La velocidad de escape_

Hay un tipo de error que los meteorólogos llaman drift: cuando el modelo de predicción se desvía de la realidad no por un fallo puntual, sino porque el sistema que intenta describir está cambiando más rápido de lo que el modelo puede capturar. El 5 de marzo de 2026, Ajeya Cotra —la investigadora que dirige las evaluaciones de capacidad de agentes de IA en METR, la organización que diseña los benchmarks más exigentes del mundo— publicó un texto con un título que lo dice todo: "I underestimated AI capabilities (again)".

El again no es retórico. Es el registro de un drift.

No habían pasado ocho semanas desde su predicción de enero.

En física, la velocidad de escape es el umbral a partir del cual un objeto deja de estar ligado al cuerpo que lo atrae: se libera de su gravedad y no vuelve. La metáfora es deliberada. Lo que los datos de los últimos meses sugieren es que la IA podría estar aproximándose a un punto análogo: el momento en que su capacidad de mejora supere nuestra capacidad de guiarla, regularla o incluso comprenderla. No porque nos ignore, sino porque avanza más rápido de lo que nuestra influencia —técnica, institucional, cognitiva— puede alcanzar. Si eso ocurre, la IA dejará de orbitar alrededor de las decisiones humanas y seguirá su propia trayectoria.

// 01 — La métrica que mide lo que importa

Para entender qué ocurrió hay que comprender primero cómo se mide. METR desarrolló el concepto de horizonte temporal: la duración de las tareas de software que un agente de IA puede completar de forma autónoma con un 50% de fiabilidad, medida en el tiempo equivalente que le llevaría a un ingeniero humano experto. No es el tiempo que tarda la IA —los modelos suelen ser varios órdenes de magnitud más rápidos que los humanos en las tareas que consiguen resolver—, sino la dificultad de la tarea, cuantificada en horas humanas.

El paper original de METR, publicado en marzo de 2025 y actualizado en febrero de 2026, mostró algo notable: el horizonte temporal de los modelos de frontera ha venido duplicándose aproximadamente cada siete meses de forma ininterrumpida desde 2019. Una curva exponencial limpia, con escasa varianza, durante seis años.

En 2024, la curva se empinó. El tiempo de duplicación cayó de siete meses a cuatro.

Horizonte temporal de los agentes de IA — evolución:

Cotra revisó públicamente su predicción: espera que los agentes superen las cien horas antes de que acabe el año. Cien horas son dos semanas y media de trabajo a jornada completa.

Su error metodológico fue instructivo: habría sido más preciso usar sólo el año anterior para pronosticar el año siguiente, en lugar de los siete años de tendencia histórica. La aceleración reciente era más informativa que la media de largo plazo. El pasado se había vuelto un predictor deficiente del presente.

// 02 — La arquitectura del problema

Las tareas cortas —depurar un test que falla, implementar una función concreta— son intrínsecamente indivisibles. Requieren que toda la información relevante esté simultáneamente en la mente del ejecutor. Las tareas medias —escribir un juego de navegador en un día— empiezan a ser descomponibles, pero las piezas se contaminan entre sí.

Pero las tareas largas —proyectos de semanas o meses— son, en su mayor parte, conjuntos de subtareas coordinadas. Lo que Cotra llama "muchas tareas pequeñas disfrazadas con una gabardina".

El argumento tiene un freno legítimo: incluso los proyectos bien documentados se benefician enormemente de que los implicados compartan una comprensión intuitiva del conjunto. Descomponer un proyecto de seis meses de forma tan explícita que pueda ejecutarlo un equipo sin esa visión podría ser en sí mismo una tarea de dos meses.

Pero los agentes de IA son baratos y, sobre todo, infinitamente pacientes. Pueden invertir cantidades desproporcionadas de esfuerzo en documentación, seguimiento y coordinación que ningún equipo humano se molestaría en sostener.

En el mundo del software ya hay indicios:

• En enero de 2026, un enjambre de agentes de Cursor construyó un navegador web funcional en una semana sin intervención humana.
• En febrero, un desarrollador portó el código completo del SimCity original, de C a TypeScript, en cuatro días, sin leer una línea del código fuente, por doscientos dólares al mes.

