OpenAI destina la mayor parte de su investigación a modelos que aún no existen
OpenAI está dedicando la abrumadora mayoría de su capacidad de investigación a modelos que aún no se han construido. Boris Power, jefe de investigación aplicada de la compañía, sitúa la cifra en entre el 80 y el 90 por ciento de todo el esfuerzo investigador dirigido a GPT-7, GPT-8 y las generaciones posteriores. El razonamiento es directo: ahí es donde la compañía cree que finalmente se creará "la mayor parte del valor".
La revelación, hecha durante una sesión en el Fellows Forum, replantea cómo deberían interpretar los observadores externos el flujo constante de lanzamientos de modelos de ciclo medio de OpenAI. Esas actualizaciones son productos reales que los clientes usan a diario, pero no son donde se concentra la atención investigadora de la compañía.
El planteamiento de Power sugiere una organización que trata cada generación numerada como un cambio de plataforma más que como una iteración de producto: un salto que restablece los supuestos sobre lo que la tecnología puede hacer y de dónde vendrán los retornos.
La escala de ese compromiso es inusual incluso para los estándares de los laboratorios de IA de frontera. Asignar la clara mayoría de los recursos de investigación a sistemas que están a varias generaciones de distancia de su lanzamiento implica la creencia de que las mayores ganancias económicas y de capacidad no están disponibles mediante el refinamiento de lo que ya existe.
Las actualizaciones incrementales son una apuesta deliberada de corto plazo
Entre las grandes generaciones, OpenAI lanza mejoras más pequeñas. Power señaló el salto de GPT-5.1 a GPT-5.2 como ejemplo representativo. Ese tipo de trabajo se apoya en gran medida en datos de entrenamiento especializados: conjuntos de datos específicos que afinan el comportamiento de un modelo en áreas concretas sin alterar el enfoque subyacente.
Internamente, dijo Power, estos lanzamientos incrementales se consideran "extremadamente cortoplacistas". No es tanto una crítica como una admisión de estrategia: la compañía sabe que no son el juego a largo plazo y, aun así, los lanza.
La justificación es la velocidad. Las actualizaciones frecuentes permiten a OpenAI iterar, recopilar señales y aprender más rápido en el presente, aunque el enfoque no llevará a la compañía adonde quiere ir a largo plazo. En otras palabras, las apuestas de corto plazo ayudan a financiar el aprendizaje que informa las de largo plazo.
- Mayor capacidad de investigación: dirigida a GPT-7, GPT-8 y más allá.
- Actualizaciones de ciclo medio: impulsadas por datos de entrenamiento especializados.
- Visión interna: estas actualizaciones son útiles, pero estratégicamente limitadas.
- Beneficio a largo plazo: se espera que llegue con nuevas generaciones de modelos.
El verdadero salto llega con una nueva generación
Power describió el salto generacional como el momento en que "todo lo demás simplemente funciona mucho mejor". Las capacidades que eran frágiles o parciales en una generación tienden a cohesionarse en la siguiente, produciendo ganancias que ningún ajuste fino sobre el modelo anterior puede replicar.
La distinción está entre afinar un modelo en tareas concretas y elevar el techo de todo a la vez. Los datos de entrenamiento especializados pueden mejorar cómo un modelo maneja categorías particulares de solicitudes; una nueva generación puede mejorar cómo razona, sigue instrucciones y lidia con la ambigüedad en todos los ámbitos.
Esa dinámica conlleva un costo operativo inusual. Después de cada avance, OpenAI tiene que volver a aprender dónde invertir para obtener victorias rápidas. Las técnicas que alguna vez produjeron ganancias significativas pueden volverse redundantes cuando el modelo base mejora por sí solo, un blanco móvil que obliga a la compañía a reconstruir su manual con cada generación.
La incorporación de usuarios, no la calidad del modelo, es el cuello de botella
Quizá la parte más trascendente del relato de Power se refiere a lo que él considera el principal obstáculo que enfrentan hoy los asistentes de IA. No es la calidad de los modelos. Es la incorporación de usuarios.
La mayoría de los usuarios de ChatGPT, dijo, no saben lo que realmente pueden hacer con la IA. La brecha no es de capacidad sino de descubrimiento: los modelos ya pueden manejar una amplia gama de tareas que muchos usuarios nunca se plantean intentar. Cerrar esa brecha es un problema de diseño y de producto tanto como de investigación.
Es una afirmación notable viniendo de alguien cuyo trabajo está cerca de la frontera de la investigación. Sugiere que el factor limitante del valor en el mundo real tiene menos que ver con lo inteligente que sea el próximo modelo y más con si las personas logran descubrir qué pedirle. Un sistema más capaz que los usuarios desaprovechan rinde menos que su potencial.
La receta de Power para los modelos futuros es que deberían volverse mejores a la hora de mostrar lo que es posible y de anticipar lo que un usuario necesita antes de que lo pida. Eso apunta hacia asistentes que proponen acciones, sugieren flujos de trabajo y reducen la carga de averiguar por dónde empezar.
Cómo cada generación cambia la experiencia del usuario
Power esbozó en términos concretos la evolución de la usabilidad a lo largo de los modelos recientes de OpenAI:
- GPT-4 exigía un prompting cuidadoso: los usuarios tenían que aprender el arte de preguntar.
- GPT-5 se volvió más fácil de usar, pero aún requería una gran cantidad de retroalimentación para mantenerse encaminado.
- GPT-6 se comporta más como un colega capaz: puedes darle un objetivo y dejarlo trabajar.
La trayectoria que describe es un cambio de instruir una herramienta a delegar en un colaborador. Cada paso reduce la cantidad de experiencia que requiere el usuario, lo que a su vez debería ampliar quiénes pueden extraer valor del sistema.
Qué dice esto sobre la lógica de la hoja de ruta de OpenAI
En conjunto, los comentarios de Power delinean una estrategia de dos vías. Una vía mantiene competitivo el producto actual mediante actualizaciones frecuentes basadas en datos. La otra vía —hacia donde fluye la mayor parte del presupuesto de investigación— apunta a reinicios generacionales que dejan obsoletas las optimizaciones de la primera vía.
Esa división también explica por qué la compañía trata cada nueva generación como el evento decisivo. Si las mayores ganancias provienen del reinicio y no del refinamiento, entonces las prioridades de investigación deberían seguir al reinicio, incluso cuando los lanzamientos intermedios son lo que los clientes usan hoy.
La pregunta sin resolver es la que el propio Power planteó: si el valor ya incorporado en los modelos actuales puede llegar a las personas que aún no los usan bien. Según su propio relato, eso es menos cuestión de hacer los modelos más inteligentes y más cuestión de hacerlos legibles para todos los demás.
Por ahora, la compañía parece cómoda con el equilibrio. Seguirá lanzando las pequeñas actualizaciones mientras apuesta la mayor parte de su investigación a las generaciones que aún no han llegado.
Este artículo se basa en reportes de The Decoder. Lee el artículo original.
Originally published on the-decoder.com
