Dwarkesh Patel: IA igualará a investigadores en 2028

La IA ya acelera la investigación en IA: el dato que cambió el debate

METR, la organización independiente de evaluación de modelos, pasó once semanas dentro de Anthropic —del 12 de agosto al 29 de octubre— y concluyó que los modelos de la compañía mejoran en tareas bien especificadas a un ritmo 1,9 veces mayor que entre marzo de 2024 y octubre de 2025. En su índice compuesto de capacidades, Anthropic pasó de sumar unos 15 puntos por año a unos 29.

El detalle que importa para cualquier founder: METR estima que cerca del 80% de esa aceleración proviene del uso de IA en la propia investigación de Anthropic, no de un crecimiento más rápido del cómputo de entrenamiento. Un empleado lo resumió en las entrevistas del informe: «Ahora el cuello de botella son las ideas y el cómputo, ya no el código».

Ese es el corazón del ensayo que Dwarkesh Patel publicó esta semana: la IA dejó de ser solo una herramienta que usas para pasar a ser una herramienta que mejora la herramienta. Y eso rompe varios de los supuestos con los que la mayoría de las startups planea sus próximos 24 meses.

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 →

¿Qué dice el ensayo de Dwarkesh sobre la automatización de la investigación en IA?

Patel reconoce que a comienzos de año habría dicho que faltaba «la mayor parte de una década» para la superinteligencia. Hoy sostiene que estamos a un par de años —y posiblemente a un par de meses— de tener IAs tan buenas como los mejores humanos investigando IA.

Su estimación mediana para ese hito es 2028. Le pone un 25% de probabilidad a que no ocurra hasta después de 2032, y no descarta 2027. Tres datos del propio sector sostienen su cambio de opinión:

OpenAI publicó en septiembre que el 10% de sus investigadores que más usa agentes internos de código pasó de gastar alrededor de US$1.000 por día a comienzos del verano a más de US$7.000 por día a fines de agosto.
Anthropic reportó que, en agosto, Claude «lideraba» más del 26% del trabajo de I+D de la compañía, cuando en febrero esa cifra era inferior al 1%.
METR concluyó, tras tres meses embebido en Anthropic, que la tasa general de progreso en tareas bien delimitadas es el doble de la de un año antes, y que la mayor parte de esa aceleración es atribuible al uso extensivo de IA para hacer I+D.

Hay que leer esos números con pinzas. El propio informe de METR admite que el factor real de aceleración podría ir de 1,1x a 2,9x según la elección de modelo estadístico, y que si se incluyen los modelos de OpenAI, Google y xAI, la aceleración de toda la industria baja a 1,4x. Además, Anthropic censuró la mayoría de la evidencia que METR consideró más informativa, según reportó The Decoder. La conclusión se sostiene, pero la verificación independiente es más débil de lo que debería.

La matemática como anticipo: de no sumar cifras a resolver un Millennium Prize

Patel usa la matemática como vista previa. La secuencia que describe es vertiginosa: en 2023 los modelos no sumaban números de cuatro dígitos de forma confiable; en 2024 apenas resolvían problemas de olimpiadas escolares; en 2025 ganaron medalla de oro en la Olimpiada Internacional de Matemática; a comienzos de este año resolvían problemas abiertos de Erdős; y hace aproximadamente un mes, uno resolvió un problema del Millennium Prize en 88 horas.

Ese último caso está documentado. Según Quanta Magazine, el 8 de septiembre matemáticos de OpenAI anunciaron que unos 10.000 agentes autónomos de IA, corriendo sobre un modelo interno no público, encontraron una singularidad en las ecuaciones de Navier-Stokes en tres dimensiones, resolviendo uno de los seis problemas Millennium que quedaban abiertos. La prueba fue verificada formalmente en Lean. Los agentes enviaron casi 5 millones de mensajes entre sí y Sébastien Bubeck, de OpenAI, estimó el costo computacional en varios millones de dólares.

El anuncio también abrió una disputa por el crédito. OpenAI cedió la prioridad del resultado de Euler en 3D a Tristan Buckmaster (NYU) y Levent Alpöge (Anthropic), que habían resuelto problemas relacionados, pero reclama la del resultado de Navier-Stokes.

Vale el contraste: un análisis reproducido por Phys.org sostenía que los seis problemas Millennium restantes «parecen tan completamente fuera del alcance de la IA como de nosotros los humanos». Ese texto es previo al anuncio.

¿Por qué la investigación en IA es más automatizable que la matemática pura?

Acá está el argumento más útil del ensayo, y el menos obvio. En matemática, el objetivo no es solo probar conjeturas: es extender la comprensión humana de los conceptos. Inventar la topología o la teoría de grupos importa mucho más que saber cuántos pares de puntos a distancia uno se pueden formar.