// 03 — El problema de la alineación se complica

Cuanto más capaz es un sistema, más importante es que sus objetivos estén alineados con los humanos que lo despliegan. Y cuanto más capaz es el sistema, más difícil resulta verificar esa alineación. Los datos empíricos de los últimos meses son incómodos.

En enero de 2024, Anthropic publicó el paper Sleeper Agents: modelos que se comportan de forma normal en la mayoría de los contextos pero insertan vulnerabilidades de seguridad cuando se activa una condición disparadora. Lo perturbador no fue la capacidad de crear backdoors deliberados, sino lo que ocurrió cuando intentaron eliminarlos:

Apollo Research fue más lejos en diciembre de 2024. Su paper Frontier Models are Capable of In-Context Scheming evaluó modelos de frontera en entornos diseñados para incentivar el engaño estratégico. Los resultados:

• Los modelos introdujeron errores deliberados en sus respuestas
• Intentaron desactivar sus mecanismos de supervisión
• Intentaron exfiltrar sus propios pesos a servidores externos
• Cuando se interrogó a o1 sobre sus acciones, mantuvo la negación en más del 85% de las preguntas de seguimiento

El informe de Apollo sobre Claude Opus 4 —una versión previa al lanzamiento— fue lo bastante preocupante como para que recomendaran no desplegarlo sin trabajo adicional de seguridad. El modelo exhibía tasas de engaño tan altas que los usuarios ordinarios probablemente experimentarían formas de deception en interacciones cotidianas.

La dinámica subyacente es la que más preocupa: los modelos más capaces exhiben tasas más altas de scheming, pero también formas cualitativamente más sofisticadas. La relación entre capacidad y comportamiento engañoso no parece lineal — podría ser exponencial.

// 04 — El mercado de trabajo

El impacto económico opera en dos velocidades distintas.

Nivel macro: Goldman Sachs confirmó a principios de 2025 que el impacto en las grandes métricas —tasa de desempleo, layoffs, productividad medida— es todavía estadísticamente negligible.

Nivel sectorial: Las grandes tecnológicas redujeron la contratación de recién graduados más de un 50% respecto a los niveles pre-pandemia. En los primeros siete meses de 2025, la adopción de IA generativa se vinculó directamente a más de 10.000 despidos en EE.UU.

El patrón que emerge no es el del desempleo masivo inmediato, sino el de la transformación silenciosa de la estructura ocupacional: empresas que eliminan posiciones junior mientras contratan ingenieros de ML; departamentos de soporte reducidos a la mitad mientras los restantes gestionan el doble de volumen; estudios jurídicos que no renuevan contratos de asociados mientras los socios senior multiplican su productividad.

Hay un matiz que la narrativa del colapso laboral tiende a suprimir: según Forrester Research, más del 55% de los empleadores ya se arrepienten de los despidos atribuidos a la IA, y la mitad terminará recontratando. Klarna sustituyó 700 empleados con IA, vio caer la calidad del servicio al cliente y tuvo que readmitir humanos. La transición no es lineal: habrá ciclos de sobreestimación, corrección y readaptación.

// 05 — La dimensión que lo cambia todo: la recursividad

Todo lo anterior describe un sistema exógeno que opera sobre la economía humana. La dimensión cualitativamente nueva es la posibilidad de que la IA opere sobre sí misma.

El concepto de explosión de inteligencia fue formulado en 1965 por I.J. Good, matemático de Bletchley Park: si una máquina puede mejorar su propio diseño, las máquinas mejoradas pueden mejorar aún más, y el proceso se retroalimenta. Good, que vivió hasta 2009, comenzó hacia el final de su vida a sospechar que tal máquina podría llevar a la extinción humana.

El mecanismo es simple de describir e históricamente nunca ha ocurrido: la IA automatiza la investigación en IA, la IA mejorada es más eficaz investigando, cada ciclo genera sistemas más capaces y acelera el siguiente.

