Dwarkesh Patel, conductor del Dwarkesh Podcast, estima que en 2028 podrían existir sistemas de inteligencia artificial capaces de igualar a los mejores investigadores humanos de IA, siempre que los laboratorios no ralenticen deliberadamente su trabajo. En un ensayo publicado el 13 de noviembre, también plantea que la automatización de esa investigación podría acelerar el desarrollo hasta producir, hacia 2030, sistemas al menos tan capaces como los mejores expertos humanos en cada campo. Son pronósticos del autor, apoyados en avances recientes, no fechas establecidas por una evaluación científica.
La apuesta de Patel parte de un cambio de opinión: a principios de 2026 calculaba que la superinteligencia estaba a buena parte de una década de distancia. Ahora señala los resultados de la IA en matemáticas y su creciente uso dentro de los propios laboratorios como razones para acortar ese horizonte.
De resolver problemas matemáticos a diseñar mejores modelos
Patel sostiene que la investigación en IA comparte una característica con algunos problemas matemáticos: permite comprobar si una solución funciona. Un sistema podría probar muchas combinaciones de ideas, medir sus resultados y conservar las que hagan más eficiente el entrenamiento de un modelo, por ejemplo.
Uno de sus ejemplos es el trabajo de OpenAI sobre las ecuaciones de Navier-Stokes, que describen el movimiento de los fluidos. La empresa afirma que un sistema de agentes produjo una demostración para una de las formulaciones del Problema del Milenio. Según OpenAI, el grupo que llegó al resultado involucró alrededor de 10,000 agentes concurrentes y tardó unas 88 horas desde el inicio de los intentos; la formalización y verificación en el lenguaje Lean tomó otras 17 horas.
El proceso incluyó decisiones humanas: el equipo seleccionó problemas, reasignó recursos y orientó a los agentes con resultados intermedios. La cifra de 88 horas, por sí sola, tampoco demuestra que una IA pueda elegir y dirigir de principio a fin cualquier investigación.
La prueba presentada por OpenAI aborda un caso con una fuerza externa suave, contemplado en la formulación oficial. El alcance de esa vía ha sido objeto de debate: Scientific American recogió las reservas de matemáticos que distinguen ese caso de la cuestión sin fuerza externa. El Clay Mathematics Institute indicó el 11 de septiembre que el problema parecía haberse resuelto y que la evaluación de los logros y la asignación de crédito seguirían su proceso.
En una conversación anterior con Patel, Noam Brown, investigador de OpenAI, también advirtió que el número de agentes no basta para explicar cuánto aportó su coordinación al resultado.
Patricia Rodriguez
Qué miden las cifras de Anthropic
Patel cita una evaluación de METR, organización independiente que examinó datos internos de Anthropic entre agosto y octubre de 2026. Su conclusión fue que la empresa probablemente mejoraba las capacidades de sus modelos en tareas bien definidas a cerca del doble de la velocidad observada entre marzo de 2024 y octubre de 2025.
Esa cifra se refiere al ritmo de mejora, no a que todos los investigadores de Anthropic sean dos veces más productivos ni a que una IA haya asumido sus puestos. En un índice de pruebas, METR calculó una aceleración de 1.9 veces respecto a la tendencia anterior a octubre de 2025, con un intervalo de confianza del 95% de 1.5 a 2.8 veces. La organización advirtió que la incertidumbre general es mayor y que los resultados podrían no trasladarse igual a tareas abiertas o difíciles de evaluar.
METR considera probable que el uso de IA explique la mayor parte de la aceleración actual, aunque describe esa atribución como incierta. Anthropic retiró del informe público gran parte de la evidencia que METR consideraba más informativa; la organización tampoco solicitó ni recibió acceso para probar directamente los modelos no publicados durante esa evaluación.
Por separado, Anthropic informó que, según su propio índice, Claude "lideraba" el 26% del trabajo de investigación y desarrollo de IA medido en agosto, frente a menos del 1% en febrero. En esa clasificación, liderar significa completar la mayor parte de una tarea a partir de una instrucción general mientras una persona supervisa. La empresa dijo que ninguna parte del trabajo medido estaba en su categoría de autonomía completa. El índice pondera categorías de trabajo y utiliza modelos de la propia compañía para evaluarlas.
Las dos mediciones responden a preguntas distintas: METR estima cómo cambió el ritmo de avance de las capacidades; Anthropic clasifica cuánto interviene Claude en tipos de trabajo. Ninguna mide directamente si un sistema iguala ya a un investigador de primer nivel en todas sus funciones.
Una mediana para 2028, no una fecha segura
La estimación central de Patel para igualar a los mejores investigadores de IA es 2028, pero también contempla que ocurra en 2027. En el otro extremo, asigna un 25% de probabilidad a que no suceda hasta después de 2032. Entre los posibles obstáculos menciona el aprendizaje continuo: la capacidad de aprovechar la experiencia acumulada en el trabajo y trasladarla a tareas futuras.
Después de ese hito hipotético, Patel plantea dos escenarios a los que asigna la misma probabilidad. En uno, una mejora recursiva del software llevaría a sistemas cada vez más capaces en cuestión de meses sin aumentar la capacidad de cómputo. En el otro, una aceleración inicial condensaría entre tres y seis años de progreso en uno, antes de que nuevos avances dependieran de ampliar recursos como los chips y los centros de datos.
Esas probabilidades son su juicio, no resultados de METR. La diferencia importa porque automatizar pruebas concretas puede acelerar el trabajo antes de sustituir todas las decisiones que exige una investigación: escoger qué problema merece recursos, interpretar resultados y determinar si una mejora pequeña seguirá funcionando a escala. Cuánto tardarán los sistemas en cubrir ese conjunto de tareas sigue abierto.
Patricia Rodriguez
