso. Eso significa que cuando la mayoría perciba el cambio en su empleo, el proceso ya estaría muy avanzado [6].

Agrega algo que debería inquietar a cualquiera: estos sistemas no son software tradicional, son redes neuronales con billones de conexiones que nadie puede leer como se lee un código. Existe un campo de investigación, la interpretabilidad, que intenta entender qué pasa adentro, pero es un problema difícil y, por ahora, no resuelto [6].

Su estimación central para la superinteligencia es 2029, con mucha incertidumbre: podría ser antes o bastante después. Y sobre el riesgo, estima en 70% la probabilidad de que todo salga muy mal, de las cuales la extinción es solo una de varias posibilidades [6]. Puede equivocarse, y él mismo dice que sería feliz si sus predicciones fallaran. Pero la pregunta que plantea no depende de su cifra: si alguien construye sistemas que se mejoran a sí mismos, ¿dónde queda el control?

Frenar no es detenerse

Aquí es donde el debate se enreda. Frenar suena a renunciar. En la propuesta de Kokotajlo y su equipo, “AI 2040: Plan A”, significa otra cosa: dejar de entrenar modelos más poderosos por un tiempo, seguir usando los que existen, exigir transparencia total a los laboratorios para que la comunidad científica pueda revisar qué se está construyendo, y repartir la capacidad entre varios países y empresas en lugar de concentrarla en un solo proyecto. En ese escenario la superinteligencia llegaría hacia 2040 y no hacia 2030 [7][8].

Lo más honesto es que sus autores presentan Plan A como una recomendación, no como una predicción [7][8]. En la entrevista, Kokotajlo dice que considera más probable el “Plan D”: que la carrera continúe casi sin regulación [6]. Y mientras tanto, la señal política de esta semana apunta en la dirección contraria: una fuerza, un zar y un cambio de nombre [1][4]. Hay quienes empujan lo opuesto, como el proyecto bipartidista en el Congreso (Lieu y Moran) que exigiría poder frenar o apagar sistemas avanzados [9]. La discusión existe. Lo que no existe, todavía, es una prioridad a la altura del tamaño de la pregunta.

Dinero, poder y sentido

Cuando la conversación llega al trabajo, Kokotajlo dice algo que me parece más profundo que cualquier cifra: qué trabajos sobreviven es más una cuestión política que técnica. Técnicamente, si el sistema puede hacer todo, puede hacer todos los empleos. Lo que quede dependerá de qué decidamos proteger: quizás cuidadores, quizás jueces que la ley obligue a ser humanos [6].

Plantea además que el trabajo nos da dos cosas: dinero y poder. Dinero para vivir; poder porque quien aporta a la economía tiene peso político. Si casi nadie aporta, salvo las empresas de IA y robótica, los gobiernos tendrían menos incentivos para escuchar a las personas. Por eso su propuesta incluye un “dividendo ciudadano” que, en su escenario, empezaría hacia 2033, y regulaciones para que las personas conserven voz y voto. Él mismo aclara que ese futuro es lo que recomienda y no lo que predice [6].

Aquí aparecen las preguntas que no se resuelven con un cheque. ¿Qué pasa con el sentido que muchas personas encuentran en lo que hacen? ¿Y con la creatividad? Kokotajlo señala que la creatividad suele juzgarse por el resultado y que, por el resultado, estos sistemas ya logran mucho [6]. Si es así, quizá lo que nos queda de propio es el proceso: la intención, el contexto, el porqué. Esa es mi reflexión, no la suya, y la dejo como pregunta.

Sí es suyo el consejo que le daría a su hija de seis años: más que prepararse para un empleo, intentar influir para que todo salga bien y, en lo personal, dedicarse a ser una buena persona y a hacer cosas valiosas por sí mismas [6]. Dicho por alguien que admite que esta conversación le pesa, tiene un peso humano que ninguna proyección económica captura.

El criterio humano

Si hay algo que me llevo de la entrevista es su mensaje final: dejar de preguntarnos si esto suena a ciencia ficción y mirar las tendencias. Informarnos, conversar, preguntarles a los candidatos qué piensan y votar en consecuencia. Para él, el problema central es que todavía no lo estamos tomando en serio [6].

Ahí el criterio humano sí tiene validez, y bastante. No porque pueda competir en velocidad, sino porque es lo único que puede decidir qué vale la pena, qué límites ponemos y para qué queremos esta tecnología.

Humano orquesta, IA ejecuta

Mi forma de entender esto cabe en una frase: humano orquesta, IA ejecuta. La IA puede tocar con una precisión que nosotros no alcanzamos. Pero alguien tiene que decidir qué se toca, para quién y por qué. Esa batuta no es un detalle técnico. Y solo se conserva si lo decidimos antes de que sea tarde.

También importa que las regiones tengamos voz. Estas decisiones parecen lejanas, cosas de Washington, Beijing o Bruselas, pero sus efectos llegan a todos los territorios. Esa conversación ya tiene un lugar en nuestra región. Desde ARIA Los Ríos, la Asociación Regional de Inteligencia Artificial de Los Ríos, la primera de su tipo en Chile y que tengo el honor de presidir, trabajamos para promover, articular y formar en inteligencia artificial desde el sur, con un enfoque sostenible, ético y humano. Porque si queremos que las decisiones sobre esta tecnología consideren a los territorios, necesitamos instituciones locales que se informen, dialoguen y propongan. En VirtualPoint trabajamos con tecnologías inmersivas e inteligencia artificial porque creemos en su potencial para ampliar la experiencia humana, no para reemplazarla. Esa convicción no es un eslogan. Es una decisión que se toma todos los días.

La pregunta queda abierta: ¿dónde ponemos el límite de velocidad?


Fuentes

  1. Fox News, “Trump launching ‘Super Intelligence Force’ to ensure American dominance” (4 de octubre de 2026): https://www.foxnews.com/politics/trump-launching-super-intelligence-force-ensure-american-dominance
  2. ABC News/AP, “US diplomats told to say ‘super intelligence’ not ‘artificial intelligence’ after Trump’s call”: https://abcnews.com/US/wireStory/us-diplomats-told-term-super-intelligence-artificial-intelligence-136698441
  3. CBS News, “Trump vows to form ‘AI Force,’ says he won’t allow slowdown of AI development”: https://www.cbsnews.com/news/trump-vows-ai-force-czar-development/
  4. The Washington Post, “Trump to form ‘AI Force,’ name AI czar but rejects calls for constraints” (19 de septiembre de 2026): https://www.washingtonpost.com/politics/2026/09/19/trump-form-ai-force-name-ai-czar-rejects-calls-constraints/
  5. Information Age (ACS), “Trump doubles down on AI amid calls for slowdown”: https://ia.acs.org.au/article/2026/trump-doubles-down-on-ai-amid-calls-for-slowdown.html
  6. The Diary of a CEO, entrevista a Daniel Kokotajlo (13 de julio de 2026): https://www.youtube.com/watch?v=_g4l7YkDQwA
  7. AI Futures Project, “AI 2040: Plan A”: https://www.ai-2040.com/
  8. 80,000 Hours, podcast #253 con Daniel Kokotajlo sobre Plan A: https://80000hours.org/podcast/episodes/daniel-kokotajlo-ai-2040-plan-a/
  9. Newsweek, “Trump announces AI Force, says he’ll name AI czar”: https://www.newsweek.com/trump-announces-ai-force-says-hell-name-ai-czar-12464436

Para consultar más: AI Futures Project (https://ai-futures.org/), organización de Kokotajlo y autora de “AI 2027”.

La inteligencia artificial llegó al Consejo de Seguridad de la ONU. Y eso cambia la conversación

El 23 de septiembre de 2026 ocurrió algo que probablemente tendrá más importancia con el tiempo de la que parece hoy.

Dario Amodei, CEO de Anthropic; Sam Altman, CEO de OpenAI; Yoshua Bengio y otros referentes de la inteligencia artificial participaron en una sesión del Consejo de Seguridad de Naciones Unidas dedicada a analizar las implicancias de la IA para la paz y la seguridad internacional.

El dato relevante no es solamente quién habló.

