La inteligencia artificial ya participa en el diseño de su propia sucesora
La próxima gran frontera de la inteligencia artificial (IA) ya no consiste únicamente en construir modelos que acumulen más conocimiento, sino en lograr que la propia IA participe activamente en la creación de su sucesora. Laboratorios y empresas emergentes de todo el mundo desarrollan sistemas capaces de investigar, aprender de experimentos físicos y automatizar partes del trabajo científico, un cambio que promete acelerar la evolución tecnológica de forma radical.
Durante años, la idea de que una máquina pudiera mejorar otros sistemas de IA o aprender de experiencias generadas por ella misma se mantuvo en el terreno de la investigación teórica. Hoy, sin embargo, comienza a materializarse en proyectos concretos: desde laboratorios que automatizan el trabajo científico hasta modelos conectados a simulaciones y experimentos físicos.
¿Qué es la mejora recursiva y por qué es tan importante?
La mejora recursiva es el concepto central de esta nueva etapa. Consiste en que una IA detecte sus propias limitaciones, diseñe una versión mejor de sí misma, la desarrolle, compruebe que funciona y repita ese proceso sin depender de la intervención humana. Aunque aún no se ha demostrado por completo, varias empresas ya trabajan para cerrar ese círculo.
Richard Socher, reconocido investigador, ha fundado Recursive Superintelligence con ese objetivo específico. La compañía salió de su etapa de sigilo en mayo de 2026 con 650 millones de dólares en financiación. Según TechCrunch, su ambición es desarrollar sistemas capaces de detectar sus propias debilidades, proponer mejoras, implementarlas y verificar si han funcionado. Socher admite que nadie ha logrado todavía una mejora recursiva completa, pero sostiene que automatizar cada vez más pasos de ese proceso puede acelerar de forma radical la investigación.
Más allá de los grandes modelos de lenguaje
Yann LeCun, uno de los nombres más influyentes en el campo de la IA, dejó Meta para fundar AMI Labs, una empresa que busca desarrollar una alternativa a la idea de que el futuro de la IA depende simplemente de seguir ampliando los grandes modelos de lenguaje (LLM). AMI quiere construir sistemas capaces de razonar, planificar y modelar el mundo real.
LeCun lleva años defendiendo que los LLM son excelentes manipulando lenguaje, pero carecen de capacidades esenciales para comprender el mundo físico y actuar en él con autonomía. Su compañía contempla aplicaciones en fabricación, industria aeroespacial y farmacia.
Los world models: máquinas que anticipan el futuro
En este contexto surgen los llamados world models, cuyo objetivo es que una máquina no solo reconozca lo que tiene delante, sino que pueda anticipar qué ocurrirá después. Para un robot no basta con identificar un vaso: debe calcular cómo acercarse, qué puede suceder si lo empuja, cuánta fuerza aplicar o cómo reaccionar si el objeto se mueve.
Fei-Fei Li, otra figura destacada del sector, persigue una versión distinta de esa idea con World Labs. La compañía denomina inteligencia espacial a su intento de desarrollar sistemas capaces de comprender y operar sobre entornos tridimensionales. Con su herramienta Marble genera mundos en 3D persistentes a partir de texto, imágenes o vídeo, con el fin de crear espacios en los que humanos y agentes puedan interactuar, simular situaciones y aprender de ellas.
Por su parte, General Intuition utiliza millones de horas de videojuegos como referencia. La compañía, nacida de Medal, una plataforma de clips de partidas, dispone no solo de vídeo, sino también de registros que indican qué acciones realizaron los jugadores en cada momento. Estas etiquetas de acción permiten relacionar directamente una decisión con lo que ocurrió a continuación. Su fundador, Pim de Witte, sostiene que estos datos permiten enseñar a la IA cómo se relacionan las acciones con sus consecuencias. General Intuition ha mostrado un modelo entrenado en videojuegos que, tras solo ocho minutos de datos reales, pudo controlar un robot cuadrúpedo.
De la simulación al laboratorio físico
Lila Sciences lleva esta idea fuera de la simulación y la traslada al laboratorio. Sus AI Science Factories combinan modelos de IA, instrumentos científicos y automatización para plantear hipótesis, diseñar experimentos, ejecutarlos y utilizar los resultados como nuevos datos. La compañía trabaja en química, materiales y biología.
En lugar de limitarse a analizar información existente, la IA participa también en la creación de nuevos datos. Lila quiere que cada experimento alimente el siguiente ciclo de investigación y ayude a mejorar sus modelos.
También hay que citar el caso de Inherent, fundada por antiguos investigadores de DeepMind, que plantea un laboratorio en el que humanos y agentes de IA mejoren no solo los resultados, sino también la manera de investigar. Según un documento de Index Ventures, que lideró su ronda inicial, la idea es trasladar a una empresa parte de la dinámica habitual de la ciencia: mejores herramientas producen mejores descubrimientos, y esos descubrimientos permiten construir herramientas todavía mejores.
AlphaEvolve: el ejemplo más claro de la nueva generación
Google DeepMind ofrece uno de los ejemplos más claros de cómo podría funcionar esta nueva generación de sistemas. AlphaEvolve, una herramienta creada para descubrir y mejorar algoritmos, parte de una idea sencilla: Gemini propone distintas soluciones a un problema, esas soluciones se prueban automáticamente y el sistema se queda con las que dan mejores resultados. Después vuelve a trabajar sobre ellas para intentar encontrar una versión todavía mejor.
DeepMind asegura que este método ya se ha utilizado para optimizar centros de datos de Google, mejorar procesos relacionados con chips, acelerar partes del entrenamiento de Gemini y resolver problemas matemáticos.
