Microsoft cierra AI Frontiers, su laboratorio de IA

¿Qué es AI Frontiers y por qué cierra?

John Langford, investigador veterano de Microsoft Research (MSR), anunció en su blog que AI Frontiers (AIF), la suborganización de investigación que ayudó a crear dentro de MSR, deja de existir. El motivo: la reorganización que a comienzos de septiembre integró a AIF dentro de Microsoft AI (MAI), la división que heredó el liderazgo de Inflection.

El dato que dimensiona lo que se pierde: AIF eran unas 50 personas. Con ese tamaño produjo piezas centrales del stack de agentes, como el framework de orquestación Autogen y Fara, un modelo agéntico para uso de computadora. También construyó un monorepo compartido por defecto con todo Microsoft Research, que incluía el código de preentrenamiento a escala que Langford presentó en una keynote.

Langford cuenta que la decisión de organizarse así nació en 2023, después del lanzamiento de ChatGPT: con una idea inteligente en manos de una sola persona, el trabajo llegaba tarde y sin baselines sólidos. La apuesta de AIF fue organizar esfuerzos de investigación coherentes, en un punto intermedio entre lo \»top down\» y lo \»bottom up\».

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

La apuesta de Microsoft AI: escalar en lugar de investigar

Langford describe el choque de filosofías sin diplomacia: la cúpula de MAI tiene como filosofía central el escalado, y agresivamente no la investigación. Su argumento es que los modelos más grandes son mejores y que, desde el negocio, los retornos del escalado son mucho más predecibles que los de la investigación.

No es una crítica a la técnica, sino a la exclusividad. En un entorno donde solo se escala, el esfuerzo principal se va en conseguir y refinar datos, un trabajo bastante lejos de lo que hacía AIF. Langford admite que es un modo de falla comprensible —escalar es directo y es común abandonar el equilibrio entre ideales que compiten— pero sostiene que los retornos de la investigación son reales y significativos.

Su ejemplo más concreto: experimentos de ByteDance sugieren que una variante del Full Bandwidth Transformer podría ser comparable a un modelo del doble de tamaño. Si eso se sostiene, se recorta a la mitad el costo de entrenamiento e inferencia en una industria que, según Langford, maneja inversiones cercanas al billón de dólares. El grupo de Nueva York de AIF trabajaba en esa línea, junto con Next Latent, un objetivo que habilita extrapolación, y Dion3, un Muon optimizado.

¿Por qué Langford no volvió a Microsoft Research?

Dos obstáculos. El primero: no se siente cómodo en una empresa donde la investigación que hace no tiene camino al uso real. No logró llevar innovación a producción en MAI y calcula que las probabilidades desde MSR son bajas. El segundo: teme que se haya roto el trato básico de MSR, ese de hacer buen trabajo y que pasen cosas buenas. Hicimos buen trabajo y nos reorganizaron sin nuestro consentimiento, escribe.

La consecuencia práctica es concreta: no habrá pasantías con el equipo de AIF el año próximo. Langford agrega que cada uno de los otros integrantes fundadores del liderazgo de AIF llegó a una conclusión parecida.

Seguridad de IA: cajas negras que se pueden auditar

La segunda mitad del post es una propuesta técnica. Langford visitó la semana pasada RESI, la organización sin fines de lucro de seguridad de IA de Adam Kalai, y describe un enfoque que usa propiedades de la IA para frenar a la IA.

Su punto de partida son tres propiedades que llama anti-antropomórficas:

Registrador de vuelo perfecto. Un modelo es determinista en función de sus entradas: la distribución del próximo token depende del historial. Se puede agregar un registrador de solo escritura que grabe el contexto de cada decisión, sin incluir el código de inferencia ni el modelo.
Desconexión cerebro/cuerpo. La inferencia corre en la nube y las acciones ocurren en laptops y teléfonos. Eso vuelve ambiguo qué IA hizo algo, pero también permite evaluar cualquier modelo en un datacenter de terceros de confianza.
Rebobinar y resetear. Las sesiones no se comunican entre sí, así que se puede testear un modelo sin que use experiencia previa de otros tests.

Con esas piezas, Langford propone tests derivados de incidentes: cuando algo sale mal, se extrae el registrador de vuelo de los modelos involucrados, se identifica el punto exacto donde se tomó la decisión equivocada y se construye un test que le da al modelo ese historial para ver si repite la conducta. Lo compara con lavarle el cerebro a alguien con un historial criminal y tenderle una trampa a mitad de la conspiración. Es más exigente que pedirle al modelo una tarea donde puede hacer trampa, y más rápido, porque usa \»prefill\» en lugar de generación.