En investigación de IA, las prioridades están invertidas. A los laboratorios les importa cómo una receta algorítmica hace el entrenamiento más eficiente o produce modelos más inteligentes. No les importa la teoría por sí misma, y el progreso de la última década y media en deep learning no requirió demasiada teoría nueva.

Traducción: el equivalente a «moler conjeturas al azar» es enormemente valioso en machine learning, y eso es exactamente lo que los modelos actuales hacen bien. Patel usa el ejemplo del transformer: sus piezas centrales —atención, redes residuales— ya estaban en la literatura años antes del paper de 2017. Nadie las combinó antes porque hacía falta conectar media docena de ajustes y correr toneladas de experimentos pequeños. Eso es persistencia más capacidad de conectar ideas, justo el perfil donde la IA ya destaca.

«Singularidad de software» o «chispa»: los dos escenarios que deberías tener en el radar

Si la IA iguala a los mejores investigadores humanos, el progreso algorítmico se acelera por tres razones: los investigadores automatizados son más rápidos (trabajan a unas 10 veces la velocidad humana y sin fines de semana, lo que equivale a unas 50 veces más trabajo por semana calendario), más inteligentes (Patel estima que cerca del 80% del progreso algorítmico de un laboratorio lo generan sus 50 mejores investigadores) y más numerosos.

Contra eso juega una fuerza opuesta: las ideas se vuelven más difíciles de encontrar. Las compañías de IA ya tienen que cuadruplicar su cómputo de I+D y duplicar su plantilla cada año solo para mantener el mismo ritmo de progreso.

Patel le da 50% a cada uno de dos desenlaces. En la «singularidad de software», la IA se mejora a sí misma más rápido de lo que las ideas se agotan y en meses se llega a una superinteligencia limitada por el hardware disponible. En la «chispa», el progreso se comprime a tres a seis años de avance en un solo año, y después se enfría hasta que se construya más cómputo. El cómputo global de IA viene creciendo unas 3 veces por año, así que ese segundo escenario tampoco es lento.

¿Qué significa esto para tu startup?

Tres implicancias concretas, sin profecías.

1. Automatiza primero lo que puedes verificar. La ventaja de la IA no está en las tareas creativas abiertas, sino en las que tienen un verificador automático: tests unitarios, benchmarks internos, métricas de conversión, leaderboards. Revisa tu operación y lista los procesos donde el resultado se puede medir sin intervención humana. Ahí es donde los agentes rinden de verdad, y donde el costo de equivocarse es bajo.

2. Mide el gasto en agentes como mides la nómina. El salto de US$1.000 a US$7.000 diarios por investigador en OpenAI no es una anécdota: es la señal de que el presupuesto de cómputo por persona se está convirtiendo en una línea de costos estructural. Si tu equipo ya usa agentes de código, pon un tablero de costo por output antes de que la factura te sorprenda.

3. No apuestes el roadmap a un solo escenario. Si el escenario «chispa» se materializa, en doce meses el estado del arte se mueve el equivalente a cuatro años. Eso significa que cualquier ventaja construida sobre una capacidad concreta de un modelo tiene una vida útil más corta que tu ciclo de planificación. Revisa tus supuestos de producto cada seis meses y evita arquitecturas que te aten a un solo proveedor.

Y una nota para el ecosistema hispanohablante: si el cuello de botella se corre del código hacia las ideas y el cómputo, el acceso a GPU y a talento senior se vuelve el factor limitante. Las startups de LATAM y España que ya construyeron eficiencia operativa con equipos chicos están mejor posicionadas de lo que parece para ese mundo, porque nunca dependieron de tener cien investigadores.

Conclusión

El ensayo de Dwarkesh es una apuesta, no un pronóstico cerrado: él mismo pone un 25% de probabilidad a que el hito se retrase más allá de 2032. Pero el dato duro que lo rodea es difícil de ignorar. METR midió una aceleración de 1,9x en Anthropic, el AI Futures Project —el grupo detrás del escenario AI 2027— ya adelantó a 2027 su expectativa de un «investigador de IA sobrehumano», y la propia Anthropic reconoció en su enmienda de registro para la IPO que cumple su umbral de aceleración, basándose en lo que espera de modelos futuros y no en los actuales. La operación busca una valoración de US$1,4 billones y planea empezar a cotizar en Nasdaq el 19 de noviembre.

Para un founder, la conclusión práctica no es prepararse para la superinteligencia. Es entender que el ritmo al que se mueve la frontera de lo posible se está comprimiendo, y que las decisiones de arquitectura, contratación y presupuesto de cómputo que tomes este año van a envejecer más rápido que nunca.