El interés de AlphaEvolve está en que no se limita a dar una respuesta. Puede proponer una solución, comprobar si funciona y volver a intentarlo a partir de ese resultado. Ese ciclo es precisamente una de las claves de esta nueva etapa de la inteligencia artificial.
Sin embargo, también tiene límites. Funciona especialmente bien cuando es fácil medir si una solución es mejor que otra, como ocurre en programación o matemáticas. En biología, robótica o investigación física, donde los experimentos son más lentos y dependen de muchas variables, cerrar ese ciclo resulta mucho más difícil.
¿Cuánto dinero está moviendo esta apuesta?
El volumen de capital que están captando estas compañías muestra la magnitud de la apuesta. AMI Labs ha levantado 1.030 millones de dólares; World Labs, 1.000 millones; Recursive Superintelligence, 650 millones; Lila Sciences, 550 millones, y General Intuition, 454 millones de dólares. Según TechCrunch, esta última ya negocia una nueva ronda con una valoración previa de 6.000 millones de dólares, apenas unas semanas después de haber sido valorada en 2.300 millones.
Los inversores no apuestan solo por los ingresos que estas empresas puedan generar en el futuro. También quieren entrar pronto en tecnologías que podrían convertirse en piezas básicas de la próxima generación de IA. Un sistema capaz de comprender y predecir mejor el mundo físico podría utilizarse en robótica, automoción o industria.
Según la Universidad de Stanford, la inversión privada mundial en IA creció un 127,5% en 2025 y las rondas de al menos 1.000 millones de dólares casi se duplicaron. Fondos y grandes tecnológicas compiten por entrar antes que sus rivales: si alguna de estas arquitecturas acaba siendo fundamental, quedarse fuera ahora significa perder el acceso a una futura plataforma dominante.
Pero levantar mucho capital no demuestra que la tecnología vaya a funcionar. Recursive comprometió 410 millones de los 650 millones captados en capacidad de cómputo con AWS, y General Intuition también prevé dedicar una parte importante de su financiación a infraestructura. Estas compañías necesitan gastar cientos de millones solo para poder poner a prueba sus propias hipótesis.
La apuesta de LeCun por otros fundadores
Yann LeCun ya no está intentando solo demostrar que el futuro de la IA puede ir más allá de los grandes modelos de lenguaje. También ha empezado a decidir qué otros equipos merecen financiación. En agosto se incorporó a 224 Ventures, un fondo que dirigirá junto a Oriol Vinyals, investigador de Google DeepMind, y Shaun Johnson, fundador de AIX Ventures. Según Sifted, la firma cuenta con unos 100 millones de dólares bajo gestión y prevé invertir entre uno y cinco millones por operación en empresas emergentes de IA.
224 Ventures se define como un fondo creado por innovadores de IA para innovadores de inteligencia artificial y busca equipos que trabajen en aplicaciones, robótica, infraestructura y core intelligence. Su base de inversores está formada principalmente por personas del propio sector: investigadores de frontera, responsables de ingeniería y producto, ejecutivos y fundadores tecnológicos.
La relevancia va más allá de un nuevo cargo. En un campo en el que es difícil distinguir un avance real de una demostración llamativa, tener científicos de primer nivel tomando decisiones de inversión puede dar al fondo una ventaja para evaluar tecnología muy temprana. Pero también concentra influencia: algunos investigadores que defienden determinadas ideas sobre hacia dónde debe avanzar la IA empiezan a disponer del capital necesario para impulsar esas mismas líneas de trabajo.
¿Qué significa esto para el futuro de la investigación?
La novedad no está en que la inteligencia artificial se sustituya a sí misma, sino en que empieza a participar en su propio aprendizaje. Si estos sistemas logran cerrar ese ciclo a escala, el salto será importante: pasar de modelos que responden con conocimiento existente a máquinas capaces de generar experiencia y aprender de ella.
La gran duda es si estas empresas están construyendo tecnologías que cambiarán la IA o si el entusiasmo inversor se adelanta a los resultados. No bastará con levantar más dinero o alcanzar valoraciones millonarias: tendrán que demostrar que su tecnología funciona, que resuelve problemas concretos y genera un negocio sostenible.
Para Costa Rica, un país que ha apostado por la educación, la innovación y la apertura al mundo, este avance plantea oportunidades y desafíos. La IA que se mejora a sí misma podría transformar sectores como la educación, la salud y la agricultura, pero también exige una reflexión sobre cómo garantizar que estos desarrollos se orienten al bien común y al fortalecimiento de nuestras instituciones democráticas.
Preguntas frecuentes sobre la IA que diseña su sucesora
¿Ya existe una IA capaz de crearse a sí misma?
No. Ninguna empresa ha demostrado todavía una mejora recursiva completa, es decir, una IA que detecte sus limitaciones, diseñe una versión mejor de sí misma y la desarrolle sin intervención humana. Lo que existe son sistemas que automatizan partes del proceso de mejora, como AlphaEvolve de Google DeepMind.
¿Qué es la mejora recursiva?
Es el proceso por el cual una IA detecta sus propias debilidades, diseña una versión mejorada de sí misma, la implementa, comprueba que funciona y repite el ciclo sin depender de humanos. Es considerado el santo grial de la investigación en IA.
¿Cuánto dinero están invirtiendo las empresas en esta tecnología?
Las cifras son millonarias: AMI Labs ha levantado 1.030 millones de dólares, World Labs 1.000 millones, Recursive Superintelligence 650 millones, Lila Sciences 550 millones y General Intuition 454 millones. La inversión privada mundial en IA creció un 127,5% en 2025.
¿Qué son los world models?
Son sistemas de IA diseñados para comprender y predecir el mundo físico, no solo reconocer objetos. Permiten que una máquina anticipe qué ocurrirá después de una acción, lo cual es esencial para la robótica y la automatización industrial.