Un rumor sin confirmar asegura que Google DeepMind habría alcanzado algún tipo de mejora recursiva de la inteligencia artificial (Recursive Self-Improvement, RSI), una capacidad que permitiría utilizar sistemas de IA para acelerar el desarrollo de sus propios sucesores. No existe por ahora confirmación oficial de Google ni pruebas públicas suficientes para afirmar que DeepMind haya logrado una verdadera «IA que se mejora sola». La historia aparece, además, justo cuando Dario Amodei, Sam Altman, Elon Musk y Demis Hassabis han respaldado distintas fórmulas para reducir el ritmo de avance de los modelos de frontera.
Las claves del rumor sobre la mejora recursiva de la IA en 20 segundos
- Google DeepMind no ha confirmado haber alcanzado una mejora recursiva autónoma de sus modelos.
- El rumor parte principalmente de referencias y capturas atribuidas a modelos internos con nombres relacionados con RSI.
- Dario Amodei afirma que la IA ya está acelerando el desarrollo de nuevas IA.
- OpenAI, xAI y DeepMind han respaldado una mayor cautela.
- Algunos críticos temen que las nuevas reglas favorezcan a los grandes laboratorios.
La coincidencia temporal ha alimentado una interpretación mucho más ambiciosa: que los principales laboratorios conocen avances que todavía no son públicos y quieren establecer reglas antes de que sus competidores, especialmente los proyectos chinos y los modelos abiertos, alcancen capacidades similares.
Esa conclusión, sin embargo, va más allá de las evidencias disponibles.
Lo que sí está documentado es un cambio importante en el discurso de algunas de las empresas que más rápidamente están desarrollando modelos avanzados. Anthropic ya no habla únicamente de invertir más en seguridad mientras continúan aumentando las capacidades. Su consejero delegado plantea ahora explícitamente moderar la velocidad con la que avanza la frontera.
Qué significa realmente que una IA pueda mejorar a la siguiente IA
La expresión RSI puede resultar engañosa porque engloba capacidades muy diferentes.
En su versión más extrema, la mejora recursiva describe un sistema capaz de analizarse, modificar sus propios algoritmos, entrenar una versión superior y repetir el proceso con cada nueva generación.
Ese escenario suele estar asociado a la idea de una «explosión de inteligencia»: cada modelo mejorado sería más capaz de diseñar al siguiente, reduciendo progresivamente el tiempo necesario para avanzar.
Pero existe una versión mucho menos espectacular que ya está empezando a aparecer en los laboratorios.
Los agentes pueden escribir código para investigadores, diseñar experimentos, analizar sus resultados, identificar errores, crear herramientas de evaluación y ayudar a preparar nuevos conjuntos de entrenamiento. OpenAI reconoció recientemente que sus agentes de programación están modificando la forma en la que trabajan sus propios investigadores, permitiéndoles escribir más código y ejecutar más experimentos.
Dario Amodei utiliza precisamente esta interpretación más amplia.
En su ensayo We Must Pace the Frontier, publicado en septiembre de 2026, afirma que desde aproximadamente este verano la IA está avanzando mucho más rápido por su creciente capacidad para ayudar a construir la siguiente generación de sistemas. Amodei denomina a esa dinámica recursive self-improvement y asegura que «está empezando a ocurrir en toda la industria», incluida Anthropic.
Eso no equivale a decir que Claude, Gemini o GPT hayan adquirido autonomía para rediseñarse, entrenarse y sustituirse sin intervención humana.
| Nivel | Qué podría significar |
|---|---|
| IA ayuda a programadores | Genera y revisa código |
| IA ayuda a investigadores | Diseña experimentos y analiza resultados |
| IA optimiza entrenamiento | Propone cambios en datos, evaluación o infraestructura |
| IA diseña partes de su sucesor | Automatiza una parte considerable de I+D |
| RSI avanzada | Cada generación desarrolla gran parte de la siguiente |
| RSI autónoma | El sistema mejora repetidamente con mínima intervención humana |
El debate actual se encuentra precisamente en determinar cuánto se ha avanzado entre las primeras etapas y las últimas.
De dónde sale el rumor sobre Google DeepMind
La afirmación más llamativa de los últimos días sostiene que DeepMind habría logrado ya RSI.
Pero la evidencia pública es extremadamente débil.
Una parte del rumor procede de mensajes publicados en redes sociales y de capturas que supuestamente muestran identificadores internos asociados a la infraestructura de Google, entre ellos un modelo denominado «rsi-model-liverl-le» y varias referencias relacionadas.
Algunos medios chinos han recogido estas capturas y también la afirmación de que determinadas claves de API relacionadas con esos accesos fueron posteriormente revocadas. La existencia de esos nombres, incluso en el caso de que las capturas sean auténticas, no permite determinar qué hace realmente el sistema.
Un nombre interno que incluya las siglas RSI podría referirse a un experimento sobre aprendizaje por refuerzo, investigación de autoevaluación, generación automática de datos o cualquier otro proyecto relacionado con el concepto.