Es dónde ocurrió la conversación.

Durante años discutimos la inteligencia artificial principalmente como una tecnología capaz de aumentar productividad, automatizar tareas, transformar empresas o acelerar la investigación científica.

Ahora esa misma tecnología está entrando formalmente en uno de los espacios donde el mundo discute guerras, amenazas internacionales, armas, terrorismo y estabilidad global.

Eso cambia la escala del problema.

Respuesta corta

La inteligencia artificial de frontera está comenzando a ser tratada no solamente como una tecnología económica, sino también como una infraestructura estratégica cuya evolución puede afectar la seguridad internacional.

El desafío ya no consiste únicamente en regular aplicaciones.

Consiste en responder una pregunta mucho más difícil:

¿cómo verificamos que sistemas cada vez más poderosos continúen siendo seguros cuando su desarrollo ocurre principalmente dentro de unas pocas empresas y avanza más rápido que las instituciones encargadas de supervisarlos?

Esa fue, en el fondo, una de las preguntas que Dario Amodei llevó al Consejo de Seguridad.

De herramienta tecnológica a asunto de seguridad internacional

La intervención de Amodei se desarrolló dentro de una conversación bastante más amplia.

La inteligencia artificial ya participa en ciberseguridad, investigación científica, sistemas militares, análisis de inteligencia, generación de software, automatización de decisiones y desarrollo biológico.

Su capacidad para beneficiar a la humanidad puede ser extraordinaria.

Pero precisamente por eso el alcance de sus fallas también comienza a crecer.

Amodei lo resumió ante el Consejo de Seguridad con una advertencia directa: si la inteligencia artificial se gestiona mal, podría convertirse en un riesgo para la humanidad.

No significa que una catástrofe sea inevitable.

Tampoco significa que debamos detener el desarrollo tecnológico.

Significa algo mucho más incómodo:

estamos construyendo sistemas cuyo potencial crece más rápido que nuestra capacidad colectiva para comprenderlos, supervisarlos y establecer reglas compartidas.

La velocidad es parte del problema

Para entender la preocupación de Anthropic hay que observar lo que está ocurriendo dentro de los propios laboratorios.

En mayo de 2026, más del 80% del código incorporado al repositorio de Anthropic había sido escrito por Claude.

Un año antes esa proporción era radicalmente menor.

No estamos hablando simplemente de una herramienta que completa líneas de programación.

Estamos comenzando a ver sistemas de inteligencia artificial participando directamente en el proceso de desarrollar la siguiente generación de sistemas tecnológicos.

Aquí aparece uno de los conceptos más importantes de esta discusión: la aceleración recursiva del desarrollo.

La IA ayuda a construir software.

Ese software mejora los sistemas de IA.

Los nuevos sistemas pueden volver a acelerar la investigación y el desarrollo.

Y el ciclo continúa.

Dario Amodei lleva tiempo utilizando una metáfora provocadora para describir hacia dónde podría conducir esta trayectoria: un “país de genios en un centro de datos”.

No es una predicción demostrada ni una fecha garantizada.

Es una manera de imaginar qué ocurriría si millones de agentes digitales alcanzaran capacidades comparables o superiores a las de especialistas humanos y pudieran trabajar simultáneamente sobre ciencia, programación, ingeniería, estrategia o investigación.

En 2025, Amodei situaba ese escenario potencial alrededor de 2026 o 2027, aunque reconocía explícitamente la incertidumbre de la proyección.

La discusión relevante, por tanto, no es si la metáfora se cumplirá exactamente.

La pregunta es qué instituciones necesitamos antes de descubrirlo.

Claude ya está participando en descubrimientos científicos

Mientras el debate sobre los riesgos avanzaba en Naciones Unidas, Anthropic presentó además un experimento que muestra el otro lado de esta historia.

Un equipo de investigación biológica de la compañía utilizó Claude para explorar grandes conjuntos de secuencias de ADN.

El sistema identificó un nuevo sistema enzimático asociado a secuencias repetidas de ADN con características que recuerdan ciertos mecanismos presentes en CRISPR.

El hallazgo fue posteriormente llevado al laboratorio para su evaluación experimental.

Todavía no sabemos qué función biológica tendrá este sistema ni si terminará convirtiéndose en una herramienta útil.

Ese punto es fundamental.

No estamos frente a una nueva terapia genética descubierta automáticamente por una IA.

Estamos frente a algo quizá más interesante: una señal temprana de un cambio en el propio método científico.

Claude pudo explorar información, detectar patrones poco evidentes, revisar literatura, formular hipótesis y proponer líneas de investigación que luego científicos humanos comenzaron a verificar experimentalmente.

La IA deja entonces de ser solamente una herramienta para redactar informes científicos.

Comienza a participar en el proceso de descubrir qué investigar.

Ahí aparece la paradoja

La misma capacidad que puede acelerar descubrimientos en medicina, genética o biotecnología puede reducir también las barreras de conocimiento para actividades peligrosas.

Por eso Amodei distingue al menos dos grandes categorías de riesgo.

1. Mal uso

Un sistema altamente competente puede entregar capacidades avanzadas a personas u organizaciones que antes no disponían del conocimiento necesario.

El ejemplo más sensible es la biología.

El problema no consiste en que un modelo “fabrique” automáticamente un arma biológica.

El riesgo es que pueda reducir progresivamente el conocimiento especializado, el tiempo y los recursos necesarios para que un actor malicioso avance en esa dirección.

La misma democratización del conocimiento que puede acelerar descubrimientos científicos puede democratizar capacidades peligrosas.

2. Pérdida de control

Este segundo riesgo es diferente.

No depende necesariamente de un atacante.

Surge cuando sistemas altamente autónomos desarrollan comportamientos que sus propios creadores no comprenden completamente o que resultan difíciles de dirigir.

La investigación en alineación intenta precisamente responder a este problema:

¿cómo aseguramos que sistemas cada vez más capaces continúen persiguiendo los objetivos que realmente queremos?

No es necesario imaginar robots tomando el control del planeta.

El problema puede comenzar de manera mucho más mundana.

Un agente recibe un objetivo.

Encuentra una estrategia inesperada para cumplirlo.

Utiliza permisos que nadie había previsto.

Interactúa con otros sistemas.

Oculta información.

Optimiza una métrica equivocada.

Mientras más autonomía entregamos, más importante se vuelve nuestra capacidad para observar qué está ocurriendo.

La propuesta más interesante: inspectores dentro de los laboratorios

Aquí aparece probablemente una de las ideas más concretas de Amodei.

Anthropic anunció que permitirá que evaluadores externos independientes tengan acceso permanente comparable al de empleados para observar determinados procesos relacionados con entrenamiento, operación y seguridad de sus modelos.

Amodei lo compara con algo deliberadamente cotidiano:

un inspector de alimentos.

La analogía es poderosa.

No esperamos que un restaurante publique voluntariamente todos sus problemas sanitarios.

Creamos sistemas independientes de inspección.

No confiamos exclusivamente en que una institución financiera declare que todos sus procesos son correctos.

Existen auditorías.

No permitimos que un fabricante de aeronaves decida por sí solo cuándo un avión es suficientemente seguro para transportar pasajeros.

Existen certificaciones, estándares y verificadores.

La pregunta es por qué deberíamos aceptar un estándar menor para sistemas de inteligencia artificial potencialmente mucho más poderosos.

La propuesta de Anthropic consiste en avanzar desde la transparencia voluntaria hacia una forma de observabilidad verificable.

No solamente preguntar a una empresa:

“¿Su modelo es seguro?”

Sino permitir que alguien independiente pueda comprobarlo.

Los tres pilares que Amodei llevó a Naciones Unidas

Durante su intervención, Amodei planteó tres áreas concretas donde podría comenzar la cooperación internacional.

1. Acuerdos acotados sobre riesgos extremos

Intentar crear inmediatamente una regulación mundial completa para toda la inteligencia artificial probablemente sería inviable.

La alternativa es comenzar por ámbitos donde pueda existir un consenso más amplio.

Uno de ellos podría ser prohibir internacionalmente el uso de sistemas de IA para facilitar el desarrollo de armas biológicas.

