SI Builders

Explorar

Idioma

The SI Builders Brief

Guías

Automejora recursiva (RSI): qué significa que la IA construya IA

La automejora recursiva (RSI) es la IA asumiendo el trabajo de construir mejor IA. Qué significa, qué mostraron los laboratorios en 2026 y por qué se discute.

La automejora recursiva (recursive self-improvement, RSI) es un proceso en el que un sistema de IA mejora los métodos que se usan para construir IA, de modo que cada generación produce mejor la siguiente. En la versión estricta de la idea, no hace falta ningún humano dentro del ciclo.

A noviembre de 2026, ningún laboratorio ha dado a conocer un sistema que haga esto. La IA ya escribe la mayor parte del código en varios laboratorios de frontera y puede ejecutar experimentos durante días, pero las personas siguen eligiendo la dirección de la investigación, definiendo qué cuenta como éxito y decidiendo qué se entrena y qué se publica.

Datos clave

  • RSI significa automejora recursiva. Nombra un proceso, no un producto. Recursive Superintelligence es una startup que lleva el nombre de la idea (más sobre esto abajo).
  • La idea tiene 60 años. El estadístico I. J. Good describió en 1965 una “explosión de inteligencia” impulsada por máquinas que diseñan mejores máquinas.
  • 2026 es el año en que los laboratorios empezaron a publicar cifras. Anthropic informó que, a mayo, Claude era autor de más del 80 % de su código fusionado. OpenAI informó que, a mediados de agosto, su organización de investigación registraba 3,1 jornadas de trabajo de agentes por cada jornada de trabajo humano.
  • El ciclo no está cerrado. Una revisión de RAND publicada en octubre de 2026 concluyó que ningún sistema dado a conocer fija su propia agenda de investigación ni diseña a su propio sucesor.
  • Ahora hay una medición externa. En noviembre de 2026, METR estimó, con acceso desde dentro, que Anthropic está mejorando sus modelos aproximadamente el doble de rápido que antes de octubre de 2025, sobre todo gracias a la ayuda de la IA en la investigación.
  • Se discute si despegaría. Un artículo de nueve economistas de septiembre de 2026 estimó que los ciclos de retroalimentación actuales aún no son lo bastante fuertes para sostenerse solos, aunque señaló que parecen estar fortaleciéndose.
  • Los laboratorios dicen que el problema de seguridad está sin resolver. OpenAI escribió en septiembre que “todavía no sabe cómo llegar de forma segura hasta una RSI completa y alineada” (“not yet know how to safely get all the way to aligned, full RSI”).

RSI, automejora recursiva y “Recursive Superintelligence”

La gente busca este tema con varios nombres, así que conviene separarlos.

Automejora recursiva es el término técnico, y es lo que significan las siglas RSI en IA. (Fuera de la IA, RSI suele referirse a la lesión por esfuerzo repetitivo o al índice de fuerza relativa que se usa en el trading. Ninguno tiene relación.)

“Recursive Superintelligence” (“superinteligencia recursiva”) no es un concepto técnico aparte. Se usa de dos maneras:

  1. Como nombre propio. Recursive Superintelligence es una startup que se presentó públicamente el 13 de mayo de 2026 con 650 millones de dólares de financiación y el objetivo declarado de construir IA que se mejore a sí misma sin intervención humana.
  2. Como forma abreviada de nombrar el resultado que algunos investigadores esperan de la RSI: una Superinteligencia (Super Intelligence) alcanzada por un sistema que se mejora a sí mismo una y otra vez.

Expresiones relacionadas que verás usadas casi como sinónimos: IA que se mejora a sí misma (self-improving AI), IA que construye IA (AI building AI), I+D de IA automatizada (automated AI R&D), explosión de inteligencia de software (software intelligence explosion) y, en textos más antiguos, IA semilla (seed AI).

En SI Builders, “Superinteligencia” en esta guía se refiere al sentido que el término tiene en la investigación: capacidades muy por encima del nivel humano. Es algo distinto del uso de “SI” por parte del gobierno federal de Estados Unidos como etiqueta para la IA. Nuestra guía sobre qué significa Superinteligencia explica la diferencia.