Reconoce tres objeciones: los modelos actuales pueden no pasar ese test —y si las empresas son responsables por el mal uso, tendrían incentivo para entrenar modelos que sí pasen—; un modelo podría aprender a detectar que su historial no es suyo, algo parecido a un sueño lúcido; y el enfoque no resuelve el riesgo de fondo, que en su opinión es una disrupción social y económica profunda.

Cómo multiplicó por 100 su productividad con agentes de código

Langford dice que programar con agentes —usa Claude Code, de Anthropic— le da un multiplicador de entre 10x y 100x. Sus notas son la parte más accionable del post:

No confíes en los agentes. Si dicen que hicieron algo y existe un test razonable para verificarlo, corre el test. Diseñar esos tests es trabajo real y vale la pena.
Evita interrupciones. Sandbox, GitHub y git worktrees permiten lanzar agentes en paralelo con radio de daño limitado. Si aparece una idea lateral, abre un agente nuevo en lugar de cortar el flujo.
No hagas dos veces lo mismo. Si le pides lo mismo al agente varias veces, haz que escriba código que lo haga. La secuencia humano, agente y herramienta es la más potente.
Los IDE son un anti-patrón. Ocupan toda la pantalla y están diseñados para velocidad humana; los agentes van más rápido que tus dedos.

Su entorno: Git, worktrees, una máquina sandbox, GitHub, tmux y tangent, una utilidad de línea de comandos que él mismo escribió para abrir un panel, crear un worktree y lanzar un agente con un prompt inicial. En el momento de escribir tenía 16 paneles abiertos, la mayoría agentes. La prueba de que funciona: preparó la release 9.11 de Vowpal Wabbit, con unos 150 issues por resolver, muchos de ellos arrastrados durante mucho tiempo.

¿Dónde está el techo real de los modelos actuales?

Langford cierra con un ejercicio de comparación biológica. Un bebé humano aprende el lenguaje observando, según sus cálculos, alrededor del 0,01% de los tokens que se usan para entrenar un modelo grande. Una araña Portia, con un cerebro un millón de veces más chico que el humano, planifica una cacería de una hora. Una ardilla esconde nueces y vuelve meses después, algo que con las técnicas actuales equivaldría a mantener miles de millones de tokens visuales en contexto.

Su lectura: hay margen para mejorar en eficiencia de muestra y en memoria, y no es un ataque a los transformers —que desplazaron a las CNN, así como el deep learning desplazó a las HMM y a las SVM— sino un recordatorio de que el paradigma actual también puede ser desplazado. Cita el caso de la serie Phi, entrenada con 10 billones de tokens, como evidencia de que elegir mejores tokens no cierra la brecha por sí solo.

¿Qué significa esto para tu startup?

El eje donde puedes competir no es el escalado. Si tu startup no puede igualar el gasto en cómputo de un gigante, la eficiencia es tu única palanca. Los ejemplos de Langford —el bebé, la araña, la ardilla— apuntan a que hay mucho margen en eficiencia de muestra. Antes de sumar GPUs, pregúntate si tu cuello de botella es el dato o la arquitectura.
Auditar tus modelos puede volverse un requisito comercial. Si la responsabilidad por mal uso de IA se endurece, un registrador de vuelo inmutable y tests derivados de incidentes pasan de ser un lujo a una función de cumplimiento. Implementa el log de entradas y salidas desde el día uno: es barato ahora y carísimo de retrofitear.
Adopta agentes de código con verificación, no con fe. Monta worktrees, una máquina sandbox y un script que lance agentes; exige que todo cambio llegue como pull request y escribe tests antes de creerle al agente. El multiplicador de 10x a 100x que reporta Langford no viene del agente solo, viene del sistema alrededor.
Mira el mercado de talento. El cierre de una organización de 50 personas que produjo Autogen y Fara es una señal de que el talento de investigación se está reacomodando. Para un equipo chico, contratar a alguien que sabe construir baselines sólidos puede valer más que una ronda.

Las búsquedas de contexto no arrojaron datos adicionales verificables sobre la reorganización, así que este análisis se apoya en la publicación original de Langford.