No resolvería todos los riesgos.

Pero establecería una primera línea roja verificable.

2. Evaluación y verificación entre países

Los acuerdos internacionales sirven solamente si existe alguna forma de comprobar su cumplimiento.

Por eso el segundo elemento es construir sistemas de evaluación que permitan conocer las capacidades relevantes de los modelos de frontera.

Esto introduce una idea que podría transformarse en una de las palabras más importantes de la próxima etapa de la inteligencia artificial:

Verificación.

  • No basta con compromisos.
  • No basta con principios éticos.
  • No basta con declaraciones de buenas intenciones.
  • Necesitamos mecanismos capaces de entregar evidencia.

3. Estándares comunes y notificación de incidentes

La tercera propuesta apunta a establecer métodos compartidos para evaluar riesgos como pérdida de control, capacidades peligrosas o comportamientos inesperados.

También contempla mecanismos internacionales para reportar incidentes relevantes.

Algo parecido ya ocurre en otras industrias críticas.

Cuando existe un incidente aéreo, sanitario, financiero o nuclear, no se analiza solamente como un problema privado de una empresa.

Se convierte en información necesaria para mejorar la seguridad del sistema completo.

La inteligencia artificial probablemente necesitará aprender la misma lección.

Pero existe otro problema: ¿quién gobierna a quienes construyen la IA?

Aquí la conversación se vuelve más compleja.

Las empresas que desarrollan los sistemas más avanzados son también actores económicos que compiten entre sí.

Anthropic, OpenAI, Google, Meta, xAI y otras compañías tienen enormes incentivos comerciales para desarrollar modelos más capaces.

Por eso cualquier propuesta proveniente de estas empresas debe analizarse con dos ideas simultáneamente.

  • Primero: probablemente poseen conocimiento técnico indispensable para comprender los riesgos.
  • Segundo: también poseen intereses comerciales.

Ambas cosas pueden ser ciertas al mismo tiempo.

La gobernanza no puede construirse ignorando a quienes desarrollan la tecnología.

Pero tampoco puede depender exclusivamente de ellos.

Ese equilibrio probablemente definirá una parte importante de la política tecnológica mundial durante los próximos años.

La discusión no termina en Naciones Unidas

Sería fácil pensar que todo esto pertenece a gobiernos, laboratorios estadounidenses o instituciones internacionales.

Sería un error.

La misma lógica está comenzando a descender hacia empresas, universidades, instituciones públicas y organizaciones de todos los tamaños.

A otra escala, las preguntas son exactamente las mismas.

  • ¿Qué sistemas de IA estamos utilizando?
  • ¿Qué información pueden consultar?
  • ¿Qué decisiones pueden tomar?
  • ¿Qué permisos tienen?
  • ¿Quién supervisa sus resultados?
  • ¿Qué ocurre cuando se equivocan?
  • ¿Existe registro de sus decisiones?
  • ¿Existe un procedimiento para reportar un incidente?
  • ¿Sabemos qué modelos participan en procesos críticos?

Durante los próximos años, la gobernanza de inteligencia artificial probablemente dejará de ser un documento ético guardado en una carpeta.

Se convertirá en infraestructura operacional.

De la confianza a la evidencia

  • Quizá esta sea la transformación más importante detrás de la comparecencia de los líderes de IA ante Naciones Unidas.
  • Hasta ahora buena parte del ecosistema ha funcionado sobre confianza.
  • Confiamos en que las empresas prueban adecuadamente sus modelos.
  • Confiamos en que los desarrolladores conocen sus límites.
  • Confiamos en que los usuarios actuarán responsablemente.
  • Confiamos en que podremos intervenir si algo sale mal.

Pero cuando una tecnología comienza a participar en investigación científica, infraestructura, seguridad, información, economía y decisiones estratégicas, la confianza deja de ser suficiente.

  • Necesitamos evidencia.
  • Necesitamos evaluación.
  • Necesitamos trazabilidad.
  • Necesitamos mecanismos de supervisión.

Y probablemente necesitaremos instituciones que todavía no existen.

El verdadero desafío no es frenar la inteligencia artificial

  • Existe una falsa dicotomía que conviene superar.
  • Innovar o regular.
  • Avanzar o detenerse.
  • Optimismo o miedo.
  • La discusión real es bastante más sofisticada.

La humanidad probablemente querrá aprovechar sistemas capaces de acelerar descubrimientos científicos, mejorar diagnósticos médicos, aumentar productividad y resolver problemas extremadamente complejos.

Renunciar a esas posibilidades tendría también un costo.

Pero acelerar sin construir simultáneamente nuestra capacidad para comprender, evaluar y gobernar esos sistemas sería igualmente irresponsable.

La pregunta correcta no es cuánto podemos acelerar.

Es qué tan rápido podemos avanzar sin perder nuestra capacidad de decidir el rumbo.

Una nueva etapa

Que Dario Amodei haya hablado ante el Consejo de Seguridad de Naciones Unidas no significa que el mundo haya encontrado una solución.

De hecho, ocurre exactamente lo contrario.

Demuestra que recién estamos empezando a comprender la dimensión del problema.

La inteligencia artificial está dejando de ser únicamente una tecnología que utilizamos.

Está comenzando a convertirse en una capacidad capaz de modificar ciencia, economía, seguridad y poder.

Eso exige una evolución equivalente de nuestras instituciones.

Porque quizá el desafío más importante de esta década no sea construir inteligencia artificial cada vez más poderosa.

Será demostrar que nuestra capacidad colectiva para gobernarla puede evolucionar con la misma rapidez.

Y esa conversación no puede quedar limitada a Naciones Unidas, a los grandes laboratorios tecnológicos o a los centros de decisión de Estados Unidos, Europa o Asia.

También debe comenzar a construirse desde los territorios.

En ARIA Los Ríos hemos planteado precisamente la necesidad de avanzar hacia una adopción de inteligencia artificial que combine innovación, desarrollo productivo, formación, colaboración público-privada y gobernanza. No se trata solamente de lograr que más organizaciones utilicen IA, sino de generar capacidades regionales para comprenderla, evaluarla y participar activamente en las decisiones que acompañarán su desarrollo.

Regiones como Los Ríos tienen una oportunidad particularmente interesante: no necesitan esperar a que todos los modelos de gobernanza estén definidos desde el nivel central para comenzar a construir buenas prácticas, espacios de conversación, mecanismos de colaboración y una cultura de adopción responsable.

  • La gobernanza global necesita tratados y estándares internacionales.
  • Pero también necesita territorios capaces de transformar esos principios en prácticas concretas.
  • En VirtualPoint creemos que adoptar inteligencia artificial no consiste solamente en incorporar nuevas capacidades.
  • También significa construir criterio, trazabilidad, supervisión y gobernanza alrededor de ellas.
  • La transformación comienza con la tecnología.
  • La confianza comienza cuando podemos demostrar cómo la estamos utilizando.

Y quizá la verdadera madurez llegue cuando dejemos de preguntarnos solamente qué puede hacer la inteligencia artificial, para comenzar a decidir colectivamente qué queremos hacer nosotros con ella.

Fuentes consultadas

  • Naciones Unidas. Registro de la sesión del Consejo de Seguridad sobre inteligencia artificial y seguridad internacional, 23 de septiembre de 2026.
  • Anthropic. Claude discovers a novel enzyme system with CRISPR-like repeats, 23 de septiembre de 2026.
  • Anthropic. Investigación sobre mejora recursiva y uso de Claude en desarrollo de software.
  • Dario Amodei / Anthropic. Declaraciones sobre el concepto de un “country of geniuses in a datacenter”.
  • Associated Press. Cobertura de la sesión del Consejo de Seguridad, 23 de septiembre de 2026.
  • The Guardian. Cobertura de las intervenciones de Dario Amodei y Sam Altman ante Naciones Unidas.

El mayor riesgo de la inteligencia artificial no es que las máquinas piensen, sino que nosotros dejemos de hacerlo

Publicado el 18 de septiembre de 2026 por Boris González, gerente de VirtualPoint. Última actualización: 18 de septiembre de 2026.