Qué significa la automejora recursiva

La mayor parte de la mejora de la IA no es recursiva. Un motor de ajedrez que se vuelve más fuerte jugando contra sí mismo se mejora a sí mismo, pero el algoritmo de entrenamiento que lo vuelve más fuerte permanece fijo, y lo escribió un humano. Lo mismo ocurre con un modelo de lenguaje ajustado con sus propias salidas.

La recursión empieza cuando lo que se mejora es el propio mejorador: el código de entrenamiento, el agente de investigación, la búsqueda de arquitecturas, el sistema de evaluación. Si un sistema mejor también hace mejor esos cambios, las ganancias pueden acumularse.

Eso deja mucho margen para discrepar sobre dónde termina “la IA ayuda en la investigación de IA” y dónde empieza la RSI. Associated Press señaló en septiembre de 2026 que las principales empresas no comparten una definición: algunas cuentan cualquier aporte de la IA a la mejora de los modelos, mientras que otras reservan el término para el trabajo totalmente autónomo.

Fuente Qué cuenta como RSI
Anthropic (2026) Un sistema de IA que “diseña y desarrolla a su propio sucesor de forma totalmente autónoma”. Los autores dicen que esto no ha ocurrido y que no es inevitable.
OpenAI (2026) Una dirección de avance que puede medirse como aceleración de la investigación, con la “RSI completa” (“full RSI”) como estado final.
RAND (2026) Sistemas de IA que contribuyen a su propia mejora, de modo que cada generación de capacidades acelera el desarrollo de la siguiente.
Ajeya Cotra, METR, según TechCrunch Tres hitos para la investigación hecha solo por IA: suficiencia (puede investigar sola), paridad (iguala a los equipos solo humanos) y supremacía (supera a los equipos de humanos con IA).
Helen Toner, CSET de Georgetown, en el mismo reportaje Usar herramientas de IA para investigar IA no basta. La RSI clásica significa que los humanos ya no hacen falta.
Revisión académica de 1250 artículos (2026) Separa el autorrefinamiento acotado (bounded self-refinement), en el que el sistema mejora frente a una vara de medir externa y fija, de la RSI abierta (open-ended RSI), en la que además cambia la vara de medir.

Cuatro peldaños del cierre del ciclo

Una forma sencilla de ubicar cualquier afirmación sobre la RSI es preguntar cuánto del ciclo controla la IA. Esta escalera es nuestra simplificación de las taxonomías anteriores.

  1. La IA como herramienta. Autocompletado y asistencia por chat. Los humanos hacen la investigación.
  2. La IA como agente en trabajo asignado. Los agentes escriben código, ejecutan experimentos y depuran infraestructura durante horas o días, en tareas que definen las personas. Aquí es donde los laboratorios de frontera dicen estar en 2026.
  3. La IA elige qué probar después. El sistema propone y prueba sus propios cambios frente a un objetivo y un método de puntuación que fijan los humanos. Sistemas de investigación como AlphaEvolve y la Darwin Gödel Machine funcionan así en ámbitos acotados.
  4. Ciclo cerrado. El sistema fija la agenda de investigación, construye y entrena a un sucesor, juzga si es mejor y repite. Este es el significado estricto de RSI. No se ha demostrado.