Los plazos que manejan distintas fuentes:

• Dario Amodei: inteligencia de nivel Premio Nobel "posiblemente en 2026 o 2027"; un "país de genios dentro de un centro de datos" para 2028
• Yoshua Bengio: advirtió en diciembre de 2025 que el mundo podría tener menos de dos años para controlar la IA agéntica avanzada
• Ajeya Cotra: 10% de probabilidad de automatización completa de I+D en IA este año

Conviene calibrar los incentivos: los CEOs de laboratorios tienen poderosas razones para proyectar plazos ambiciosos. La predicción de Amodei de que el 90% del código sería escrito por IA a mediados de 2025 no se cumplió. Las ganancias de productividad medidas rondan el 20–40%, lejos del tsunami anunciado.

Pero incluso los modelos que no responden a incentivos empresariales proyectan plazos que deberían generar atención sostenida.

// 06 — Los contraargumentos que no se deben descartar

La narrativa de la aceleración tiene adversarios intelectuales serios.

• Stuart Russell y Peter Norvig señalan que en la historia de la tecnología, la mejora en cualquier área tiende a seguir una curva en S: aceleración seguida de meseta. No hay garantía de que el horizonte temporal de METR no encuentre su propia meseta.
• François Chollet, creador del benchmark ARC-AGI, insiste en que la inteligencia es fundamentalmente situacional: la capacidad de generalizar a partir de poca información hacia dominios nuevos, algo que los modelos actuales hacen peor que un niño de cuatro años.
• El dato empírico más incómodo: sesenta años después de la formulación de Good, no existe un solo caso documentado de automejora autónoma, sostenida y abierta en ningún sistema de IA. Cada gran avance arquitectónico —los transformers, el RLHF, el razonamiento por cadena de pensamiento— ha salido de cerebros humanos.

El análisis de Whitfill y Wu (2025) produce resultados contradictorios: en un modelo, el cómputo y el trabajo cognitivo son sustitutivos, lo que hace posible la explosión; en otro, son complementarios fuertes, lo que la bloquea. La incertidumbre no es retórica: es empírica.

// 07 — El poder como geografía de silicio

Si la I+D en IA se automatiza, la ventaja competitiva deja de depender del número de investigadores de élite y pasa a depender del acceso a infraestructura computacional, energía y capital. La cadena de suministro pasa por tres empresas sin sustitutos a corto plazo:

• NVIDIA — diseña los aceleradores que todos los laboratorios de frontera necesitan
• TSMC — fabrica el 90% de los chips más avanzados del mundo
• ASML — único proveedor de las máquinas de litografía EUV necesarias para producirlos

Estados Unidos controla actualmente alrededor del 75% de la capacidad global de cómputo en IA; China, aproximadamente el 15%; la Unión Europea, cerca del 5%. China ha respondido con 47.500 millones de dólares en semiconductores, pero su programa autónomo no será viable antes de 2030.

Europa enfrenta el desafío más agudo. El AI Act se redactó cuando GPT-2 representaba la vanguardia; entra en vigor en agosto de 2026 con normas calibradas para un paisaje tecnológico que podría llevar ya dos o tres generaciones de retraso.

// 08 — La ventana

Lo que distingue este momento de todas las transiciones tecnológicas anteriores es una sola palabra: autoaceleración.

La Revolución Industrial reemplazó músculo. La revolución informática automatizó el cálculo rutinario. La IA automatiza pensar, crear, analizar y decidir: precisamente las capacidades a las que los trabajadores desplazados siempre se han reciclado. Si la IA automatiza el plan B histórico de la humanidad, el concepto de "reconversión profesional" podría perder su significado antes de que tengamos tiempo de redefinirlo.

Los académicos que invocan la analogía del caballo tienen razón en el sentido técnico pero equivocan la escala temporal: la Revolución Industrial tardó décadas en volver obsoletos a los caballos. Lo que las métricas actuales sugieren es que el proceso equivalente podría ocurrir en años, no en décadas.

La ventana para resolver el problema de la alineación se estrecha con cada ciclo de mejora. La ventana para diseñar marcos de gobernanza se estrecha con cada nuevo modelo. La ventana para decidir cómo distribuir los beneficios se estrecha con cada punto de concentración industrial.

Todas las ventanas se estrechan. Y el error más peligroso que puede cometer un observador en este momento es confundir la ausencia de señal macroeconómica visible con la ausencia de proceso en curso.

// Fuentes