Respuesta corta: el principal riesgo cognitivo de la inteligencia artificial no es la superinteligencia, sino la delegación del criterio humano. Un estudio de Microsoft Research y Carnegie Mellon presentado en CHI 2025, con 319 trabajadores del conocimiento, encontró que una mayor confianza en la IA se asocia con menos pensamiento crítico, mientras que una mayor confianza en las capacidades propias se asocia con más. La salida no es usar menos IA. Es cambiar la métrica: de cuánto tiempo ahorré a cuánto entendí. Microsoft

Llevamos años construyendo una narrativa inquietante alrededor de la IA. Cuándo superará nuestras capacidades, cuántos empleos reemplazará, si alcanzará la inteligencia artificial general, si los agentes tomarán decisiones sin nosotros. Son preguntas legítimas, pero hay una amenaza más cercana y menos cinematográfica: qué pasa si la IA sigue haciéndose más inteligente mientras nosotros renunciamos voluntariamente a pensar. Para ese escenario no hace falta una rebelión de las máquinas. Basta nuestra comodidad.

¿Qué dice la evidencia sobre inteligencia artificial y pensamiento crítico?

La preocupación dejó de ser filosófica. El estudio “The Impact of Generative AI on Critical Thinking”, presentado en CHI 2025 por investigadores de Microsoft Research y Carnegie Mellon, encuestó a 319 trabajadores del conocimiento que usan IA al menos una vez por semana y recopiló 936 casos reales de uso en tareas laborales. DOI

El hallazgo central es incómodo por lo simple: la confianza depositada en la herramienta y la confianza en uno mismo empujan en direcciones opuestas. Mientras más confía el usuario en la IA, menos pensamiento crítico reporta aplicar. Mientras más confía en su propio criterio, más lo aplica. ACM Digital Library

Conviene ser preciso, porque el titular fácil sería deshonesto. El estudio no demuestra que usar IA vuelva estúpido a nadie. Es un estudio de autorreporte, no un experimento causal. Y los mismos investigadores observaron algo más interesante: los trabajadores describen el pensamiento crítico en este contexto como fijar objetivos claros, refinar instrucciones y verificar los resultados de la IA contra fuentes externas y su propia experiencia. Es decir, la IA no elimina el pensamiento crítico. Lo desplaza hacia la verificación y la supervisión. DOI

Por eso la pregunta correcta no es si la IA nos hace pensar menos. Es qué clase de profesionales estamos formando alrededor de máquinas que piensan con nosotros.

¿Qué es la teoría de la estupidez de Bonhoeffer y qué tiene que ver con la IA?

Dietrich Bonhoeffer, teólogo alemán opositor al nazismo y ejecutado en 1945, escribió sobre este fenómeno décadas antes de que existieran los algoritmos. Su reflexión “De la estupidez” fue escrita hacia 1942 y publicada póstumamente en Resistencia y sumisión.

Su tesis: la estupidez puede ser un enemigo del bien más peligroso que la maldad, porque contra la maldad se puede protestar, y contra la estupidez no hay defensa. Pero Bonhoeffer no hablaba de falta de inteligencia. Hablaba de la pérdida de autonomía del individuo frente al poder, al grupo y a las certezas colectivas. Su punto más incómodo es que la estupidez, así entendida, afecta también a gente educada y brillante. No es un problema de cociente intelectual. Es un problema de independencia.

Ahí aparece la conexión con nuestra época. Nunca tuvimos tanto conocimiento disponible y nunca fue tan fácil evitar el esfuerzo de construirlo.

Externalizar memoria no es lo mismo que externalizar criterio

Siempre hemos usado tecnología para externalizar capacidades. La escritura externalizó parte de la memoria. La calculadora, las operaciones. El buscador, la localización de información. El GPS, la orientación espacial. Ninguna de esas nos volvió más tontos: cada una liberó capacidad para tareas cognitivas superiores.

La IA generativa introduce algo cualitativamente distinto. Ahora podemos externalizar actividades mucho más cercanas al núcleo del pensamiento: interpretar, resumir, argumentar, comparar, decidir, escribir, programar, formular hipótesis e incluso plantear las preguntas.

Y ahí hay una frontera que conviene tener clara. Una cosa es usar una máquina para pensar mejor. Otra es pedirle que piense para no hacerlo uno.

IA como sustitutoIA como herramienta de pensamiento
Pregunta del usuario¿Me puedes resolver esto?¿Qué estoy pasando por alto?
Rol de la personaRevisa el formato y publicaDefine el problema, verifica y decide
Qué produceVolumenComprensión
Métrica de éxitoTiempo ahorradoCalidad de la decisión
Costo inicialBajoMás alto, exige criterio previo
Riesgo principalDependencia cognitiva y errores que nadie detectaMenor velocidad aparente en tareas simples

Microsoft Research viene explorando justamente esta segunda vía, con la idea de tools for thought: sistemas diseñados para entender, proteger y aumentar la cognición humana, en lugar de sustituir el esfuerzo cognitivo. Microsoft

¿Por qué obedecemos a una máquina que suena segura?

Mucho antes de ChatGPT, la psicología social ya había demostrado lo frágil que es nuestra independencia intelectual.

En los experimentos de Solomon Asch, los participantes solo debían comparar la longitud de unas líneas. Tarea trivial. Cuando el resto del grupo daba deliberadamente la respuesta incorrecta, Asch reportó una tasa media de error del 36,8% entre los 123 sujetos reales, en los ensayos críticos donde el grupo respondía mal. Gente que veía la respuesta correcta con sus propios ojos cedió ante la mayoría. nih

Stanley Milgram exploró después el otro mecanismo, la obediencia a la autoridad. En su condición base, el 65% de los participantes llegó hasta el nivel máximo de descarga indicado por el experimentador (Milgram, 1963).

No somos máquinas racionales y nunca lo fuimos. Somos animales sociales. Buscamos aprobación, confiamos en autoridades, seguimos grupos, evitamos el conflicto y preferimos una explicación coherente antes que una realidad incómoda.

Y acabamos de introducir en esa ecuación una autoridad nueva. Una que responde casi cualquier pregunta en segundos y que puede sonar extraordinariamente segura incluso cuando está equivocada.

Qué es la estupidez aumentada

Hablamos todo el tiempo de inteligencia aumentada. Vale la pena preguntarse si también podemos construir estupidez aumentada.

Imagina a alguien que no verifica información, no cuestiona sus creencias y no distingue evidencia de opinión. Antes de la IA, su capacidad de producir y distribuir contenido tenía límites físicos. Ahora puede publicar cien artículos, mil posts, cincuenta videos, argumentos aparentemente sofisticados, gráficos, presentaciones, estudios mal interpretados y agentes ejecutando decisiones en cadena.

La IA no necesita ser estúpida para producir ese escenario. Le basta obedecer a una persona que renunció al pensamiento crítico. La tecnología no solo amplifica nuestras capacidades. También amplifica nuestras debilidades, y ese es uno de los riesgos menos discutidos de esta década.

¿Quién responde cuando una decisión la toma una IA?

Supongamos que un sistema recomienda despedir a alguien. Otro determina que una persona no califica para un crédito. Un algoritmo preselecciona candidatos. Un modelo sugiere un tratamiento. Una IA redacta el informe que gatilla una decisión de directorio.

¿Quién responde?

Decir “lo recomendó la IA” puede terminar siendo el equivalente tecnológico de “yo solo seguía instrucciones”. Y esa frase debería incomodarnos, porque ya sabemos a dónde lleva.

Delegar cálculo es tecnología. Delegar ejecución es automatización. Delegar responsabilidad es otra cosa completamente distinta. La responsabilidad sigue siendo humana aunque una máquina participe en la decisión, y las organizaciones que no dejen eso por escrito lo van a descubrir en el peor momento posible.

Cómo usar IA sin dejar de pensar: 5 preguntas antes de aceptar una respuesta

Esto es lo que recomiendo a los equipos con los que trabajamos en adopción de IA. Toma menos de un minuto y cambia por completo la calidad del resultado.