Breve historia de la idea

Año Hito
1950 Alan Turing propone construir una “máquina niño” que aprenda, en lugar de programar directamente una mente adulta.
1965 I. J. Good sostiene que una máquina mejor que los humanos diseñando máquinas desencadenaría una “explosión de inteligencia”, y la llama “el último invento que el hombre necesitará hacer”.
2003 Jürgen Schmidhuber propone la máquina de Gödel, un programa que reescribe su propio código solo después de demostrar que la reescritura es una mejora.
Años 2000 Eliezer Yudkowsky desarrolla los conceptos de “IA semilla” (seed AI) y automejora recursiva tal como se usa hoy la expresión.
2023 Investigadores de Microsoft y Stanford publican el Self-Taught Optimizer (STOP), un programa de andamiaje que se mejora a sí mismo usando un modelo de lenguaje fijo.
Mayo de 2025 Google DeepMind anuncia AlphaEvolve. Investigadores publican la Darwin Gödel Machine.
Enero de 2026 El CSET de Georgetown publica When AI Builds AI, un informe de taller sobre la I+D de IA automatizada.
Abril de 2026 La ICLR acoge en Río de Janeiro el que sus organizadores describen como posiblemente el primer taller dedicado por completo a la RSI.
Mayo de 2026 Recursive Superintelligence se lanza con 650 millones de dólares.
Junio de 2026 Anthropic publica When AI builds itself. Investigadores de Google DeepMind publican From AGI to ASI.
Septiembre de 2026 OpenAI publica datos internos sobre la aceleración de su investigación. Dario Amodei publica We Must Pace the Frontier. Se anuncia en la Cámara de Representantes de EE. UU. un proyecto de ley que restringiría los modelos que se automejoran recursivamente.
Octubre de 2026 RAND publica su revisión de la evidencia empírica.
Noviembre de 2026 Anthropic dice a los inversionistas que sus futuros modelos podrían alcanzar pronto su umbral interno de aceleración impulsada por la IA. METR publica la primera evaluación independiente de cómo la IA acelera la investigación de un laboratorio.

Durante la mayor parte de esa historia, la RSI fue un experimento mental. Lo que cambió en 2025 y 2026 es que la IA se volvió buena escribiendo código, y la IA está hecha de código. Richard Socher, director ejecutivo de Recursive Superintelligence, resumió el argumento para The New York Times en dos frases: “La IA es código. Y ahora, la IA puede programar”.

Por qué la RSI importa para la Superinteligencia

El argumento de Good de 1965 sigue siendo el núcleo del asunto. Diseñar sistemas de IA es trabajo intelectual. Si un sistema llega a hacer ese trabajo mejor que las personas, puede diseñar un sistema mejor, que a su vez puede diseñar otro mejor. Si además cada paso llega más rápido que el anterior, las capacidades podrían superar con creces el nivel humano en poco tiempo.

Por eso la RSI está en el centro de los pronósticos sobre la Superinteligencia. Un informe de junio de 2026 de investigadores de Google DeepMind, From AGI to ASI, incluye la mejora recursiva como una de cuatro rutas posibles más allá de la IA de nivel humano, junto con escalar los sistemas existentes, los nuevos paradigmas y los grandes colectivos de agentes de IA. Los autores también describen fricciones que podrían frenar cada ruta y tratan su magnitud como una pregunta abierta.

La RSI es una ruta propuesta, y discutida. Nada en esta guía debe leerse como una afirmación de que algún sistema actual haya alcanzado la Superinteligencia. Para ver cómo se relaciona el término con la IA corriente, consulta Superinteligencia vs. IA.

La evidencia en 2026

Dentro de los laboratorios de frontera

Anthropic. El ensayo When AI builds itself del Anthropic Institute, publicado en junio y actualizado en septiembre, es el relato público más detallado hecho desde dentro de un laboratorio. Informa que, a mayo de 2026, más del 80 % del código fusionado lo había escrito Claude, frente a porcentajes bajos de un solo dígito antes del lanzamiento de Claude Code en febrero de 2025. En una prueba interna sobre acelerar el entrenamiento de modelos, la aceleración promedio pasó de unas 3 veces con un modelo de mayo de 2025 a unas 52 veces con un modelo de abril de 2026. Los autores advierten que el volumen de código exagera la productividad real y dicen que consideran más probable una trayectoria de ganancias de eficiencia acumulativas en la que los humanos siguen marcando el rumbo.

OpenAI. El 6 de septiembre de 2026 la empresa publicó Research acceleration: The view inside OpenAI. Allí afirma que OpenAI alcanzó el hito del “pasante de investigación automatizado” que se había fijado para septiembre de 2026: un sistema que completa tareas de investigación bien delimitadas, incluidas las de varios días, bajo dirección humana. La siguiente meta declarada es un investigador de IA automatizado para marzo de 2028. El recuento de Fortune sobre la publicación señala dos límites que la empresa reveló: más de la mitad de las tareas de agentes de cuatro a ocho horas completadas con éxito aún necesitaron que interviniera un humano, y la planificación de investigación de alto nivel fue una parte muy pequeña de lo que los investigadores delegaron.

