El día en que la IA transforme a la IA: La realidad de la "auto-mejora" que plantea la Superinteligencia Recursiva

En la industria de la IA, ha comenzado otra gran apuesta.

En el centro de la atención se encuentra Richard Socher, conocido como el fundador de You.com y con una larga carrera como investigador en IA. Su nueva empresa, Recursive Superintelligence, ha emergido del estado de sigilo con una recaudación de fondos de 650 millones de dólares y una valoración de 4.65 mil millones de dólares. Pero la meta de la empresa no es simplemente crear un chatbot de alto rendimiento o un agente de IA para empresas.

El objetivo es que la IA cree una IA que se mejore a sí misma.

Más precisamente, la idea es que la IA identifique sus propias debilidades, proponga mejoras, modifique su código o modelo y verifique los resultados. La visión es que la IA asuma el proceso de desarrollo que tradicionalmente implica que los humanos definan temas de investigación, diseñen experimentos y evalúen resultados. Esto es lo que se llama "auto-mejora recursiva".

Al escuchar este término, puede sonar como ciencia ficción. Sin embargo, en la investigación actual de IA, ya estamos en una etapa en la que la IA escribe código, lee artículos, apoya experimentos y crea datos de evaluación. Recursive apunta a la "automatización de la investigación y desarrollo" que se encuentra en esa línea de extensión.

La diferencia entre "mejora" y "auto-mejora"

En una entrevista con TechCrunch, Socher enfatizó que hay una diferencia entre usar IA para mejorar algo y permitir que la IA se mejore continuamente a sí misma.

Por ejemplo, pedirle a la IA que "mejore este texto" es una mejora. Pedirle que piense en cómo aumentar la precisión de un modelo de aprendizaje automático también es una mejora en un sentido amplio. Sin embargo, en estos casos, los humanos aún establecen el objetivo, diseñan el marco experimental y toman la decisión final.

La auto-mejora que propone Recursive va más allá. Automatiza la generación de ideas de investigación, la implementación y la verificación, permitiendo que la IA observe sus propias limitaciones y cree procedimientos para mejorarse. Si este ciclo se establece, la velocidad de desarrollo de la IA ya no estará limitada por el tiempo de trabajo de los investigadores humanos.

Aquí es donde entra en juego el concepto de "open-endedness", que en español se traduce como "exploración abierta" o "exploración sin fin". Al igual que en la evolución biológica, donde un organismo se adapta a un entorno y surgen nuevas adaptaciones en respuesta, se producen más cambios. No se trata de alcanzar un objetivo predeterminado de la manera más rápida, sino de una cadena de ensayos y errores diversos que da lugar a habilidades y estructuras inesperadas.

Recursive intenta introducir esta exploración abierta en la investigación de IA. No se trata simplemente de aumentar las puntuaciones de referencia, sino de que la IA encuentre problemas por sí misma, cree desafíos y explore direcciones de mejora. Esta idea es un poco diferente de la competencia tradicional de "crear el próximo modelo a gran escala".

¿Por qué los inversores están invirtiendo tanto dinero?

La cantidad recaudada de 650 millones de dólares es inusual para una empresa que aún no ha lanzado un producto. La valoración es de 4.65 mil millones de dólares. Según los informes, GV y Greycroft lideraron la inversión, con la participación de NVIDIA y AMD Ventures.

Detrás de esta enorme cantidad de dinero está el cambio de enfoque en la industria de la IA. Hasta ahora, la competencia se ha centrado en mejorar el rendimiento utilizando modelos más grandes, más datos y GPUs más potentes. Sin embargo, hay una creciente percepción de que solo aumentar el tamaño de los modelos tiene sus límites.

Si hay un próximo salto, podría ser "dejar que la IA realice la investigación de IA". Los inversores están apostando por Recursive basándose en esta hipótesis.

Si la IA puede formular hipótesis como un investigador, realizar experimentos, aprender de los fracasos y diseñar el siguiente experimento, el cuello de botella en el desarrollo de IA no será el número de humanos, sino los recursos computacionales. Es decir, la competencia se centrará en cuán rápido y cuántos experimentos se pueden ejecutar.