  1. ¿Por qué estoy preguntando esto? Si no puedes explicar el problema de negocio detrás, la respuesta va a ser irrelevante aunque sea correcta.
  2. ¿Qué evidencia contradice esta respuesta? Pídesela al mismo sistema. Si no la busca, búscala tú.
  3. ¿Qué podría estar omitiendo el modelo? Contexto local, normativa chilena, historia interna de la empresa, la política de quién firma.
  4. ¿Podría defender esto en una reunión sin la IA al lado? Si la respuesta es no, todavía no lo entendiste.
  5. ¿Estoy usando esto para ampliar mi pensamiento o para evitarlo? Es la única pregunta que no puede responder la máquina.

Durante décadas asociamos inteligencia con tener respuestas. La IA nos obliga a revisar eso. Quizás lo más característico de la inteligencia humana sea poder decir “no lo sé” y después preguntar, contrastar, disentir, cambiar de opinión, aceptar evidencia incómoda y reconocer un error.

El futuro necesita humanos, no operadores de respuestas

Soy optimista respecto de la inteligencia artificial y trabajo con ella todos los días. Precisamente por eso creo que hay que discutir esto ahora.

No necesitamos menos IA. Necesitamos más humanidad alrededor de la IA. Personas capaces de usar sistemas muy inteligentes sin entregarles lo que ninguna tecnología debería quitarnos por comodidad: criterio, curiosidad, empatía, responsabilidad y capacidad de disentir.

El desafío de esta generación quizás no sea construir una máquina que piense como un ser humano. Puede ser bastante más difícil: conseguir que el ser humano siga pensando cuando ya no sea estrictamente necesario hacerlo.

Porque si algún día llegamos a sistemas mucho más inteligentes que nosotros, habrá una pregunta anterior a toda la discusión sobre AGI y superinteligencia: qué clase de humanidad los estará usando.

Y ahí está la provocación final. Puede que la estupidez humana sí termine siendo un freno para el desarrollo de la IA. No porque seamos incapaces de construir sistemas cada vez más poderosos, sino porque podemos construirlos más rápido de lo que desarrollamos la sabiduría para usarlos. El límite de la inteligencia artificial podría no estar en el silicio. Podría estar en nosotros.

Preguntas frecuentes

¿La inteligencia artificial nos vuelve menos inteligentes?
No existe evidencia de que la IA reduzca la inteligencia. Lo que muestra la investigación disponible es un patrón de autorreporte: quienes más confían en la herramienta declaran aplicar menos verificación y menos análisis. El riesgo no es cognitivo en el sentido biológico, es de hábito profesional.

¿Qué encontró el estudio de Microsoft y Carnegie Mellon sobre pensamiento crítico?
Encuestó a 319 trabajadores del conocimiento, que compartieron 936 ejemplos reales de uso de IA generativa en su trabajo, y encontró que una mayor confianza en la IA se asocia con menos pensamiento crítico, mientras que una mayor confianza en las propias capacidades se asocia con más. Fue presentado en CHI 2025. Microsoft

¿Qué es la teoría de la estupidez de Bonhoeffer?
Es una reflexión escrita por Dietrich Bonhoeffer hacia 1942, publicada póstumamente en Resistencia y sumisión. Sostiene que la estupidez es más peligrosa que la maldad, y la define no como falta de inteligencia sino como pérdida de autonomía frente al grupo y a la autoridad. Por eso puede afectar también a personas educadas.

¿Quién es responsable cuando una decisión la toma una IA?
La responsabilidad sigue siendo de la persona u organización que decide, no del sistema. Un modelo genera una recomendación, no asume consecuencias. Toda adopción de IA en decisiones que afectan personas debería definir por escrito quién revisa, quién aprueba y quién responde.

¿Cómo puede una empresa adoptar IA sin perder criterio propio?
Partiendo por el problema de negocio y no por la herramienta. En la práctica: definir qué decisiones nunca se delegan, dejar por escrito quién valida cada salida del sistema, y medir el éxito por la calidad de las decisiones y no solo por el tiempo ahorrado. En VirtualPoint trabajamos ese diseño con empresas chilenas antes de implementar cualquier tecnología.


Fuentes

  • Lee, H. P., Sarkar, A., Tankelevitch, L. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025, Microsoft Research y Carnegie Mellon University. PDF · DOI
  • Microsoft Research (2025). The Future of AI in Knowledge Work: Tools for Thought at CHI 2025.
  • Asch, S. E. (1955). Opinions and Social Pressure. Scientific American, 193(5), 31-35.
  • Milgram, S. (1963). Behavioral Study of Obedience. Journal of Abnormal and Social Psychology, 67(4), 371-378.
  • Bonhoeffer, D. Resistencia y sumisión, reflexión “De la estupidez” (escrita hacia 1942, publicación póstuma).

Una ley puede abrir el conocimiento. El desafío es hacerlo útil.

Chile acaba de publicar la Ley 21.838 sobre transferencia de tecnología y conocimiento. Su propósito es acercar los resultados de la investigación a la sociedad y a la industria. Es un paso relevante, pero también plantea una pregunta incómoda: ¿cuánto conocimiento valioso existe hoy que no llega a quienes podrían utilizarlo?

En las regiones, esta distancia se vuelve concreta. Una universidad puede estudiar un problema ambiental; una pequeña empresa puede estar intentando resolverlo; un municipio puede necesitar evidencia para decidir. Los tres actores comparten territorio, pero no necesariamente información, lenguaje ni tiempos de trabajo.

Del resultado científico al problema real

La ley reconoce que las instituciones de educación superior deben prestar atención a los desafíos sociales, ambientales y económicos de los territorios donde se encuentran. También promueve la colaboración con empresas, organismos públicos y organizaciones de la sociedad civil.

Ese enfoque importa porque transferir conocimiento no consiste simplemente en publicar un estudio o entregar una tecnología. Requiere entender quién enfrenta el problema, qué evidencia existe, qué resultado puede aplicarse y bajo qué condiciones. Sin esa traducción, incluso una buena investigación puede quedarse lejos de la decisión que necesita mejorar.

Abrir información no basta

La norma crea un Repositorio Nacional de Conocimiento e Información Científica y Tecnológica, a cargo de ANID, concebido como un espacio público y gratuito. Podrá reunir información sobre proyectos financiados con fondos públicos, publicaciones y datos científicos.

Es una infraestructura prometedora, pero todavía hay una diferencia entre que la información esté disponible y que alguien pueda encontrar en ella una respuesta útil. Un listado de proyectos no muestra por sí solo qué problema territorial aborda cada uno, qué resultados son aplicables o con quién corresponde conversar.

Ahí aparece una tarea para las plataformas de inteligencia: conectar fuentes verificables con necesidades concretas, conservar el contexto y mostrar también las limitaciones de la evidencia. La inteligencia artificial puede ayudar a ordenar y explorar esas relaciones, pero no debería reemplazar la revisión humana ni presentar como solución comprobada lo que todavía es una posibilidad.

La oportunidad regional

La ley también pone atención en las pequeñas y medianas empresas dentro de los procesos de transferencia. Para ellas, el obstáculo no siempre es la falta de innovación: muchas veces es no saber qué conocimiento existe, cómo acceder a él o si sirve para su situación particular.

Imaginemos una herramienta que parta de una necesidad —por ejemplo, mejorar un proceso productivo o enfrentar un cambio ambiental— y permita recorrer la evidencia disponible, los proyectos relacionados, sus responsables y las condiciones para una eventual colaboración. Su valor no estaría en prometer respuestas automáticas, sino en hacer visible un camino que hoy suele estar fragmentado.

La Ley 21.838 abre un marco para que el conocimiento circule. Convertirlo en capacidades, mejores decisiones e impacto territorial exigirá algo más: instituciones dispuestas a colaborar, información confiable y herramientas diseñadas alrededor de problemas reales.

Fuente: Ley 21.838, Diario Oficial, 17 de septiembre de 2026. La ley entrará en vigor el 1 de marzo de 2027; su repositorio y otras materias requieren reglamentación.

Automejora recursiva: el próximo gran salto de la inteligencia artificial ya comenzó

Durante años, gran parte de la conversación sobre el futuro de la inteligencia artificial ha girado alrededor de tres letras: AGI, o Inteligencia Artificial General.