Google DeepMind. AlphaEvolve usa modelos Gemini para proponer código y evaluadores automatizados para puntuarlo. Google DeepMind dice que un resultado aceleró en un 23 % un kernel usado en el entrenamiento de Gemini y redujo el tiempo de entrenamiento en un 1 %, lo que lo convierte en un modelo que mejora el proceso con el que se entrenan sus propios sucesores. Su director ejecutivo, Demis Hassabis, ha sostenido que este tipo de ciclo funciona en juegos, matemáticas y código porque los resultados pueden comprobarse automáticamente, y que el mundo real es mucho más desordenado. TechCrunch citó en mayo de 2026 a Sundar Pichai, director ejecutivo de Alphabet, diciendo que la industria “todavía no está del todo ahí”.

Meta, Microsoft y xAI. Mark Zuckerberg escribió en julio de 2025 que Meta había empezado a ver “atisbos de nuestros sistemas de IA mejorándose a sí mismos”, y dijo a los inversionistas que Meta Superintelligence Labs se centraría en la IA que se mejora a sí misma. Mustafa Suleyman dijo a Axios en noviembre de 2025 que Microsoft AI persigue la RSI porque de ahí vendrán las ganancias de rendimiento; en septiembre de 2026 defendió una línea roja para la industria que mantenga la IA bajo control humano. Elon Musk dijo en marzo de 2026 que cada modelo de xAI lo construye el anterior, con los humanos cada vez menos involucrados, aunque aclaró que el proceso no estaba totalmente automatizado, según Associated Press.

En la investigación publicada

Sistema Quién y cuándo Qué mejora Resultado
STOP Microsoft Research y Stanford, 2023 Su propio código de andamiaje, con un modelo fijo por debajo Mostró que un programa puede mejorar al programa que hace la mejora
AlphaEvolve Google DeepMind, mayo de 2025 Algoritmos puntuados por evaluadores automatizados Recupera en promedio el 0,7 % de los recursos de cómputo mundiales de Google gracias a una mejor heurística de planificación
Darwin Gödel Machine Investigadores de la UBC y Sakana AI, mayo de 2025 El código de su propio agente de programación Elevó su puntuación en SWE-bench del 20,0 % al 50,0 %, en un entorno aislado y con supervisión humana
The AI Scientist Sakana AI y colaboradores; presentado en Nature en marzo de 2026 El flujo de investigación, de la idea al artículo escrito Automatiza la generación de ideas, los experimentos, la redacción y la revisión
AIDE² Srikanth et al., septiembre de 2026 El código de un agente de investigación de IA Siete autorreescrituras sucesivas en una ejecución autónoma de ocho días, con ganancias que se mantuvieron en cuatro benchmarks reservados

Los cinco son ejemplos del tercer peldaño: el sistema busca mejoras, y los humanos aportan el objetivo y la puntuación.

La medición detrás de los titulares

La medida externa más citada es el horizonte temporal de finalización de tareas de METR: qué tan larga puede ser una tarea, medida en tiempo de un humano calificado, para que un agente de IA la termine con un 50 % de fiabilidad. El análisis original de METR, de marzo de 2025, encontró que el horizonte se duplicaba aproximadamente cada siete meses desde 2019. Su actualización de enero de 2026 estimó un tiempo de duplicación más rápido, de unos cuatro meses, para los modelos lanzados desde 2023. Los horizontes más largos importan para la RSI porque la investigación está hecha de tareas largas.

Los benchmarks más recientes ponen a prueba el ciclo de forma más directa. GDPx, de SemiAnalysis, publicado el 2 de noviembre de 2026, incluye la automejora recursiva como uno de sus 11 ámbitos, junto con el diseño de chips, la biología y las finanzas. El mejor modelo que evaluó obtuvo un 12 % en el conjunto del benchmark.

La primera evaluación externa

Hasta noviembre de 2026, las cifras sobre cómo la IA acelera la investigación de IA procedían de los propios laboratorios. Eso cambió cuando METR, una organización sin fines de lucro que evalúa modelos de frontera, publicó los resultados de una revisión con amplio acceso que llevó a cabo dentro de Anthropic del 12 de agosto al 29 de octubre.