Esto no es solo un tema de la industria de la IA. Socher ha hablado de comenzar con la automatización de la investigación de IA y expandirse a otros campos científicos en el futuro. La medicina, la ciencia de materiales, el clima, la energía y el descubrimiento de fármacos son algunos de los problemas complejos que enfrenta la sociedad humana, y la IA podría avanzar en la investigación de manera autónoma en estos campos.

Sin embargo, ese futuro no se construye solo con esperanza.

Las expectativas y las precauciones se extienden simultáneamente en las redes sociales

Las reacciones en las redes sociales a este anuncio están bastante polarizadas.

En LinkedIn, las voces de felicitación y expectativa son prominentes, especialmente entre inversores y personas relacionadas con la IA. La publicación de Recursive ha recibido cientos de reacciones, y en los comentarios, empresas de apoyo como GV y AMD Ventures han expresado su expectativa hacia el equipo y la misión de la empresa.

Nancy Xu ha posicionado la visión de Recursive como la chispa de la "próxima Renacimiento de la Innovación", sugiriendo que la IA se convertirá en una entidad que acelera el descubrimiento de conocimiento, no solo en la automatización de tareas. Esto se contrapone a la actual moda de agentes de IA que se centra en "IA que realiza trabajos", mientras que Recursive está promoviendo "IA que amplía la investigación y el descubrimiento".

Por otro lado, también hay voces cautelosas. Algunos comentarios en la publicación oficial de Recursive han señalado que con la IA auto-mejorada, no solo el modelo final, sino la cadena de mejoras en sí misma necesita ser auditada. ¿Qué ha cambiado, por qué ha cambiado, y cuál es la evidencia que respalda esos cambios? ¿Se están distorsionando los puntos de referencia? ¿La verificación se está convirtiendo en un razonamiento circular? ¿El descubrimiento de habilidades está superando la supervisión humana?

Este es un punto muy importante. Si la IA solo da una respuesta una vez, se puede evaluar esa respuesta. Pero si la IA sigue cambiando su diseño, no basta con evaluar solo la salida. Se necesita un sistema que rastree, verifique y haga explicable el proceso de mejora en sí mismo.

En las redes sociales, se encuentran comentarios como "es un gran equipo" y "esta es la próxima curva S en la investigación de IA", junto con preguntas como "¿cómo se garantizará la seguridad?" y "¿quién auditará la auto-mejora?". El anuncio de Recursive ha captado gran atención no solo porque el sueño es grande, sino también porque el riesgo es igualmente grande.

La seguridad en la era de "la IA que se repara a sí misma"

Al considerar la seguridad de la IA auto-mejorada, lo más difícil es la diferencia entre la velocidad de mejora y la velocidad de comprensión humana.

Cuando los humanos avanzan en la investigación, escriben artículos, se someten a revisión por pares, realizan experimentos de replicación y discuten dentro de la comunidad. Aunque lleva tiempo, en ese proceso hay espacio para que otros revisen. Se pueden detectar errores o afirmaciones excesivas.

Sin embargo, si la IA genera una gran cantidad de hipótesis, realiza muchos experimentos y actualiza modelos y algoritmos uno tras otro, será difícil para los humanos comprender todo. Además, si la IA crea sus propios criterios de evaluación o entornos de prueba, surge la cuestión de si esa evaluación es realmente válida.

Por ejemplo, si la IA decide que "se ha vuelto segura", ¿quién verificará esa decisión? ¿Se puede afirmar que la IA no está creando pruebas que le favorezcan? ¿Existe la posibilidad de que las restricciones de seguridad originalmente establecidas cambien involuntariamente a medida que aumentan las capacidades?

Por esta razón, en la IA auto-mejorada, no solo es esencial mejorar las capacidades del modelo, sino también la auditoría, los registros, la reproducibilidad, la evaluación externa y la verificación independiente de los experimentos. Recursive también ha explicado que prioriza la seguridad, pero su mecanismo específico será el mayor enfoque en el futuro.

¿Es esta una "empresa de investigación de IA" o una nueva infraestructura industrial?

Si se ve a Recursive simplemente como una empresa de investigación de IA, su valoración puede parecer sobrecalentada. Aún no hay productos. El número de empleados es pequeño. Sin embargo, tiene una valoración de miles de millones de dólares.