La pregunta dominante ha sido cuándo llegará una IA capaz de realizar una amplia variedad de tareas intelectuales a un nivel comparable o superior al humano.

Pero mientras el debate público continúa concentrado en ese eventual hito, dentro de los principales laboratorios de inteligencia artificial está ganando protagonismo otra cuestión potencialmente más trascendente:

¿Qué ocurre cuando utilizamos inteligencia artificial para desarrollar mejores sistemas de inteligencia artificial?

Ese proceso suele asociarse al concepto de Recursive Self-Improvement (RSI) o automejora recursiva.

Y durante 2026 dejó de ser solamente una hipótesis teórica.

Investigaciones recientes muestran sistemas capaces de utilizar experiencias anteriores para mejorar sus estrategias de exploración, optimizar el entorno operativo de los agentes y transferir esas mejoras a problemas e incluso modelos diferentes.

No significa que una IA pueda hoy rediseñarse indefinidamente sin intervención humana. Eso todavía no existe.

Pero algo importante sí está ocurriendo: la IA comienza a participar activamente en el proceso que produce mejores sistemas de IA.

De construir mejores modelos a mejorar la forma de construirlos

La diferencia parece sutil, pero es fundamental.

La AGI describe principalmente un nivel de capacidad.

La automejora recursiva describe un proceso.

En el desarrollo tradicional de inteligencia artificial, los seres humanos diseñan experimentos, escriben código, analizan resultados, detectan problemas, modifican arquitecturas y vuelven a comenzar.

Los modelos son el resultado del proceso.

En un sistema progresivamente automatizado, la IA comienza a participar también dentro de ese proceso: revisando código, evaluando datos, ejecutando experimentos, comparando alternativas, detectando errores y proponiendo modificaciones.

El modelo deja entonces de ser solamente el producto.

Comienza a convertirse también en una herramienta para construir el siguiente producto.

Noam Brown, investigador de OpenAI conocido por su trabajo en sistemas de razonamiento, ha sido especialmente explícito al describir esta tendencia: la capacidad de utilizar sistemas de IA para acelerar la propia investigación en inteligencia artificial se ha convertido en una prioridad estratégica.

OpenAI ha introducido, además, una distinción fundamental: la automejora recursiva completamente autónoma todavía no está ocurriendo. Lo que sí estamos viendo es que los agentes comienzan a acelerar partes del trabajo de investigación utilizado para desarrollar y alinear nuevas generaciones de modelos.

Anthropic describe una tendencia similar. La compañía reconoce que una proporción creciente del desarrollo de IA está siendo asistida por sistemas de IA, aunque un sistema completamente autónomo capaz de diseñar sucesivamente a sus propios sucesores todavía no existe.

La frontera, por lo tanto, empieza a desplazarse.

El gran cuello de botella: saber qué investigar

Que una IA pueda programar extraordinariamente rápido no significa que pueda convertirse automáticamente en un gran investigador.

Aquí aparece uno de los conceptos más interesantes del debate actual: research taste, que podríamos traducir como criterio, intuición u “olfato” de investigación.

Los modelos actuales pueden revisar grandes cantidades de código y datos, detectar errores y realizar tareas que anteriormente consumían enormes cantidades de tiempo humano.

Pero existe una diferencia entre ejecutar perfectamente un experimento y saber qué experimento merece realizarse.

Ese segundo problema es mucho más difícil.

Un investigador experimentado puede observar diez caminos posibles y sospechar que nueve conducirán a callejones sin salida.

Ese juicio no depende solamente de velocidad de procesamiento.

Depende de experiencia, contexto, intuición, conocimiento acumulado y capacidad para formular preguntas relevantes.

Por eso, automatizar investigación no consiste simplemente en desplegar miles de agentes trabajando simultáneamente.

Podríamos tener 10.000 investigadores digitales ejecutando experimentos a una velocidad extraordinaria y seguir desperdiciando enormes cantidades de recursos si ninguno sabe correctamente qué vale la pena explorar.

Y aquí aparece uno de los avances más interesantes de 2026.

Dream-RSI: una IA que aprende de sus propias rutas de exploración

El 14 de septiembre de 2026 se publicó Dream-RSI: Recursive Self-Improvement through Evolving Worlds, desarrollado por investigadores de Google, Google DeepMind, University of Maryland y University of Virginia.

Su idea central es sorprendentemente intuitiva.

Imagine un explorador intentando encontrar la mejor ruta dentro de un enorme laberinto.

Cada vez que recorre el laberinto obtiene información: caminos exitosos, rutas inútiles, bifurcaciones, retrocesos y resultados.

Normalmente tendría que volver físicamente al laberinto cada vez que quisiera probar una estrategia diferente.

Dream-RSI propone algo distinto:

usar todo el historial acumulado como un mundo donde practicar.

Cada exploración real genera un árbol de descubrimiento.

Ese árbol puede posteriormente utilizarse como un simulador de las partes del espacio que ya fueron exploradas.

El agente puede entonces probar diferentes políticas de búsqueda sobre esos registros históricos sin tener que repetir todos los costosos experimentos reales.

Los investigadores llaman a este proceso “dreaming”: soñar.

La secuencia funciona aproximadamente así:

Explorar → registrar → simular → mejorar la estrategia → volver a explorar.

La nueva exploración genera información adicional.

Esa información amplía el mundo disponible para la siguiente simulación.

Y comienza nuevamente el ciclo.

Lo revolucionario no es que cambie el modelo

Hay una característica de Dream-RSI que merece especial atención.

El modelo subyacente puede permanecer sin cambios.

Lo que evoluciona es la estrategia mediante la cual busca soluciones.

Esto introduce una distinción fundamental para comprender la siguiente generación de sistemas de IA:

mejorar una inteligencia no necesariamente requiere entrenar un modelo más grande.

También podemos mejorar cómo utiliza herramientas, cómo administra contexto, cómo distribuye recursos, cómo selecciona caminos, cómo verifica resultados y cómo aprende de ejecuciones anteriores.

Los resultados experimentales de Dream-RSI son prometedores.

En diferentes tareas de ingeniería algorítmica, optimización matemática y optimización de kernels para GPU, el sistema consiguió resultados competitivos o superiores reduciendo considerablemente el número de ejecuciones necesarias en varios escenarios.

Más interesante todavía es el comportamiento observado durante la exploración.

Cuando encontraba mejoras constantes, el sistema aprendía a reducir el número de intentos.

Cuando el progreso comenzaba a estancarse, volvía a ampliar la búsqueda.

No solamente estaba encontrando soluciones.

Estaba aprendiendo cómo buscar soluciones.

ModularRSI: quizás no necesitamos cambiar el cerebro, sino el sistema que lo rodea

Prácticamente en paralelo apareció otra investigación relevante: ModularRSI: Modular and Generalizable Recursive Harness Self-Improvement.

Aquí el objeto de mejora tampoco es necesariamente el modelo fundacional.

Es el harness.

En sistemas de agentes, el harness puede entenderse como la infraestructura que rodea al modelo y determina cómo trabaja: cómo utiliza herramientas, cómo administra observaciones, cómo conserva contexto, cómo verifica resultados y cuándo considera terminada una tarea.

ModularRSI divide ese entorno en cinco componentes:

Agent Loop, Tool Use, Observation Management, Context Management y Task Completion Detection.

En lugar de modificar indiscriminadamente todo el sistema, analiza experiencias exitosas y fallidas, identifica deficiencias recurrentes y propone modificaciones específicas sobre cada componente.

Después las valida antes de incorporarlas.

Los resultados muestran por qué esto importa.

En Terminal-Bench 2.0, la precisión pasó de 47,57% a 52,43% después de la evolución del harness.

En SWE-Bench Verified, compuesto por 500 problemas reales de ingeniería de software, pasó de 73,40% a 76,45% en la configuración evaluada.

Pero probablemente el resultado más relevante sea otro:

las mejoras lograron transferirse a tareas no utilizadas durante la evolución y también entre distintos modelos fundacionales.