Google DeepMind no ha anunciado públicamente que haya conseguido una inteligencia capaz de mejorarse de forma recursiva.
Tampoco se han publicado artículos científicos, evaluaciones independientes, detalles sobre el entrenamiento ni demostraciones que permitan verificar una capacidad de este tipo.
Existe incluso una señal que recomienda prudencia. Oriol Vinyals, antiguo vicepresidente de investigación de DeepMind, ha defendido recientemente que la mejora automática de sistemas de IA probablemente llegará, pero no necesariamente producirá una rápida explosión de inteligencia. Sus comentarios ilustran que, incluso dentro del sector, «self-improvement» no tiene una única definición ni implica necesariamente un salto inmediato hacia una superinteligencia.
Por eso resulta más preciso hablar de rumores sobre experimentos de RSI en DeepMind, no de que Google haya conseguido ya una IA que se reprograma indefinidamente.
Anthropic pide ahora reducir la velocidad
Mientras el rumor se propagaba, Anthropic introdujo una novedad mucho más comprobable.
Dario Amodei ha pedido públicamente reducir el ritmo de desarrollo de los modelos más avanzados.
Su planteamiento incluye evaluadores externos con acceso profundo a los sistemas y procesos de entrenamiento, coordinación entre compañías y estándares internacionales para los sistemas que se aproximen a niveles considerados peligrosos.
Anthropic asegura que permitirá a terceros especializados actuar de forma similar a evaluadores integrados dentro de la compañía para comprobar compromisos de seguridad y analizar tanto modelos terminados como procesos de entrenamiento.
El argumento de Amodei no se limita a riesgos hipotéticos de dentro de varios años. También menciona recientes comportamientos de agentes de IA durante evaluaciones de ciberseguridad y sostiene que las capacidades están creciendo más deprisa de lo previsto.
El debate ganó todavía más intensidad después de la salida de Jacob Coxon, investigador que había trabajado tanto en OpenAI como en Anthropic.
Coxon afirmó que abandonaba Anthropic preocupado por la carrera hacia sistemas de inteligencia artificial capaces de mejorarse y acusó a los grandes laboratorios de asumir riesgos que considera inaceptables.
Evan Hubinger, responsable de investigación de alineamiento en Anthropic, fue aún más explícito al estimar personalmente en más de un 10 % la posibilidad de que una IA pueda causar la extinción humana durante la próxima década. Se trata de una valoración personal, no de una probabilidad científica establecida ni de una previsión oficial de Anthropic.
OpenAI, Musk y DeepMind se suman a la cautela
El movimiento dejó de ser únicamente una posición de Anthropic cuando otros dirigentes comenzaron a respaldarlo.
Elon Musk respondió públicamente al ensayo de Amodei con un escueto «Dario tiene razón». Sam Altman también ha defendido la necesidad de moderar la velocidad de avance de la frontera y ha señalado que OpenAI permitirá mayor acceso a evaluadores externos.
Altman ha llegado a sugerir que existen conversaciones privadas entre los principales laboratorios para encontrar algún tipo de acuerdo común sobre seguridad y velocidad de desarrollo, aunque no ha detallado todavía en qué consistiría.
Demis Hassabis, consejero delegado de Google DeepMind, también ha respaldado la dirección general del planteamiento, aunque ha señalado que todavía hay detalles que deben resolverse.
La coincidencia resulta llamativa porque estas compañías compiten directamente por talento, capital, clientes y capacidad de computación.
OpenAI ha añadido además otro elemento al debate. Sam Altman ha confirmado que la compañía no saldrá a Bolsa en 2026 y ha relacionado la decisión, entre otros factores, con el momento actual de debate sobre seguridad y alineamiento. Esto no significa necesariamente que la empresa haya abandonado una operación pública previamente cerrada: la posibilidad de una salida a Bolsa llevaba meses siendo objeto de especulación y planificación.
La sospecha de captura regulatoria
El giro de las grandes empresas ha provocado también críticas.
Una de ellas sostiene que las compañías que ya disponen de enormes centros de datos, modelos de frontera y miles de millones de dólares para entrenarlos podrían beneficiarse de una regulación especialmente exigente.
Cumplir auditorías, pruebas de seguridad, obligaciones de información y procesos regulatorios implica costes.
Para OpenAI, Google, Anthropic o xAI pueden ser asumibles. Para una startup, una universidad o un proyecto de modelos abiertos, esos mismos requisitos pueden convertirse en una barrera mucho mayor.
Ese fenómeno se conoce como captura regulatoria cuando las reglas terminan favoreciendo, intencionadamente o no, a los actores dominantes del mercado.
Pero no existen pruebas que permitan afirmar que el actual llamamiento a ralentizar la IA sea una operación coordinada cuyo objetivo sea eliminar competidores.
La diferencia es importante.