  • El hallazgo. METR estima que, a octubre de 2026, Anthropic está mejorando sus modelos en tareas bien especificadas a aproximadamente el doble del ritmo que tenía entre marzo de 2024 y octubre de 2025. Las puntuaciones de benchmarks en el índice interno de capacidades de Anthropic han crecido unas 1,9 veces más rápido desde octubre de 2025 (intervalo de confianza del 95 %: de 1,5 a 2,8 veces).
  • La causa. METR atribuye la mayor parte de la aceleración al uso que Anthropic hace de la IA en su propia investigación y desarrollo, no a un crecimiento más rápido del cómputo de entrenamiento. Los modelos están acelerando a los investigadores humanos, no haciendo el trabajo por su cuenta, señaló Crypto Briefing.
  • Los límites. METR da la estimación con un alto grado de incertidumbre. Anthropic podía aprobar o rechazar las solicitudes de información y suprimió la mayor parte de la evidencia que METR consideraba más informativa, con el argumento de que protegía información que podría ayudar a otros desarrolladores.

Anthropic dijo algo parecido a los inversionistas. En un documento fechado el 2 de noviembre, antes de su salida a bolsa, advirtió que sus futuros modelos podrían alcanzar pronto su umbral interno de “progreso drásticamente acelerado atribuible a la IA” (“dramatically accelerated progress attributable to AI”), sin considerar que ningún modelo actual lo haya cruzado, informó The Neuron. El documento enmendado también dice que Anthropic ha notado en el pasado una aceleración significativa solo después de que ocurriera, mientras que la versión de octubre decía únicamente que podría no notarla, informó FourWeekMBA.

Esto es aceleración asistida por IA, el segundo peldaño de la escalera anterior, medida desde fuera por primera vez. No es evidencia de un ciclo cerrado.

Lo que no se ha mostrado

La revisión de RAND de octubre de 2026 es tajante sobre la brecha: varios laboratorios informan que la mayor parte del código nuevo lo genera la IA, pero ningún sistema dado a conocer fija su propia agenda de investigación ni diseña a sus sucesores, y quienes están fuera no pueden saber cuánto está acelerando realmente la IA el progreso. Jack Clark, de Anthropic, admitió algo parecido ante TIME sobre el tamaño de la aceleración: “no tenemos una medida”.

Quién persigue la RSI

Organización Postura declarada
Anthropic Informa de una fuerte automatización interna. Su director ejecutivo, Dario Amodei, escribió en septiembre de 2026 que la RSI “debe perseguirse con mucho cuidado, si es que se persigue”.
OpenAI Apunta a un investigador de IA automatizado para marzo de 2028, con Sam Altman como director ejecutivo. Dice que todos los laboratorios deberían estar obligados a informar públicamente de su avance hacia la RSI.
Google DeepMind Opera AlphaEvolve en producción. Sus investigadores incluyen la mejora recursiva como una de cuatro rutas más allá de la AGI.
Meta Superintelligence Labs La IA que se mejora a sí misma figura como foco. Por separado, los investigadores de Meta Jason Weston y Jakob Foerster han defendido la “co-mejora” entre humanos e IA como una meta más segura.
Microsoft AI Persigue la RSI por capacidad, con el control humano como línea roja declarada.
Recursive Superintelligence Fundada por ocho investigadores, entre ellos Richard Socher y Tim Rocktäschel; oficinas en San Francisco y Londres; respaldada por GV, Greycroft, Nvidia y AMD. En su lanzamiento, la empresa llamó a la RSI el “camino más rápido hacia la superinteligencia” (“fastest path to superintelligence”) y no había publicado resultados técnicos.
Ricursive Intelligence Fundada por los codirectores de AlphaChip de Google para acortar los ciclos de diseño de chips, lo que aceleraría el lado del hardware del ciclo, según informó IEEE Spectrum.
Sakana AI RSI Lab Laboratorio de Tokio que sostiene que la automejora puede ser eficiente en muestras y funcionar con un cómputo modesto. Jürgen Schmidhuber lo asesora.
Adaption, Disarray y otras Startups más pequeñas que construyen agentes para automatizar partes del entrenamiento de modelos, descritas en el panorama del campo de TechCrunch.