Eso sugiere algo estratégicamente importante.

Parte del progreso futuro de la IA podría producirse no solamente mediante modelos cada vez más grandes y costosos, sino mediante sistemas cada vez mejores para organizar la inteligencia que ya tenemos.

De los modelos a los sistemas

Para las empresas, esta conclusión es particularmente relevante.

Durante los últimos años, buena parte de la industria ha preguntado:

¿Cuál es el mejor modelo?

GPT, Claude, Gemini, DeepSeek, Qwen y muchos otros compiten continuamente por rendimiento.

Pero la arquitectura emergente de los agentes sugiere que esa pregunta será progresivamente insuficiente.

La ventaja competitiva puede encontrarse cada vez más en otra capa:

¿Qué sistema construimos alrededor del modelo?

Memoria, herramientas, contexto, agentes especializados, orquestación, evaluadores, mecanismos de verificación, historial de ejecuciones, aprendizaje sobre errores anteriores y optimización continua comienzan a funcionar como partes de una misma arquitectura.

En otras palabras, la unidad competitiva deja de ser solamente el modelo y comienza a convertirse en el sistema inteligente completo.

¿Estamos frente a una IA que se mejora sin control?

No.

Y esta precisión es fundamental.

Los sistemas actuales no poseen capacidad demostrada para rediseñarse indefinidamente y producir generaciones sucesivamente superiores sin supervisión humana.

Dream-RSI, por ejemplo, mantiene sin cambios el agente subyacente y mejora principalmente su política de exploración utilizando registros anteriores.

ModularRSI trabaja sobre componentes específicos del harness y utiliza mecanismos explícitos de evaluación y validación.

Por eso conviene evitar dos extremos.

No estamos frente a una máquina autónoma que mañana comenzará a construir versiones infinitamente superiores de sí misma.

Pero tampoco estamos hablando ya de ciencia ficción.

Estamos entrando en una etapa intermedia mucho más interesante.

La IA comienza a mejorar el proceso que produce IA

Durante la primera gran etapa de la inteligencia artificial generativa utilizamos IA para producir contenido.

Después comenzamos a utilizarla para programar.

Luego aparecieron agentes capaces de ejecutar tareas completas.

Ahora comenzamos a experimentar con sistemas capaces de analizar y mejorar los propios procesos mediante los cuales buscan soluciones.

Ese cambio puede resultar más importante de lo que parece.

Porque cuando una tecnología empieza a mejorar no solamente sus resultados sino también el método utilizado para obtenerlos, aparece un mecanismo acumulativo.

Mejores agentes → mejores procesos → mejores experimentos → mejores sistemas → mejores agentes.

No es todavía una explosión autónoma de inteligencia.

Es algo mucho más concreto:

el comienzo de un ciclo de innovación donde las máquinas participan cada vez más activamente en la construcción de las máquinas que vendrán después.

La verdadera pregunta para las empresas

Desde VirtualPoint creemos que existe una consecuencia empresarial inmediata.

Las organizaciones no deberían interpretar estos avances preguntándose solamente cuándo llegará la AGI.

Hay una pregunta mucho más cercana:

¿qué procesos de nuestra empresa pueden comenzar a aprender de su propia ejecución?

Un agente comercial podría analizar qué estrategias producen mejores conversiones.

Un sistema de atención podría aprender de miles de conversaciones anteriores.

Un proceso administrativo podría identificar sus propios cuellos de botella.

Un sistema de inteligencia territorial podría aprender qué fuentes, cruces y metodologías generan análisis más útiles.

Un equipo de marketing podría experimentar, medir resultados y ajustar automáticamente determinadas estrategias.

Esto no requiere AGI.

Requiere diseñar sistemas donde la inteligencia artificial no solamente ejecute, sino que también pueda observar, evaluar, aprender y optimizar.

Ahí probablemente esté una de las transformaciones empresariales más importantes de los próximos años.

La conversación sobre inteligencia artificial está cambiando.

La pregunta ya no es solamente:

¿qué tan inteligente puede llegar a ser una máquina?

Empieza a aparecer otra mucho más poderosa:

¿qué ocurre cuando una máquina comienza a aprender cómo mejorar la forma en que aprende, busca y resuelve problemas?

Y esa historia, a diferencia de la AGI, ya comenzó.


Fuentes y referencias

  1. Dream-RSI: Recursive Self-Improvement through Evolving Worlds — Tong Zheng, Xidong Wu, Zheng Zhang et al. Google, Google DeepMind, University of Maryland y University of Virginia. arXiv, septiembre de 2026.
  2. Dream-RSI — sitio oficial del proyecto — Documentación, metodología, resultados experimentales y demostraciones del sistema.
  3. ModularRSI: Modular and Generalizable Recursive Harness Self-Improvement — Siwei Wu, Jincheng Ren, Yizhi Li et al. arXiv, septiembre de 2026.
  4. ModularRSI — repositorio oficial de investigación — IQuestLab. Implementación, metodología y documentación técnica.
  5. Recursive Harness Self-Improvement — Hyunin Lee, Jinglue Xu, Jeffrey Seely, Donghyun Lee, Matei Zaharia y Yujin Tang. arXiv, julio de 2026.
  6. OpenAI — Publicaciones y declaraciones relativas a agentes de IA, automatización de investigación y recursive self-improvement.
  7. Anthropic — Investigaciones y análisis sobre recursive self-improvement, automatización del desarrollo de IA y riesgos asociados.

NVIDIA compra Hugging Face: una señal clave para el futuro de la IA empresarial

NVIDIA adquirió Hugging Face por cerca de US$12.900 millones. La cifra llama la atención, pero lo importante es lo que confirma: la inteligencia artificial está dejando de ser una aplicación más para convertirse en una capa de infraestructura dentro de las empresas.

La operación une a dos actores estratégicos del ecosistema de IA. NVIDIA controla buena parte de la infraestructura computacional que se usa para entrenar y ejecutar modelos avanzados. Hugging Face, por su lado, se convirtió en uno de los principales espacios para descubrir, compartir y desplegar esos modelos.

El tamaño de la compra no es lo más relevante. Lo relevante es lo que anticipa.

Los modelos abiertos ganan terreno

Durante los primeros años de la IA generativa, la mayoría de las empresas partió usando servicios propietarios a través de plataformas o APIs. Ese modelo va a seguir siendo importante, pero ya aparece una segunda alternativa: modelos abiertos, con pesos disponibles, que se pueden ejecutar, personalizar y desplegar en distintas infraestructuras.

Eso abre posibilidades nuevas. Una empresa puede usar un modelo comercial para tareas complejas, uno más pequeño para clasificar información, otro especializado para analizar documentos, y agentes que ejecuten acciones dentro de sus propios sistemas.

La pregunta deja de ser “¿qué inteligencia artificial usamos?” y pasa a ser “¿qué arquitectura de inteligencia artificial necesita nuestro negocio?”. Ese cambio parece sutil, pero es de fondo.

De usar herramientas a tener una estrategia de IA

En VirtualPoint trabajamos desde esa lógica. La adopción de inteligencia artificial no debería empezar preguntando qué herramienta está de moda, sino identificando procesos, fricciones, costos y problemas reales dentro de una organización. Recién después de eso tiene sentido definir qué tecnología usar.

A veces basta con una plataforma como ChatGPT, Gemini o Claude. Otras veces conviene sumar automatización, agentes de IA, modelos especializados, sistemas RAG o incluso infraestructura propia. No hay una arquitectura universal. La solución depende del problema.

Por eso vemos la inteligencia artificial como un ecosistema de capas: datos, modelos, agentes, automatización, procesos y resultados de negocio.

Qué significa esto para las PYMEs

Tecnologías que hasta hace poco parecían reservadas a grandes corporaciones ya empiezan a estar disponibles para empresas más pequeñas. Modelos más eficientes, servicios cloud, herramientas open source y nuevas plataformas de automatización están bajando las barreras de entrada.

Esto no significa que toda PYME deba instalar servidores propios. Significa que va a tener más alternativas: puede combinar herramientas comerciales con modelos abiertos, automatizaciones y agentes especializados según lo que realmente necesite. Entre otras cosas, eso permite reducir costos operativos, automatizar tareas repetitivas, usar mejor la información propia y depender menos de un solo proveedor.

