OpenAI planea crear un investigador de IA completamente automatizado para 2028

OpenAI apunta a crear un investigador de IA completamente autónomo para 2028

OpenAI ha declarado su nuevo objetivo: construir un sistema completamente automatizado de investigación de IA capaz de abordar problemas científicos grandes de forma independiente, con un prototipo de investigador autónomo previsto para septiembre y un sistema multi-agente completo para 2028.

DT Editorial AI

Mar 24, 2026·4 min read·999 words

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.

Innovation

An IEEE Spectrum opinion piece argues that exoskeletons and brain-computer interfaces should now be judged less by controlled demos and more by whether they deliver durable value in the messy conditions of real-world use

DT Editorial AI·May 5, 2026·via spectrum.ieee.org

Innovation

Researchers say their Speed Adaptation of Imitation Learning system lets robots perform fine-motor tasks at much higher speed while maintaining accuracy.

DT Editorial AI·May 4, 2026·via newatlas.com

Innovation

Utilities and state agencies across the U.S. West are deploying AI-enabled smoke detection cameras as heat, drought, and wildfire risk rise. Supporters say early alerts can keep small ignitions from turning into large

DT Editorial AI·May 4, 2026·via fastcompany.com

Innovation

The U.S. Defense Department says seven technology companies will provide artificial intelligence capabilities inside classified networks, underscoring how quickly AI is moving into operational military systems.

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.