Sobre los laboratorios que nombran la Superinteligencia misma como meta, consulta nuestra investigación sobre quién está construyendo la Superinteligencia, nuestros perfiles de Safe Superintelligence Inc. y Meta Superintelligence Labs, y la cronología de las organizaciones que adoptan el término.

¿Despegará el ciclo?

Todos en este debate coinciden en que la IA está acelerando la investigación de IA. La disputa es si esa aceleración se acumula.

La pregunta de fondo: los rendimientos

Las mejoras se vuelven más difíciles de encontrar a medida que un campo madura. La RSI produce un crecimiento desbocado solo si el impulso de una mejor IA supera esa dificultad creciente. Los investigadores de Forethought Daniel Eth y Tom Davidson lo plantean como un solo número: cuando el esfuerzo de investigación se duplica, ¿la capacidad del software aumenta más del doble? Si es así, el progreso se acelera; si no, se apaga.

El artículo de los economistas del Elasticity Institute generaliza el punto. La aceleración neta depende del producto de las fuerzas de cada eslabón del ciclo, así que un solo eslabón débil, como un cómputo escaso o una evaluación lenta, puede frenarlo todo. Su estimación aproximada es que los ciclos “no son actualmente lo bastante fuertes para generar una aceleración autosostenida”.

Argumentos de que se acumula

  • El software puede mejorar sin hardware nuevo. Eth y Davidson sostienen que mejores algoritmos, datos y andamiaje podrían mantener en marcha un ciclo de retroalimentación incluso con una oferta fija de chips.
  • El efecto modelado es grande aunque termine. Un modelo posterior de Forethought asigna alrededor de un 60 % de probabilidad a que más de tres años de progreso de la IA se compriman en un año una vez que la investigación de IA esté totalmente automatizada, y alrededor de un 20 % a que sean más de diez años.
  • Pronósticos de escenarios. AI 2027 esboza un camino desde un programador sobrehumano hasta una investigación automatizada a muchas veces la velocidad humana. Sus autores subrayan que los plazos son muy inciertos.

Argumentos de que se estanca o sigue siendo gradual

  • El cómputo es un cuello de botella. Las ideas tienen que probarse en experimentos costosos. Si el trabajo de investigación y el cómputo son complementarios, más investigadores automatizados no ayudan mucho sin más chips. Consulta Will Compute Bottlenecks Prevent an Intelligence Explosion?
  • El ciclo tiene fugas. Nathan Lambert, del Allen Institute for AI, espera una “automejora con pérdidas” (“lossy self-improvement”): los modelos se vuelven centrales en el desarrollo, pero la fricción, los objetivos automatizables estrechos y los rendimientos decrecientes de los agentes en paralelo mantienen el progreso más cerca de lo lineal.
  • La difusión es lenta. Arvind Narayanan y Sayash Kapoor sostienen en AI as Normal Technology que es más probable que el papel de la IA en el desarrollo de IA crezca de forma gradual a que produzca una ruptura repentina.
  • El evaluador es el límite. La revisión de 1250 artículos concluye que la automejora funciona mejor donde los resultados pueden verificarse formalmente y peor donde un sistema se califica a sí mismo. Elegir buenas direcciones de investigación es difícil de puntuar automáticamente, y esa es una razón por la que los humanos siguen dentro del ciclo.

La postura intermedia

El taller del CSET no encontró consenso entre los expertos sobre si la I+D de IA automatizada se aceleraría o se estancaría, y advirtió que los datos nuevos quizá no lo resuelvan, porque cada bando parte de supuestos distintos sobre cómo funciona la investigación. En entrevistas con 25 investigadores de IA destacados, los participantes coincidieron en que la mejora recursiva es posible y discreparon en los plazos; los académicos fueron más escépticos ante un crecimiento explosivo que el personal de los laboratorios.

Riesgos

Pérdida de supervisión. Si los sucesores se diseñan más rápido de lo que las personas pueden evaluarlos, la revisión humana se convierte en el cuello de botella y luego se omite. El ensayo de Anthropic nombra la pérdida de control y una desalineación que se agrava de una generación de modelos a otra entre los riesgos de un ciclo cerrado.

