Automatizar el desarrollo de IA podría acelerar el progreso 10 veces en 17 meses

Estamos acostumbrados a hablar de la IA como asistente del desarrollador: escribe una función, encuentra un error, monta un prototipo. Un nuevo trabajo plantea la pregunta un nivel más arriba. ¿Qué ocurrirá si los modelos empiezan a automatizar no solo la programación habitual, sino el propio proceso de crear los siguientes modelos: experimentos, análisis de resultados, preparación de sistemas de entrenamiento y búsqueda de nuevos métodos?

Los autores llaman a este escenario explosión de inteligencia de software. No hace falta esperar a una nueva generación de aceleradores. La aceleración puede surgir dentro de la infraestructura de cómputo ya disponible: la IA ayuda a los investigadores a hacer más experimentos, esos experimentos mejoran la IA y la nueva versión acelera aún más la investigación.

Cómo puede surgir el bucle de aceleración

Imaginemos un laboratorio de cien ingenieros. Al principio, la IA solo completa código y prepara pruebas. Después, un agente recibe una tarea del tipo «comprueba tres variantes de arquitectura», cambia por sí mismo las configuraciones, lanza experimentos y resume los resultados. El humano sigue aprobando las decisiones, pero en un día revisa un trabajo que antes llevaba una semana.

El siguiente paso es automatizar una parte significativa del ciclo de investigación. Si un modelo no solo sabe ejecutar un experimento asignado, sino también elegir una dirección útil, comprobar hipótesis y tener en cuenta los resultados fallidos, la productividad del laboratorio empieza a crecer junto con las capacidades del modelo. Eso crea una retroalimentación positiva.

Como señal temprana, los autores citan indicadores internos de Anthropic. La proporción de código aceptado escrito por IA subió de unos pocos puntos porcentuales en enero de 2025 a más del 80 % en mayo de 2026. La proporción de tareas autónomas de I+D realizadas bajo estrecha supervisión de especialistas aumentó del 1 % en marzo al 26 % en agosto de 2026. Estas cifras no demuestran que la explosión esté cerca, pero muestran la rapidez con que cambia la organización del desarrollo.

El modelo de los autores vincula estos indicadores con el rendimiento económico del esfuerzo investigador. Con estimaciones centrales del parámetro de rendimiento de 1,2 a 1,9 según las distintas áreas de la IA, la automatización total de la investigación podría multiplicar por 10 el ritmo de progreso en unos 17 meses. En ese régimen, el volumen de trabajo que antes llevaba un año se completaría en unas cinco semanas.

Por qué todavía no es un pronóstico

El cálculo tiene una amplia zona de incertidumbre. Los límites inferiores de los intervalos de confianza del 90 % caen por debajo del nivel en el que surge una aceleración autosostenida. En otras palabras, los datos disponibles son compatibles tanto con un crecimiento brusco como con un escenario mucho más tranquilo.

Hay además un problema de medición. El aumento de la proporción de código escrito por IA no equivale a un aumento de la productividad científica. Un agente puede escribir rápidamente la infraestructura experimental sin proponer una buena hipótesis. Las métricas también mezclan la mejora de los métodos de software con el aumento de los recursos de cómputo. Por último, la investigación choca con el hardware, los datos, la energía, la verificación de resultados y la capacidad de las personas para tomar decisiones.

Por eso, la cifra «10 veces en 17 meses» debe leerse como el resultado de un modelo bajo ciertos supuestos, y no como una promesa de calendario. El trabajo es útil sobre todo porque convierte una conversación difusa sobre la explosión de inteligencia en un conjunto de magnitudes medibles: la proporción de tareas autónomas, la calidad de los resultados, el tiempo de supervisión humana y el rendimiento del esfuerzo investigador adicional.

Qué deben hacer los equipos ya

Los desarrolladores de sistemas de IA deberían medir por separado la generación de código y la autonomía real. Una métrica útil no es el número de líneas, sino la proporción de tareas que el agente llevó a un resultado verificable sin intervención humana. Junto a ella deben registrarse el coste de los errores, el tiempo de revisión y el número de acciones revertidas.

Los equipos de producto necesitan registros de las acciones de los agentes, permisos limitados, entornos aislados y la posibilidad de detener la ejecución al instante. Cuanto más larga es la cadena de acciones independientes, más arriesgado resulta confiar solo en la respuesta final del modelo.

Para los fundadores, la conclusión también es práctica: la velocidad de desarrollo puede cambiar más rápido que los ciclos habituales de planificación y contratación. Pero es pronto para basar la estrategia en una «explosión» inevitable. Es más sensato preparar los procesos para un rápido aumento de la autonomía, manteniendo el control, la reproducibilidad de los experimentos y a una persona en los puntos donde un error resulta especialmente caro.