El próximo gran desafío de OpenAI
OpenAI ha anunciado una ambición investigadora muy amplia: construir lo que llama un investigador de IA—un sistema completamente automatizado basado en agentes capaz de abordar de manera independiente problemas científicos grandes y complejos. En una entrevista exclusiva con MIT Technology Review, el científico jefe Jakub Pachocki describió la iniciativa como la estrella polar de OpenAI para los próximos años, representando una convergencia del trabajo de la empresa en modelos de razonamiento, agentes de codificación e interpretabilidad en un objetivo unificado de horizonte largo.
El cronograma es concreto y a corto plazo de formas que distinguen este anuncio de las promesas AGI más difusas en las que la industria ha traficado durante años. OpenAI planea construir un investigador interno de IA autónomo—un sistema capaz de trabajar independientemente en problemas de investigación específicos durante días—para septiembre de 2026. El investigador de IA multi-agente completo, capaz de abordar problemas demasiado grandes o complejos para que los humanos los manejen, tiene como objetivo una presentación en 2028.
Codex como el plano
Pachocki señaló al agente Codex existente de OpenAI tanto como la base de evidencia como el prototipo inicial para la visión más ambiciosa del investigador de IA. Codex, que OpenAI lanzó en enero, es un sistema de codificación basado en agentes que puede generar, ejecutar y depurar código de forma autónoma para completar tareas de programación complejas. Ha sido ampliamente adoptado dentro del propio OpenAI, y Pachocki señala que la mayoría del personal técnico de la empresa ahora usa Codex como parte central de su flujo de trabajo.
El salto filosófico que Pachocki está haciendo es que si un sistema de IA puede resolver de forma autónoma problemas de codificación complejos—que requieren razonamiento creativo, descomposición de tareas grandes en subtareas, seguimiento de estado complejo durante sesiones de trabajo extendidas y corrección de errores—entonces la misma arquitectura de capacidad puede extenderse a la resolución de problemas científicos en dominios como biología, química, física y matemáticas.
Nuestros trabajos ahora son totalmente diferentes a lo que eran hace un año. Nadie realmente edita código todo el tiempo más. En su lugar, administras un grupo de agentes Codex, Pachocki dijo a MIT Technology Review. La visión es que la misma relación de administración—humano dirigiendo, IA ejecutando—podría eventualmente aplicarse a la investigación en sí, con científicos dirigiendo agentes de IA que persiguen independientemente hipótesis experimentales, revisan literatura, diseñan análisis y generan resultados.
Por qué ahora: el avance del modelo de razonamiento
La ambición renovada por la capacidad de investigación autónoma tiene raíces en la aparición de los llamados modelos de razonamiento—sistemas de IA entrenados no solo para producir resultados sino para resolver problemas paso a paso, retrocediendo cuando alcanzan puntos muertos. Los modelos de razonamiento han hecho que los sistemas de IA sean cualitativamente mejores en el trabajo autónomo extendido: pueden mantener contexto coherente durante sesiones de resolución de problemas más largas y captar y corregir sus propios errores de formas que los modelos de lenguaje anteriores no podían.
OpenAI también ha estado alimentando sus oleoductos de entrenamiento con ejemplos de tareas complejas—acertijos difíciles de competencias de matemáticas y programación—que requieren que los modelos aprendan a gestionar contextos muy grandes, descomponer problemas en subtareas y sustentar un razonamiento efectivo durante períodos extendidos. Pachocki cree que este enfoque de entrenamiento, combinado con las mejoras generales de capacidad entre generaciones de modelos sucesivas, ha llevado a la empresa al umbral donde la investigación autónoma es alcanzable dentro de la trayectoria de desarrollo actual.
Los resultados recientes han dado a los optimismo de Pachocki una base empírica. Los investigadores de OpenAI han usado GPT-5, el modelo que potencia Codex, para descubrir nuevas soluciones a problemas matemáticos previamente sin resolver y hacer progreso en acertijos específicos en biología y física—logros que, aunque estrechos, demuestran que el modelo puede generar contribuciones científicas genuinamente novedosas en lugar de simplemente resumir conocimiento existente.
El problema de seguridad en la frontera
Pachocki no rehuyó los riesgos inherentes a la visión que está persiguiendo. Un investigador de IA completamente autónomo que funciona con supervisión humana mínima representa un tipo de capacidad de IA cualitativamente nueva—una que podría generar perspectivas científicas en dominios como biología sintética o materiales avanzados donde los resultados podrían ser militarizados o mal utilizados. El monitoreo de cadena de pensamiento, donde los procesos de razonamiento de los sistemas de IA se hacen inspeccionables, es el enfoque de seguridad principal que Pachocki identificó, pero reconoció que es imperfecto.
Hay preguntas difíciles sobre dónde deberían trazarse las líneas, Pachocki dijo a MIT Technology Review. Creo que los gobiernos, no solo OpenAI, tendrán que descubrir dónde están esas líneas. El reconocimiento de que la gobernanza externa será necesaria es significativo, reflejando un reconocimiento más amplio de la industria de que la frontera de la capacidad de investigación autónoma requiere marcos regulatorios que aún no existen.
Contexto competitivo e implicaciones de la industria
El anuncio de OpenAI llega cuando la empresa enfrenta competencia intensificada de Anthropic y Google DeepMind en múltiples frentes. Anthropic ha ganado terreno significativo en implementaciones de IA empresarial, y DeepMind continúa produciendo investigación de IA científica influyente a través de programas como AlphaFold. Posicionar el investigador de IA autónomo como el próximo desafío definitorio de OpenAI es en parte una estrategia competitiva—reclamando un reclamo a la frontera de capacidad más ambiciosa y consecuencial antes de que los competidores puedan definir el espacio.
Para la comunidad científica más amplia, la perspectiva de sistemas de IA que pueden avanzar de forma autónoma en la investigación plantea preguntas profundas sobre el futuro del trabajo científico, las normas de publicación, la propiedad intelectual y la asignación de crédito por descubrimientos. Si un agente de IA independientemente descubre una nueva prueba matemática o identifica un objetivo terapéutico novedoso, el ecosistema de publicación académica, financiamiento de becas y carreras de investigación construido alrededor del logro científico humano requerirá un replanteamiento sustancial. El cronograma de 2028 de OpenAI sugiere que estas preguntas pueden necesitar respuestas antes de lo que muchos en la comunidad científica han estado preparándose.
Este artículo se basa en reportes de MIT Technology Review. Lea el artículo original.
Originally published on technologyreview.com