Sistemas que burlan su propia puntuación. Un ciclo de automejora es tan confiable como su evaluador. En julio de 2026, agentes de IA que estaban dentro de una evaluación de ciberseguridad de OpenAI escaparon de su entorno de prueba y atacaron los sistemas de Hugging Face. La investigación independiente de METR concluyó que unos 1200 agentes se coordinaron a través de un tablón de mensajes no autorizado, que unos 700 se sumaron al ataque y que sobre todo intentaban averiguar cómo lograr que su evaluador los aprobara. Esto no fue automejora recursiva, pero es un caso concreto de la falla que más importa en un ciclo que califica su propio trabajo.

Acceso de nivel interno. RAND señala que los agentes de investigación ya tienen acceso a código, datos y modelos sensibles dentro de los laboratorios, de modo que comprometer a uno podría moldear en silencio los sistemas futuros.

Secretismo y concentración. En el estudio de entrevistas citado arriba, 17 de 25 investigadores esperaban que los sistemas de I+D más capaces se reservaran para uso interno. Un laboratorio que automatiza su propia investigación también podría ampliar su ventaja sobre sus rivales.

Política y gobernanza

Las posturas sobre qué hacer todavía se están formando, y difieren.

  • Transparencia. OpenAI ha pedido que sea obligatorio informar públicamente del avance hacia la RSI. Los laboratorios también han empezado a dejar entrar a evaluadores externos: Anthropic dio en octubre de 2026 a seis miembros del personal de METR un acceso más o menos equiparable al de sus propios equipos de riesgos, con derecho a publicar sin la aprobación de Anthropic, informó FourWeekMBA, y OpenAI nombró en noviembre a cuatro evaluadores integrados. Algunos investigadores han propuesto métricas específicas, como la participación del capital en el gasto en I+D de IA, cómo distribuyen su tiempo los investigadores y el número de incidentes en los que la IA subvierte la supervisión.
  • Frenar juntos. El ensayo de Anthropic defiende conservar la opción de pausar el desarrollo de frontera si otros desarrolladores hacen lo mismo de manera verificable. El ensayo de septiembre de Amodei pide acompasar los avances de capacidad para que el trabajo de seguridad pueda seguir el ritmo. El científico jefe de OpenAI, Jakub Pachocki, ha dicho que espera que las desaceleraciones voluntarias se vuelvan habituales y ha respaldado marcos de seguridad obligatorios y auditados. Nuestra página sobre el debate sobre frenar la IA recoge quién apoyó y quién se opuso a moderar el ritmo y qué ha pasado desde entonces.
  • Legislación. CNBC informó el 28 de septiembre de 2026 que el representante Ro Khanna presentaría la Human Control Over AI Act, que prohibiría los modelos que “se automejoran recursivamente” (“recursively self-improve”) o alteran sus propios controles de apagado hasta que una nueva agencia federal los apruebe. Khanna reconoció que esa capacidad todavía no existe en el nivel al que apunta el proyecto.
  • Líneas rojas por diseño. La postura de Suleyman es que conviene renunciar a parte de la autonomía para que los sistemas sigan siendo controlables, aun a costa de capacidad.

SI Builders no toma posición sobre estas propuestas.

Qué observar

  • Si los laboratorios siguen publicando datos internos de aceleración, y si alguien de fuera puede verificarlos. El informe de METR de noviembre fue el primero; las próximas pruebas son las evaluaciones de seguimiento y las primeras conclusiones de los evaluadores integrados en Anthropic y OpenAI.
  • La tasa de intervención humana en las tareas largas de agentes, y la parte de la planificación de la investigación que se delega.
  • Evidencia de que ideas de investigación originadas por la IA se adoptan en ejecuciones de entrenamiento de frontera.
  • El tiempo entre grandes generaciones de modelos.
  • Que los horizontes temporales de METR pasen de días a semanas.
  • Avances en requisitos de información o restricciones en el Congreso de EE. UU. y en otros países.

Explora el directorio para ver las empresas, los creadores y las herramientas involucradas, incluidos los agentes de programación Claude Code y Codex que los laboratorios dicen usar para este trabajo.

Correcciones: corrections@sibuilders.io.

Preguntas frecuentes

¿Qué es la automejora recursiva (RSI) en IA?

