Lo que hace unos meses sonaba a ciencia ficción empieza a tomar forma real en los laboratorios de investigación. Un equipo del MIT (Instituto Tecnológico de Massachusetts) ha demostrado que GPT-6 Astra, el modelo de OpenAI, es capaz de intervenir directamente sobre los parámetros internos de otra inteligencia artificial para mejorar su rendimiento, sin necesidad de someterla a un nuevo proceso de entrenamiento. El experimento se realizó sobre Qwen3.5-0.8B, un modelo de 800 millones de parámetros desarrollado por la china Alibaba, y los resultados son llamativos: Astra logró mejorar notablemente su rendimiento en operaciones matemáticas tocando apenas el 0,016% de sus parámetros.
Para entender la magnitud del hallazgo hay que saber cómo funciona un modelo de lenguaje por dentro. Estas IAs son gigantescas redes de miles de millones de conexiones, cada una con un valor numérico (los llamados ‘pesos’) que determina cuánto influye en el comportamiento final del sistema. Tradicionalmente, mejorar un modelo implica reentrenarlo desde cero o con ajustes finos (fine-tuning), un proceso largo y costoso en cómputo. Lo que hizo Astra fue distinto: identificó un problema concreto en el funcionamiento de Qwen y manipuló quirúrgicamente los valores numéricos responsables de ese fallo, como un cirujano que opera un órgano específico en lugar de rehacer el cuerpo entero.
Este hito llega apenas semanas después de que Dario Amodei, CEO de Anthropic, publicara su ensayo ‘We Must Pace the Frontier’ (‘Debemos marcar el ritmo de la frontera’), donde advertía que la IA está avanzando más rápido precisamente gracias a su capacidad creciente de participar en el desarrollo de la siguiente generación de modelos, un fenómeno que él mismo bautizó como ‘automejora recursiva’. Amodei reconocía que esta dinámica ya se estaba produciendo ‘en toda la industria, incluida Anthropic’, aunque hasta ahora ningún laboratorio había mostrado pruebas públicas y verificables de que un modelo hubiera alcanzado ese estadio en sentido estricto. El experimento del MIT, aunque no constituye automejora recursiva pura (Astra modificó otro modelo, no a sí mismo), sí demuestra que la capacidad técnica para hacerlo ya existe.
Para la comunidad geek y de IA, esto es territorio de ciencia ficción hecho realidad: máquinas que depuran y optimizan a otras máquinas con una precisión quirúrgica, sin pasar por el costoso ciclo de entrenamiento clásico. Las implicaciones son enormes tanto en beneficios como en riesgos. Por un lado, esta técnica podría acelerar drásticamente la investigación científica, corregir errores que antes requerían meses de reentrenamiento y abaratar el desarrollo de modelos más eficientes y accesibles. Por otro, abre la puerta a un escenario mucho más difícil de controlar: si los modelos de frontera empiezan a modificarse entre sí de forma cada vez más autónoma, garantizar que esos cambios no introduzcan vulnerabilidades, sesgos o comportamientos impredecibles se vuelve un desafío de primer orden.
Lo que viene ahora es observar si OpenAI, Anthropic, Google DeepMind o los laboratorios chinos como Alibaba y DeepSeek repiten o amplían este tipo de experimentos a escalas mayores, con modelos de frontera interviniendo sobre otros modelos de frontera. Si la tendencia se confirma, la carrera de la IA podría entrar en una fase de aceleración exponencial donde cada generación ayuda a construir —y depurar— a la siguiente, acercando cada vez más el horizonte, tan debatido en círculos tecnológicos y de ciencia ficción, de una inteligencia artificial que se mejora a sí misma sin intervención humana directa.