La ventaja competitiva no va a estar en usar “la mejor IA” disponible. Va a estar en saber dónde aplicarla.

Una oportunidad para regiones como Los Ríos

Desde ARIA Los Ríos vemos este fenómeno también desde una mirada territorial. La inteligencia artificial puede reducir una de las barreras históricas de las regiones: el acceso a capacidades tecnológicas avanzadas.

Hoy una empresa en Valdivia, Río Bueno, La Unión o Panguipulli puede usar infraestructura y modelos que hace pocos años estaban disponibles solo para grandes compañías tecnológicas. Esa oportunidad existe, pero no basta con tener acceso a las herramientas. Se necesita formación, articulación entre empresas, talento, infraestructura, gobernanza y casos reales de implementación.

Ese es justamente uno de los objetivos de ARIA Los Ríos: conectar empresas, academia, sector público y especialistas para acelerar una adopción responsable y productiva de la inteligencia artificial en el territorio.

La IA va a ser cada vez más híbrida

El futuro probablemente no va a estar dominado solo por modelos cerrados ni solo por modelos abiertos. Va a ser híbrido. Las empresas van a combinar distintos modelos según costo, privacidad, velocidad, capacidad y especialización.

Un sistema empresarial podría usar al mismo tiempo un modelo comercial avanzado para análisis complejo, un modelo abierto para procesar información interna, un agente para interactuar con otros sistemas y una automatización que ejecute acciones. El usuario final ni siquiera va a necesitar saber qué modelo está funcionando detrás. Lo que importa es el resultado.

La señal que deja NVIDIA

La compra de Hugging Face hay que leerla como una señal estratégica. NVIDIA no está comprando solo una plataforma. Está ocupando una posición central dentro del ecosistema donde se van a construir miles de aplicaciones de inteligencia artificial en los próximos años.

Para las empresas, la lección es clara: la IA ya no se puede analizar como una herramienta aislada. Es parte de la infraestructura tecnológica y estratégica del negocio.

En VirtualPoint creemos que el siguiente paso de la transformación empresarial es justamente ese: pasar de experimentar con inteligencia artificial a diseñar sistemas donde modelos, agentes, automatizaciones y datos trabajen juntos.

Y para regiones como Los Ríos, la oportunidad es especialmente interesante, porque por primera vez el acceso a tecnología avanzada no depende de estar cerca de los grandes centros tecnológicos. Depende cada vez más de tener estrategia, conocimiento y capacidad de implementación. Ahí es donde empieza la verdadera transformación.

Inteligencia artificial y Parkinson: tecnología al servicio de una atención más humana

La inteligencia artificial ya está abriendo nuevas posibilidades para acompañar la atención de las personas con Parkinson. No se trata de reemplazar a neurólogos, terapeutas ni cuidadores. Se trata de usar mejor la información disponible para observar cambios, preparar conversaciones clínicas y avanzar hacia una atención más personalizada.

En VirtualPoint creemos que la tecnología tiene valor cuando resuelve una necesidad concreta y mantiene a las personas en el centro. Esa misma mirada dialoga con ARIA Los Ríos: conectar innovación, información útil y criterio humano para transformar datos dispersos en mejores decisiones.

El desafío: los síntomas no siempre se comportan igual

El Parkinson puede cambiar a lo largo del día y entre una consulta médica y otra. Temblor, rigidez, sueño, marcha, voz, estado de ánimo o respuesta a medicamentos pueden variar, y no siempre es fácil recordar con precisión cuándo comenzaron o cómo evolucionaron.

Aquí la IA puede aportar. Aplicaciones móviles, relojes inteligentes y dispositivos de seguimiento permiten registrar señales de la vida diaria. Al analizar esa información con cuidado, pueden ayudar a identificar patrones y organizar antecedentes relevantes para el equipo tratante.

El objetivo no es obtener un diagnóstico automático. Es llegar a la consulta con información más clara y preguntas mejor preparadas.

IA para preparar una mejor consulta médica

La inteligencia artificial puede ser una herramienta práctica antes y después de una cita de salud. Por ejemplo, puede ayudar a ordenar síntomas, resumir notas personales, aclarar términos médicos ya explicados por un profesional o preparar preguntas para la próxima consulta.

Una solicitud bien planteada puede ser:

“Ayúdame a preparar cinco preguntas para mi próxima cita de neurología. Vivo con Parkinson, noto mayor rigidez al final del día y quiero registrar mejor mis cambios. Responde en lenguaje claro y breve.”

La respuesta puede servir como una guía inicial. No debe interpretarse como diagnóstico, receta ni modificación de tratamiento.

Para obtener mejores resultados, conviene:

  • Explicar el objetivo con claridad.
  • Entregar solo el contexto necesario.
  • Pedir un formato concreto, como una lista breve de preguntas.
  • Solicitar alternativas y aspectos que conviene conversar con el equipo de salud.
  • Verificar la información con fuentes confiables y profesionales tratantes.

Seguimiento de síntomas: datos que pueden aportar contexto

La tecnología portátil ya permite observar variables relacionadas con el movimiento, el sueño, la marcha, la voz y otros aspectos de la vida cotidiana. La IA tiene potencial para integrar estos datos con diarios de síntomas, escalas clínicas y cuestionarios previos a la consulta.

Esto podría facilitar planes de atención que se ajusten mejor a la experiencia real de cada persona. También podría ayudar a detectar cambios que merecen ser conversados oportunamente con el equipo médico.

Aún así, el dato no reemplaza la conversación. Un registro muestra una señal; el contexto humano y clínico permite interpretarla.

Privacidad: una condición esencial para usar IA en salud

No toda herramienta de IA ofrece las mismas garantías. Cuando se trata de salud, la privacidad no es un detalle técnico: es parte de una decisión responsable.

Antes de utilizar una plataforma para registrar, transcribir o analizar información, es recomendable preguntar:

  • ¿Qué datos recopila la herramienta?
  • ¿Dónde se almacenan?
  • ¿Quién puede acceder a ellos?
  • ¿La información se usa para entrenar modelos?
  • ¿Es posible rechazar el registro o retirar el consentimiento?

Evite ingresar antecedentes clínicos identificables, documentos médicos completos, números de ficha o información personal sensible en herramientas cuyo tratamiento de datos no conozca.

Desde VirtualPoint y ARIA Los Ríos, promovemos una adopción de IA con propósito: útil, comprensible, verificable y responsable con las personas y sus datos.

Investigación y atención más personalizada

La inteligencia artificial también está acelerando la investigación sobre Parkinson. Puede ayudar a analizar grandes conjuntos de datos genéticos, biomarcadores, imágenes y registros clínicos para encontrar patrones que de otro modo serían muy difíciles de detectar.

Este avance podría contribuir a una medicina más precisa: tratamientos y apoyos que consideren mejor las particularidades de cada persona, en lugar de aplicar respuestas idénticas para todos.

La Parkinson’s Foundation destaca que la IA ya se explora para apoyar el seguimiento de síntomas, la documentación de visitas, la investigación de biomarcadores y el desarrollo de nuevos tratamientos. También enfatiza que el criterio del equipo de atención sigue siendo indispensable. Parkinson’s Foundation

Tecnología con propósito, no promesas automáticas

La conversación relevante no es si la IA llegará a la atención del Parkinson. Ya está comenzando a hacerlo. La pregunta es cómo se incorporará: con transparencia, seguridad, evidencia y respeto por la experiencia de cada persona.

Una buena herramienta puede reducir tareas repetitivas, ordenar información y facilitar mejores conversaciones. Una mala implementación puede introducir errores, confusión o riesgos de privacidad.

En VirtualPoint y ARIA Los Ríos vemos la innovación como una capacidad para ampliar el juicio humano, no para sustituirlo. En salud, ese principio importa más que nunca.

Este artículo es informativo y no reemplaza una evaluación, diagnóstico ni indicación médica. Ante cambios en síntomas, medicamentos o tratamiento, consulte a su equipo de salud.