Un informe de Gladstone AI publicado el 14 de octubre de 2026 describe cómo los grandes laboratorios buscan automatizar la investigación de sus próximos modelos. Google ya documenta agentes que programan y optimizan software, mientras la investigación académica propone criterios para distinguir y medir las distintas formas de automejora.
Gladstone recoge conversaciones con investigadores de Anthropic, OpenAI y Google DeepMind. La mayoría de los consultados prevé ciclos de investigación con automejora recursiva en tres a doce meses, si no hay intervención del Gobierno estadounidense ni desaceleración. Es una expectativa de esos interlocutores.
Google ya delega tareas de ingeniería en agentes
En la presentación de Gemini 4 Argon del 30 de septiembre, Google describió agentes que ejecutan experimentos para optimizar código. En libgav1, su software para decodificar video, afirma que sustituyeron 32,000 líneas de código SIMD, que procesa varios datos con una misma instrucción.
Según la empresa, el resultado funcionó 2.7 veces más rápido que la versión previa en Rust, con idéntica salida de video. La comparación corresponde a esa versión, no al decodificador original en C++. Google también describe migraciones de software que pasan por auditorías automáticas y manuales antes de su implementación.
Un preprint de Leijun Zhou y sus colaboradores, depositado en arXiv el 10 de octubre, define la automejora recursiva (RSI) como un ciclo: el sistema se modifica, conserva los cambios y los usa para producir otras mejoras.
El trabajo distingue cambios en los parámetros del modelo de las actualizaciones de memoria o código del agente. Esa clasificación permite separar alcances distintos: mejorar la memoria de un agente y automatizar el diseño de su siguiente modelo.
Probar las ideas consume recursos limitados
Gladstone describe una selección por etapas: los laboratorios prueban muchas propuestas a pequeña escala y dedican más cómputo a las que prometen mejores resultados. Generar más ideas puede repartir demasiado los recursos iniciales y dificultar distinguir las buenas de las malas. Algunas propuestas, además, solo muestran su utilidad a gran escala. Según ese análisis, disponer de más cómputo amplía las posibilidades de detectarlas.
El preprint también advierte que las evaluaciones varían en tareas y retroalimentación. Propone protocolos comunes y publicar tanto el resultado final como la mejora frente al mismo sistema antes de modificarlo.
Esa comparación permitiría medir cuánto aporta cada mecanismo y si lo aprendido se conserva en tareas nuevas.
