Mi post dominical para sorprender o molestar al lector con cosas incómodas sobre Inteligencia Artificial.
Estimado lector: le confieso que yo también llegué a estas historias con perplejidad. Un domingo por la mañana, la inteligencia artificial ya no es esa promesa abstracta de las tertulias. Está moviendo pipetas en un laboratorio, corrigiendo el pulso de un cirujano y resolviendo problemas que a los mejores estudiantes del mundo les llevan años de entrenamiento. Le propongo un paseo sin prisa por lo que ha ocurrido en las últimas semanas, con la curiosidad infantil de quien mira por primera vez un mecanismo de relojería para ver cómo está hecho por dentro.
Y le advierto desde ya: esto me toca de cerca, porque en mi casa hubo olimpistas. De eso le hablo más adelante. Antes, los hechos —o lo que los reportes de prensa cuentan como hechos, que no es lo mismo, y usted haría bien en no olvidarlo en ningún momento de este artículo.
1. De la conversación al movimiento
Durante dos años nos acostumbramos a hablar con la IA. Le pedíamos un correo, un resumen, una imagen. Lo que ha ocurrido en 2026 es distinto: la IA ha aprendido a actuar. Y no en un videojuego, sino en el mundo material, donde los errores dejan huellas.
Un laboratorio sin manos
En la Universidad Jiao Tong de Shanghái, un equipo presentó AutoDNA, un laboratorio que se describe como “auto-conducido”. Según los reportes que he leído, un investigador escribe una instrucción sencilla y el sistema diseña el experimento, coordina más de 20 tipos de instrumentos y ejecuta más de 11.000 pasos de hardware de forma autónoma. Dicen esos mismos reportes —que yo no he contrastado con el paper original— que alcanzó el rendimiento de síntesis enzimática de ADN que lograría un experto humano y redujo el tiempo de ejecución de flujos concurrentes a aproximadamente un tercio. James Zou, de Stanford, lo resumió así: la IA puede diseñar moléculas en minutos, pero la validación experimental sigue tomando semanas o meses.
Lo relevante —y aquí no me crea a mí: busque, lea y saque sus propias conclusiones— no es solo la cifra, sino el salto cualitativo. Antes, la automatización hacía una parte del proceso y el humano configuraba el resto; ahora el sistema concibe, ejecuta y ajusta el experimento completo con una intervención humana mínima. Esa es la diferencia entre una calculadora y un becario.
La IA que ayuda a ver lo invisible
El mismo 4 de noviembre, Anthropic anunció otro hallazgo. Según su comunicado, su modelo Claude peinó una base de datos de 15.000 millones de secuencias proteicas y ayudó a resolver por primera vez la estructura tridimensional de los vaults procariotas, unas partículas celulares que llevaban cuarenta años desconcertando a los biólogos. Claude no solo filtró candidatos: participó en el diseño experimental y en la purificación, hasta el punto de que —siempre según la empresa— el tiempo de purificación cayó de unos tres días a 90 minutos, y el primer modelo estructural se completó en 34 horas. Es la clase de dato que conviene recibir con la ceja levantada, porque lo publica la parte interesada, pero encaja con todo lo demás.
El pulso del cirujano, corregido por un modelo
El tercer caso es el más incipiente, y quizá por eso el más elocuente. Según los reportes que he podido leer —y que no he verificado en la fuente original—, el modelo GPT-6.1 Sol participó en tres cirugías cerebrales consecutivas en ratones vivos. En la primera necesitó cuatro correcciones de un cirujano humano; en la tercera, solo dos. El tiempo para localizar los puntos anatómicos de referencia cayó de 169 a 86 segundos, y el error de posicionamiento se redujo de 0,6 a 0,3 milímetros. No fue reentrenando el modelo: fue aprendiendo del error en el contexto, guardando la imagen, la medición y la corrección del experto para la siguiente ronda.
Es pronto, y los propios investigadores lo presentan como un resultado preliminar. En este tema de la IA yo solo leo reportes de prensa que pueden ser más o menos exactos; no me leo los informes científicos. Pero la tendencia me parece cierta, y la mecánica es la que importa: el modelo ya no solo sugiere; ejecuta, se equivoca, es corregido y mejora. En los temas de radar pueden creerme un poco más: trato de leerme todo con profundidad científica.
2. Las olimpiadas del conocimiento
Aquí el tema me toca de cerca. Mi hijo, Vladímir Rodríguez Diez, fue concursante y participó con éxito: se agenció medallas de oro en dos ediciones sucesivas de las Olimpiadas Iberoamericanas de Física, una en Bolivia y otra en Guatemala.
Les cuento algo que no suelo contar. Yo siempre tuve una relación especial con las matemáticas, y había sido concursante nacional, sin éxito. Mi hijo me asombró en sexto grado (porque hasta ese momento no había mostrado nada excepcional) al ganar un concurso municipal de matemáticas. Yo me entusiasmé y comencé a impulsarlo, y muy pronto me di cuenta de que ya no entendía los problemas. Pasé de entrenador a espectador en muy poco tiempo. Es una sensación extraña, por un lado uno se siente lleno de orgullo y por otro se da cuenta de su propia pequeñez.
Para que mis fieles lectores sepan de qué hablamos, este es el panorama de los concursos:
- IMO (Olimpiada Internacional de Matemáticas): la competición de problemas matemáticos para estudiantes preuniversitarios más prestigiosa del mundo, en marcha desde 1959.
