OpenAI concentra sus recursos principales en crear un investigador de IA totalmente autónomo

OpenAI cambia el foco de su investigación y ya no apuesta principalmente por el siguiente chatbot, sino por un investigador de IA autónomo. La compañía quiere un sistema que pueda analizar problemas complejos durante semanas con una participación humana mínima y que con el tiempo se convierta en un auténtico «laboratorio en un centro de datos».

Una nueva prioridad

Según Jakub Pachocki, científico jefe de OpenAI, este proyecto se convierte en un objetivo común dentro de la empresa, en torno al cual deben converger los modelos de razonamiento, los sistemas de agentes y las herramientas de interpretabilidad. El hito más cercano es presentar para septiembre de 2026 un «becario de IA autónomo»: un sistema al que se puede delegar un conjunto limitado de tareas de investigación de varios días de trabajo. La siguiente etapa está fijada para 2028: un sistema multiagente totalmente automatizado, capaz de asumir problemas demasiado grandes o enrevesados para un solo equipo humano.

Para OpenAI no se trata solo de una línea de investigación atractiva. La compañía ya no marca el ritmo del mercado en solitario, como en los tiempos de los primeros GPT, y ahora compite con Anthropic y Google DeepMind no solo por la calidad de los modelos, sino por en qué se convierte la pila de productos que los rodea. La apuesta por un investigador de IA parece un intento de ir más allá del asistente de chat y de código y construir la siguiente capa de automatización: un sistema que no se limita a responder a una petición, sino que lleva por sí mismo un trabajo largo, desde el planteamiento de la tarea hasta un resultado intermedio.

«En esencia, tendrás un laboratorio de investigación entero en un centro de datos», dice

Pachocki.

Qué está ya listo

En OpenAI creen que un prototipo temprano de este enfoque ya se ve en Codex. Esta herramienta de agentes sabe escribir y ejecutar código, analizar documentos, generar gráficos, compilar resúmenes y asumir cadenas técnicas largas que antes una persona resolvía a mano. Pachocki dice sin rodeos que la compañía quiere tomar lo que ha funcionado en programación y trasladar ese modo de trabajo a una clase más amplia de tareas. La lógica es sencilla: si un agente puede cerrar de forma autónoma partes considerables del trabajo de ingeniería, el mismo enfoque puede extenderse a la ciencia y la investigación aplicada.

Del futuro sistema OpenAI espera no una función «mágica», sino un conjunto de habilidades de investigación que puedan encadenarse:

• analizar grandes volúmenes de texto, código y notas
• proponer hipótesis y vías de comprobación
• dividir un problema grande en subtareas y llevarlas en paralelo
• buscar soluciones en matemáticas, física, biología, química y escenarios de gestión pública

Según OpenAI, la base técnica se apoya en dos líneas. Primero, los modelos generalistas mantienen más tiempo el objetivo y el contexto: el paso de GPT-3 a GPT-4 ya mostró un aumento notable de «resistencia» en una misma tarea. Segundo, los modelos de razonamiento, que recorren el problema paso a paso y saben retroceder tras un error, encajan mejor en ciclos autónomos largos. Además, los modelos se entrenan específicamente con problemas difíciles de matemáticas y programación para que aprendan a mantener un contexto largo y a gestionar varias subtareas a la vez.

Dónde están los puntos débiles

La pregunta más obvia no es la ambición, sino la fiabilidad. Investigadores independientes reconocen que la idea de un científico de IA autónomo parece una continuación lógica del éxito de los agentes de programación, pero advierten: en cuanto el sistema debe ejecutar no un paso, sino una larga cadena de acciones, la probabilidad de error en cada etapa empieza a acumularse. En las pruebas del Allen Institute for AI, los modelos potentes ya mostraron un buen nivel en tareas científicas, pero aun así fallaban con regularidad. Aunque las versiones recientes hayan mejorado, el problema no desaparece: una cosa es producir una buena idea y otra llevar de forma estable una investigación de varios días hasta un resultado correcto.

Hay también una capa de riesgos más dura. Pachocki afirma que OpenAI apuesta por la monitorización de la cadena de razonamiento (chain-of-thought monitoring): el modelo deja una especie de notas de trabajo mientras resuelve, y otros modelos o investigadores vigilan si deriva hacia un comportamiento peligroso o simplemente erróneo. Pero él mismo admite que todavía no existe un control total. Un sistema autónomo puede entender mal una instrucción, salirse del marco de la tarea, convertirse en objetivo de un ataque u obtener acceso a herramientas demasiado potentes. Por eso, a su juicio, las versiones realmente potentes de estos agentes tendrán que mantenerse en entornos aislados (sandbox) y con restricciones hasta que los mecanismos de supervisión sean mucho más fiables.

Qué significa

Si OpenAI cumple siquiera en parte este plan, el próximo salto de la IA no vendrá de chatbots más charlatanes, sino de sistemas a los que se puedan delegar partes de trabajo intelectual real durante días y semanas. Pero ahí estará precisamente la prueba principal: el mercado cree con facilidad en el progreso rápido de los agentes, mientras que la ciencia y la seguridad exigirán no un efecto de demo, sino resultados reproducibles bajo control humano.