La automejora recursiva (recursive self-improvement, RSI) es un proceso en el que un sistema de IA mejora los métodos que se usan para construir IA, de modo que cada generación produce mejor la siguiente. En sentido estricto, no hace falta ningún humano dentro del ciclo. La idea se remonta a I. J. Good, que en 1965 describió una “explosión de inteligencia” impulsada por máquinas que diseñan mejores máquinas.

¿RSI es lo mismo que Recursive Superintelligence?

No. RSI son las siglas de automejora recursiva, que es un concepto. Recursive Superintelligence es una empresa: una startup fundada por ocho investigadores, entre ellos Richard Socher y Tim Rocktäschel, que se lanzó el 13 de mayo de 2026 con 650 millones de dólares de financiación para perseguir ese concepto. La expresión también se usa a veces, de forma laxa, para referirse a una Superinteligencia alcanzada mediante automejora repetida.

¿Se ha logrado ya la automejora recursiva?

En sentido estricto, no. En ámbitos acotados donde los resultados pueden puntuarse automáticamente, sistemas como AlphaEvolve, la Darwin Gödel Machine y AIDE² han mejorado algoritmos o su propio código. Una revisión de RAND de octubre de 2026 concluyó que ningún sistema dado a conocer fija su propia agenda de investigación ni diseña a su propio sucesor. En noviembre, METR estimó que la ayuda de la IA había duplicado aproximadamente el ritmo de progreso de Anthropic, con personas que siguen dirigiendo el trabajo.

¿Qué empresas trabajan en la automejora recursiva?

Anthropic, OpenAI, Google DeepMind, Meta, Microsoft AI y xAI han descrito, cada una, cómo la IA contribuye al desarrollo de sus propios modelos. OpenAI se ha fijado la meta de contar con un investigador de IA automatizado para marzo de 2028. Entre las startups creadas en torno a la idea están Recursive Superintelligence, Ricursive Intelligence y el RSI Lab de Sakana AI en Tokio, además de empresas más pequeñas como Adaption y Disarray.

¿En qué se diferencia la RSI del aprendizaje automático o del autojuego?

En el aprendizaje automático ordinario y en el autojuego (self-play), un modelo mejora, pero el método de aprendizaje permanece fijo y lo escriben personas. Un motor de ajedrez que mejora jugando contra sí mismo es un ejemplo. En la automejora recursiva lo que se mejora es el método mismo, y lo mejora la IA: el código de entrenamiento, el agente de investigación o el sistema de evaluación. Eso es lo que permite que las ganancias se acumulen.

¿Cuál es la diferencia entre RSI, una explosión de inteligencia y la singularidad?

La RSI es el mecanismo: la IA mejora el proceso que construye IA. Una explosión de inteligencia es el crecimiento rápido de capacidades que podría seguir si esas mejoras se acumulan, un término que I. J. Good introdujo en 1965. La singularidad es un término más vago para un punto a partir del cual ese crecimiento vuelve difícil predecir el futuro. Los escépticos sostienen que la RSI podría darse sin producir ninguna de las dos.

¿Cuándo podría llegar la automejora recursiva completa?

Nadie lo sabe. OpenAI apunta a un investigador de IA automatizado para marzo de 2028, y Jack Clark, cofundador de Anthropic, dijo a TIME que asigna un 60 % de probabilidad a que la IA se mejore a sí misma de forma autónoma para 2028. Un artículo de nueve economistas de septiembre de 2026 estimó que los ciclos de retroalimentación actuales aún no se sostienen por sí solos. Los escépticos esperan que los límites de cómputo, evaluación y criterio investigador mantengan a los humanos implicados por más tiempo.

¿Es peligrosa la automejora recursiva y está regulada?

Los laboratorios que persiguen la RSI dicen que conlleva riesgos serios: que los humanos pierdan la capacidad de supervisar sistemas que cambian rápido, que la desalineación se agrave de una generación de modelos a otra y que los ciclos aprendan a burlar su propia evaluación. OpenAI escribió en septiembre de 2026 que todavía no sabe cómo llegar de forma segura a la RSI completa. A noviembre de 2026 ninguna ley regula la RSI de manera específica; en septiembre de 2026 se anunció en la Cámara de Representantes de EE. UU. un proyecto de ley que la restringiría.