- IPhO (Olimpiada Internacional de Física): el equivalente en física, con problemas teóricos y experimentales de nivel universitario avanzado.
- IOI (Olimpiada Internacional de Informática): competición de algoritmos y programación para jóvenes.
- IChO (Olimpiada Internacional de Química): la prueba de química de referencia mundial.
- PutnamBench: un conjunto de 672 problemas de nivel universitario, del mismo tipo que los de la competición Putnam, usados para medir razonamiento matemático formal.
¿Estás leyendo, Vladímir? Cáete para atrás.
Porque, según los reportes que circulan —y esta es la afirmación más espectacular y también la más frágil de todo este artículo, así que tómela con pinzas—, el sistema HOA (Humanize Olympiad Agents), con el modelo GPT-5.6 Sol, logró puntuación perfecta en la IMO, la IPhO y la IOI de 2026, rozó la perfección en la IChO y resolvió los 672 problemas de PutnamBench. Si el dato es cierto, no es que la IA haya ganado una medalla: es que ha cerrado problemas que se usaban como frontera del razonamiento humano. Yo no he visto el paper. Usted, si quiere, búsquelo. Si no lo encuentra, quédese con la pregunta, que sigue siendo buena: ¿qué queda de la hazaña cuando la hazaña se automatiza? Nada, Kasparov se creía muy bueno hasta que la IA lo derrotó y sentó cátedra en lo adelante: ni el mejor de los humanos puede con ella.
3. El empleo: la grieta que no se ve en los titulares
Si la IA ya opera instrumentos y corrige el pulso de un cirujano, la pregunta inevitable es qué queda para las personas. La respuesta corta es: no es el apocalipsis, es la recomposición, y por eso es más difícil de contar.
McKinsey calcula que el 60% de los empleos corporativos ya tienen un impacto directo de la IA en su día a día, y que hasta el 45% de las actividades laborales son automatizables, pero menos del 5% de las ocupaciones podrían desaparecer por completo. Humm. Los porcentajes, como siempre, son cuestionables: dependen de cómo se defina “impacto” y de a quién se pregunte. La OCDE, con otro método, sitúa en torno al 9% los empleos con alto riesgo de automatización total, y en solo un 1% a 2% los que realmente se han reducido por causa directa de la IA. Un estudio de la Universidad de Cornell sobre 190.000 vacantes en el Reino Unido muestra que dos personas con el mismo título pueden tener niveles de exposición a la IA completamente distintos según las tareas concretas que desempeñen.
El drama no está en el puesto que se esfuma, sino en el puesto que se parte en dos: una capa de tareas rutinarias que se automatiza y otra de criterio, supervisión y relación que se revaloriza. La IA no borra empleos: rediseña roles, y obliga a quien los ocupa a rehacerse por dentro. Que es más incómodo que perder el puesto, porque no hay titular ni indemnización para eso.
4. La gobernanza: quién responde cuando el modelo se equivoca
Y aquí llegamos al punto que le da el toque político al asunto. El 29 de septiembre de 2026, el presidente Trump y los consejeros delegados de Google, Anthropic, Meta, OpenAI, xAI y Nvidia firmaron el “White House Accord on Super Intelligence”. Ya les había comentado sobre eso en aquel post. El acuerdo —según comentan los medios— establece cuatro capas de controles internos, auditoría externa y supervisión del consejo, pero, como señala Brookings, es solo “moralmente vinculante”. Las empresas diseñan sus propios controles, eligen a sus propios evaluadores y determinan si se están cumpliendo. Dicen que «el flagelo naranja» —permítame la expresión— lo describió como “una forma de protección” basada en la “autorregulación tremenda” de las compañías. Un pacto de caballeros, si usted es de los que creen las afirmaciones de ese señor.
En Europa, el AI Act sigue su curso, pero el Digital Omnibus on AI, en vigor desde julio de 2026, ha pospuesto las obligaciones para los sistemas de alto riesgo hasta diciembre de 2027 para los autónomos y agosto de 2028 para los integrados en productos. No es una desregulación total, pero sí un aplazamiento que coincide en el tiempo con la entrada de la IA en laboratorios y quirófanos.
Y para que no haya confusión ni contradicción con mi post del 16 de agosto, les aclaro: el AI Act preveía que el 2 de agosto de 2026 empezaran a aplicarse la mayoría de sus obligaciones, incluidas las de los sistemas de alto riesgo. Sin embargo, el Digital Omnibus on AI (algo así como el parche antes que salga el grano), en vigor desde finales de julio de 2026, aplazó específicamente las obligaciones para los sistemas de alto riesgo del Anexo III hasta diciembre de 2027, y las de los integrados en productos regulados hasta agosto de 2028. Las obligaciones de transparencia del artículo 50 sí mantuvieron la fecha del 2 de agosto de 2026. Dicho de otro modo: se frenó lo más caro para las empresas y se mantuvo lo que más le importa al ciudadano europeo de a pie, que es saber cuándo le está hablando una máquina.
La pregunta sustanciosa no es quién regula más, sino quién asume el costo cuando un agente autónomo se equivoca. ¿La empresa que firmó el acuerdo voluntario? ¿El centro de investigación que lo usó? ¿El Estado que aplazó la norma? ¿El profesional que corrigió al modelo?
El domingo se termina, pero esa pregunta se queda. Y sí, todo esto resulta bastante confuso: quizá sea la única conclusión honesta de este domingo. Usted, mi docto amigo, lea y saque sus propias conclusiones que yo nosoy experto en IA.