Hay razones legítimas para reclamar más controles sobre sistemas con capacidades de ciberseguridad, investigación biológica o autonomía creciente. Al mismo tiempo, resulta razonable examinar quién define esas reglas, cuánto cuesta cumplirlas y si terminan protegiendo también las posiciones comerciales existentes.
Las dos cuestiones pueden coexistir.
El debate se complica todavía más por la competencia con China. DeepSeek, Moonshot AI, Z.ai y otros desarrolladores chinos están reduciendo algunas diferencias con los laboratorios estadounidenses y, en determinados casos, distribuyen modelos con pesos abiertos o precios mucho menores.
Un acuerdo exclusivamente estadounidense para reducir el ritmo tendría poco valor si otros países continúan avanzando.
Amodei reconoce ese problema y plantea que la seguridad necesitaría finalmente coordinación internacional, también con países que mantienen rivalidades estratégicas con Estados Unidos.
Frenar la IA sin China sería difícil
La dimensión geopolítica puede acabar siendo el obstáculo principal.
Estados Unidos quiere limitar determinados riesgos de la inteligencia artificial, pero también evitar perder su liderazgo tecnológico frente a China.
Eso produce dos objetivos que pueden entrar en conflicto.
| Objetivo | Problema |
|---|---|
| Frenar modelos peligrosos | Puede reducir la velocidad de los laboratorios estadounidenses |
| Mantener ventaja sobre China | Incentiva seguir aumentando capacidades |
| Exigir auditorías | Puede aumentar seguridad pero también costes |
| Limitar chips avanzados | Intenta frenar a competidores extranjeros |
| Regular modelos abiertos | Puede perjudicar investigación y pequeños desarrolladores |
| Coordinar globalmente | Requiere acuerdos entre rivales geopolíticos |
La administración estadounidense ya muestra divisiones sobre esa cuestión. Mientras algunos legisladores reclaman controles más estrictos después de las advertencias de investigadores de Anthropic, otras voces sostienen que ralentizar el desarrollo estadounidense podría entregar ventaja a China.
También explica por qué la hipótesis de una conspiración empresarial resulta demasiado simple.
OpenAI, Anthropic, xAI y DeepMind tienen intereses comunes en determinados asuntos, pero continúan compitiendo ferozmente. Una verdadera ralentización de capacidades implica además renunciar temporalmente a posibles ingresos, cuota de mercado y ventajas tecnológicas.
La cuestión es qué entienden exactamente estas compañías por «ralentizar».
No necesariamente significa dejar de entrenar nuevos modelos. Puede traducirse en dedicar más tiempo a evaluaciones, limitar determinadas capacidades, introducir revisiones externas o retrasar despliegues cuando los sistemas superen ciertos umbrales.
Lo comprobado y lo que sigue siendo especulación
La sucesión de noticias puede dar la impresión de que la industria acaba de alcanzar un umbral secreto. Por ahora no hay evidencias públicas que permitan sostenerlo.
La situación puede separarse con bastante claridad:
| Afirmación | Estado |
|---|---|
| La IA ayuda cada vez más a desarrollar nueva IA | Confirmado por varios laboratorios |
| Anthropic habla ya de recursive self-improvement | Confirmado |
| Amodei quiere moderar el avance de modelos | Confirmado |
| Altman y Musk respaldan esa cautela | Confirmado |
| Hassabis apoya la dirección general | Confirmado |
| Investigadores de Anthropic han advertido de riesgos extremos | Confirmado |
| Google tiene experimentos internos relacionados con RSI | Posible, pero no aclarado públicamente |
| DeepMind ha conseguido una RSI autónoma | No confirmado |
| Los laboratorios coordinan las peticiones para bloquear competidores | Hipótesis sin demostrar |
| La nueva regulación perjudicaría más a pequeños laboratorios | Riesgo plausible, depende de las reglas finales |
Lo realmente nuevo no necesita el rumor de Google para resultar importante.
Los principales laboratorios están reconociendo públicamente que la inteligencia artificial ya participa de forma relevante en la creación de la siguiente generación de sistemas, y varios de sus máximos responsables empiezan a pedir mecanismos para evitar que esa aceleración supere la capacidad de evaluación y control.
Eso todavía está lejos de demostrar una máquina capaz de iniciar por sí misma una sucesión ilimitada de mejoras.
Pero sí cambia una parte del debate.
Hasta hace poco la pregunta era principalmente cuánto mejoraría el siguiente modelo gracias a más chips, más datos y mejores algoritmos diseñados por humanos. Ahora aparece otra variable: cuánto del trabajo necesario para crear ese siguiente modelo puede realizar ya el modelo actual.
Si ese porcentaje continúa creciendo rápidamente, la RSI dejará de ser únicamente una idea asociada a escenarios de superinteligencia para convertirse en un problema práctico de investigación, competencia y regulación.
El supuesto logro de DeepMind sigue siendo, por ahora, un rumor. El cambio de discurso de los principales laboratorios de IA, en cambio, es real.
vía: wccftech
