Dwarkesh Patel propuso exigir que los laboratorios de inteligencia artificial den acceso público a los modelos que utilizan internamente para investigar o hacer ingeniería. En una entrevista con Tyler Cowen publicada el 15 de octubre de 2026 por The New York Times, el conductor de Dwarkesh Podcast advirtió que frenar únicamente los lanzamientos, mientras continúa el desarrollo dentro de las empresas, dejaría al público con menos herramientas para entender y supervisar sus avances.
"Si quieren usar estos modelos internamente para investigar, para hacer ingeniería, también tienen que ponerlos a disposición del público", planteó Patel en la conversación de "Interesting Times".
Una pausa de lanzamientos puede ampliar la brecha
Patel teme que, conforme la IA ayude a desarrollar modelos más capaces, las empresas tengan menos incentivos para ofrecer al exterior sus mejores sistemas. Lanzarlos exige preparar salvaguardas y asumir el escrutinio público; mantenerlos dentro permite aprovecharlos para acelerar la investigación propia.
En ese escenario, sostiene, reguladores y ciudadanos evaluarían el progreso con herramientas cada vez más alejadas de las que usan los laboratorios. Por eso rechaza una pausa que se limite a suspender nuevos productos mientras la investigación interna continúa al mismo ritmo.
Su argumento también tiene un costo explícito. Patel reconoció que desplegar modelos puede causar incidentes y daños, pero defendió la exposición externa como una vía para descubrir comportamientos inesperados que las evaluaciones internas no detectan. También consideró razonable contar con evaluadores independientes con competencia técnica, aunque dejó abierta la forma de organizar y hacer cumplir esa supervisión.
Evaluar durante más tiempo también retrasa el acceso
El problema tiene una segunda dimensión. En una entrevista publicada el 17 de septiembre, el investigador de OpenAI Noam Brown explicó a Patel que las pruebas de seguridad deben adaptarse a agentes capaces de trabajar durante periodos cada vez más largos.
Brown puso un ejemplo hipotético: si un modelo puede ejecutar tareas durante tres meses y el ciclo de lanzamientos dura dos, la versión siguiente llega antes de completar una evaluación que cubra toda la duración de su trabajo. Retrasar el lanzamiento daría más tiempo para probarlo, pero ampliaría la diferencia entre las capacidades disponibles dentro y fuera del laboratorio. Brown reconoció que no tenía una respuesta resuelta para ese dilema.
Ese problema de los modelos internos y sus evaluaciones ya apareció en nuestra cobertura de la conversación con Brown.
Patricia Rodriguez
La comparación entre ambas entrevistas permite precisar el alcance de la propuesta: Patel busca ampliar quién puede examinar los sistemas; el dilema de Brown exige decidir cuánto tiempo hace falta observarlos. Dar acceso externo y completar las pruebas plantean exigencias distintas para el mismo calendario.
Aprender en el trabajo sostiene sus predicciones
Patel también discutió con Cowen qué tendría que cambiar para alcanzar la inteligencia artificial general, o AGI. Su definición exige que un sistema pueda realizar de principio a fin el trabajo cognitivo de una persona. A su juicio, los modelos actuales siguen lejos de ese nivel, entre otras razones porque todavía no aprenden de la experiencia laboral de la forma en que lo hace una persona.
La distinción importa para interpretar sus plazos. Patel apostaría a que limitaciones como la memoria y la planificación prolongada mejoren hasta un nivel excelente en uno a tres años, pero reconoció que no se puede fechar con precisión una solución técnica que todavía se desconoce.
En un ensayo del 7 de agosto, ya había conectado el aprendizaje continuo con la supervisión: si un modelo cambia mientras trabaja, una evaluación realizada únicamente antes del lanzamiento pierde parte de su utilidad. Allí propuso inspecciones de riesgo mensuales o trimestrales como alternativa a concentrar toda la revisión en ese momento inicial.
Cowen cuestionó el calendario de automatización de Patel. El economista espera que la colaboración entre personas e IA persista durante décadas, por la dificultad de integrar los sistemas en instituciones y por la preferencia de muchos usuarios por tratar con humanos. Patel, en cambio, señaló el aprendizaje durante el trabajo como la prueba que podría desmentir sus expectativas: si en 2035 el mundo hubiera cambiado mucho menos de lo que prevé, su explicación más probable sería que ese problema técnico resultó demasiado difícil de resolver.
