Karpathy publica autoresearch: los agentes de IA se ponen a investigar sobre IA

En marzo de 2026, Andrej Karpathy publicó en GitHub un pequeño proyecto de código abierto llamado autoresearch. En octubre, el medio chino Jiqizhixin lo tomó como punto de partida para un extenso análisis de la automejora recursiva de la IA: el escenario en que los modelos participan en la creación de los modelos siguientes. El repositorio es modesto, pero su planteamiento es revelador.

Un recuerdo del futuro

El README no se abre con instrucciones de instalación, sino con una breve estampa estilizada «desde el futuro». En ella, la investigación de frontera en IA se recuerda como una ocupación de «computadoras de carne». Necesitaban comida y sueño, y de vez en cuando se sincronizaban mediante «ondas sonoras» en una ceremonia llamada «reunión de grupo».

Karpathy bromea, pero la broma es precisa. Describe la rutina de un laboratorio: hipótesis, cambio en el código, lanzamiento del experimento, lectura de métricas, nueva hipótesis. Los modelos de lenguaje y los agentes de programación ya saben ejecutar cada paso de ese ciclo. Si se encadenan los pasos en un bucle cerrado, el humano va saliendo poco a poco de él.

La automejora recursiva como problema de ingeniería

Durante mucho tiempo, la automejora recursiva se discutió como un escenario filosófico: un día el sistema será lo bastante inteligente como para mejorarse a sí mismo, y a partir de ahí todo crecerá de forma exponencial. El título del artículo de Jiqizhixin, «Cuando la IA empieza a crear IA», refleja otra mirada. El proceso se descompone en operaciones acotadas y verificables, y cada una se automatiza por separado: escribir código, lanzar experimentos, analizar resultados.

Aquí la escala la determinan las métricas, no la intuición. El agente necesita un objetivo claro, un ciclo de verificación rápido y protección contra el autoengaño, es decir, contra las mejoras que lo son solo sobre el papel y no en la práctica. Esas condiciones determinan dónde despegará antes la automatización de la investigación y dónde chocará con un techo.

Del fragmento disponible del artículo se conoce poco:

• autor del proyecto: Andrej Karpathy;
• nombre: autoresearch;
• plataforma: GitHub, repositorio abierto;
• fecha de publicación: marzo de 2026;
• enfoque: el investigador humano como etapa histórica, no como constante;
• fuente del análisis: Jiqizhixin, artículo del 10 de octubre de 2026.

El extracto disponible no incluye resultados numéricos, benchmarks ni descripción de la arquitectura. Con él no se puede evaluar la eficacia del proyecto; solo se puede valorar el marco que plantea.

Por qué importa justo ahora

El proyecto de Karpathy resulta interesante precisamente por ser pequeño. La automatización de la investigación suele asociarse a laboratorios cerrados y clústeres enormes. Un repositorio abierto que se lee en una tarde lleva el tema al terreno práctico: cualquier desarrollador puede montar un bucle así con su propia tarea y comprobar dónde falla.

Las preguntas siguen siendo las mismas. ¿Quién verifica las decisiones del agente si el verificador también es un modelo? ¿Cómo evitar optimizar la métrica en lugar del objetivo? ¿Cuánto cómputo se gasta en experimentos que no aportan nada? El extracto no responde a ninguna, y es normal: el proyecto plantea un marco, no cierra el tema.

Qué deberían hacer los equipos

Si construyes productos de ML o pipelines internos de investigación, conviene desglosar tu ciclo de experimentos en etapas y marcar cuáles son formalizables: presupuesto de ejecución fijo, métrica inequívoca, reproducibilidad. Esas son las etapas que conviene delegar primero en los agentes. Para el resto hace falta un revisor humano.

También conviene leer el propio repositorio y el texto completo de Jiqizhixin. Probablemente contengan detalles de implementación y ejemplos que no entraron en este extracto. Solo tiene sentido sacar conclusiones sobre la fuerza real del enfoque después de probarlo con tareas propias.