Los datos empiezan a desmentir la tesis de la auto-mejora acelerada de la IA

La tesis más influyente que circula en los mercados de capital de riesgo en este momento —la que justifica las valuaciones de $20B para startups sin revenue, los data centers a $500B, y la urgencia de «posicionarse antes del salto»— es que la IA está a punto de mejorar a sí misma de forma recursiva, comprimiendo en meses lo que antes tomaba décadas de investigación. Esta semana, tres análisis independientes publicados entre el 15 y el 18 de agosto cuestionaron esa tesis desde ángulos distintos. No son refutaciones definitivas, pero son la primera acumulación coordinada de argumentos escépticos que supera el nivel del ruido.

Tres voces, tres ángulos, una semana

El 15 de agosto, el análisis «La IA no supera a los matemáticos en razonamiento, los supera en memoria» acumuló más de 600 puntos en Hacker News y encendió una discusión de casi 500 comentarios. La tesis central: los modelos de lenguaje dominan en matemáticas de competición no porque resuelvan problemas, sino porque memorizaron patrones y soluciones que circulan en sus datos de entrenamiento. La distinción importa porque la auto-mejora recursiva requiere capacidad de razonamiento genuino, no recuperación sofisticada de patrones conocidos. Que los modelos muestren resultados impresionantes en benchmarks de matemáticas de frontera y diagnóstico clínico no resuelve la pregunta de fondo: ¿están razonando o están recordando?

El 16 de agosto, investigadores de Cambridge publicaron la hipótesis Red Queen como alternativa al RSI clásico: en lugar de mejora exponencial sin fricción, proponen que los sistemas de IA que se mejoran a sí mismos enfrentan presiones co-evolutivas similares a las de la biología. La «carrera de la Reina Roja» en evolución describe cómo los organismos tienen que correr para quedarse en el mismo lugar porque el entorno co-evoluciona con ellos. Aplicado a la IA: la mejora recursiva crea nuevos problemas de alineación y robustez al mismo ritmo que resuelve los anteriores, limitando la velocidad neta de avance.

El 18 de agosto, MIT Technology Review publicó un análisis directo sobre por qué la auto-mejora recursiva no llegará tan pronto como promete la industria, detallando los cuellos de botella técnicos en cada paso del ciclo: la IA que escribe código aún genera bugs que requieren validación humana, la síntesis de datos de entrenamiento degrada la calidad si no se curan los sets cuidadosamente, y la optimización de chips sigue dependiendo de ingenieros especializados en cada iteración.

La tesis no-consenso: el mercado está descontando algo que los datos no confirman

El consenso de mercado, implícito en las valuaciones actuales, asume que la auto-mejora recursiva es cuestion de tiempo corto —dos a tres años— y que posicionarse ahora captura el valor de esa transición. Es el mismo razonamiento que impulsó las valuaciones de las empresas .com en 1999: «el potencial es tan grande que la valuación de hoy es conservadora respecto de lo que vendrá».

La tesis no-consenso que emerge de estos tres análisis es más específica: los modelos actuales ya alcanzaron el límite de lo que pueden mejorar usando sus propias capacidades de razonamiento. El siguiente salto requiere innovación arquitectónica —no iteración sobre el transformer con más datos y más compute— y esa innovación no la puede producir el modelo sobre sí mismo. El RSI, en este escenario, es un horizonte que se aleja a medida que uno avanza.

Si esta tesis es correcta, hay consecuencias directas sobre quién captura valor. Los laboratorios que apuestan a «entrenar más» para llegar al RSI están en el camino equivocado. Los que trabajan en nuevas arquitecturas —razonamiento simbólico, sistemas de memoria explícita, arquitecturas híbridas— tienen la ventana de innovación que los demás asumen que se cerrará. Y el capital que solo premia revenue demostrado o pedigree de frontera está descartando implícitamente a los laboratorios de segundo nivel que apuestan a llegar al RSI por iteración pura.

Quién tiene incentivo en mantener viva la narrativa

La narrativa del RSI inminente conviene a múltiples actores con intereses alineados pero no idénticos. Los laboratorios la necesitan para justificar el gasto de capital ante sus inversores. Los proveedores de infraestructura —Nvidia, los hiperescalares— la necesitan para mantener la demanda de compute. Los fondos de VC que ya entraron a valuaciones altas la necesitan para que sus portfolios no marquen a la baja. Y los gobiernos que diseñan política de seguridad la necesitan para que sus proyecciones de riesgo sean creíbles.

Este alineamiento de incentivos no es una conspiración — es la dinámica natural de un mercado donde todo el mundo tiene algo que perder si la narrativa central se debilita. Lo que hace interesante la acumulación de esta semana es que los análisis más críticos vienen de académicos y periodistas de tecnología sin exposición directa a ese alineamiento.

Conclusión falsable: el benchmark de 2027

La tesis se puede testar con relativa claridad: si en 2027 ningún sistema de IA desplegado en producción puede acortar su propio ciclo de entrenamiento sin intervención humana sustancial en la validación de los outputs, la promesa del RSI inminente estaba adelantada al menos un ciclo de investigación.

Qué mirar: los benchmarks específicos que OpenAI, Anthropic, y DeepMind publican sobre capacidades de auto-mejora. Si el ritmo de mejora en esas métricas desacelera mientras el gasto de compute sigue subiendo, es la señal más clara de que el límite arquitectónico ya se alcanzó.

Para decisores en LATAM y España que evalúan inversiones o estrategia competitiva basadas en la llegada del RSI: el riesgo de una estrategia dependiente de un supuesto de timing específico es asimétrico. Si el RSI llega antes de lo esperado, probablemente tampoco se puede responder a tiempo de todas formas. Si llega después, las inversiones hechas «en anticipación» tienen que sobrevivir más tiempo de lo planeado sin el upside prometido. La decisión estratégica sana es asumir que el RSI no llega antes de 2029 y construir valor en el entorno actual.