Sin embargo, los inversores no están mirando las ventas actuales, sino la posibilidad de que el método de producción de investigación de IA cambie. Si gran parte de la investigación y el desarrollo se automatiza, Recursive podría convertirse en una empresa de infraestructura de producción de conocimiento, no solo en un proveedor de modelos.

Esto es similar al concepto de la nube o los semiconductores. Así como las empresas pasaron de tener sus propios servidores a alquilar recursos computacionales en la nube, en el futuro podría llegar una era en la que la "capacidad de investigación" se utilice como un sistema de IA.

Una empresa quiere encontrar un nuevo material. Una institución de investigación quiere descubrir un nuevo candidato a fármaco. Un gobierno quiere acelerar la simulación de medidas contra enfermedades infecciosas. En esos casos, además de un equipo de investigadores humanos, un sistema de investigación de IA auto-mejorado ejecuta hipótesis y experimentos. El futuro que Recursive imagina está cerca de ese mundo.

Sin embargo, en ese escenario, la asignación de recursos computacionales se convierte en un problema social. ¿A qué investigación se destinan las GPUs y la electricidad limitadas? ¿Tratamiento del cáncer, cambio climático, tecnología militar, optimización de anuncios? Aunque la IA pueda acelerar el descubrimiento científico, la dirección la decidirá la sociedad, las empresas y el capital.

¿Qué exige la "auto-mejora" a la humanidad?

La idea de que la IA se mejore a sí misma ha sido un sueño en la investigación de IA desde hace mucho tiempo, y al mismo tiempo, un temor. Si se logra, podría realizar descubrimientos que tomarían tiempo a la inteligencia humana en un corto período. Tratamientos para enfermedades, energía limpia, nuevos materiales, problemas matemáticos no resueltos. La velocidad de investigación podría aumentar en todos los campos.

Sin embargo, la auto-mejora incontrolada también representa un gran riesgo para la sociedad. No se puede ignorar la posibilidad de que la IA no solo mejore sus habilidades, sino que también altere sus objetivos de manera que sean difíciles de entender para los humanos o eluda restricciones de seguridad.

Este problema no se trata simplemente de "si la IA se descontrolará". Más realísticamente, es una cuestión de gobernanza: ¿quién posee esa IA, quién puede usarla, quién la audita y quién es responsable si falla?

La aparición de Recursive indica que la industria de la IA está pasando de la etapa de "crear modelos más inteligentes" a "crear sistemas que crean modelos más inteligentes". Esto significa que la capa de competencia ha subido un nivel.

De la era en que se confiaba el trabajo a la IA, a la era en que se confía la investigación a la IA. Y luego, a la era en que se confía la mejora de la IA a la propia IA.

Cuando se abra esa puerta, el papel de los humanos no desaparecerá, sino que se volverá más pesado. ¿Qué se debe mejorar? ¿Cuánta autonomía se debe otorgar? ¿En qué etapa se debe detener? ¿Qué evidencia se necesita para considerar algo seguro? La sociedad no puede simplemente delegar esas decisiones a la IA.

El desafío de Recursive Superintelligence tiene el potencial de acelerar el futuro de la IA. Al mismo tiempo, plantea la pregunta de si la sociedad humana podrá seguir el ritmo de esa aceleración.

La era en que la IA transforma a la IA ya no es una ciencia ficción lejana. La cuestión no es solo cuándo se realizará, sino qué protegerá, qué delegará y qué continuará decidiendo la humanidad en ese momento.

URL de la fuente

TechCrunch: Entrevista con Richard Socher. Los principales puntos de discusión sobre la visión de Recursive Superintelligence, la auto-mejora recursiva, la exploración abierta, el momento del lanzamiento del producto y la importancia de los recursos computacionales.
https://techcrunch.com/2026/05/14/what-happens-when-ai-starts-building-itself/
Fuente verificada:

Sitio web oficial de Recursive: Explicaciones oficiales sobre la "superinteligencia auto-mejorada", la "automatización del descubrimiento de conocimiento" y el "enfoque en la seguridad" que la empresa promueve.
https://www.recursive.com/
Fuente verificada:

Publicación en LinkedIn de Recursive: Recaudación de 650 millones de dólares, valoración de 4.65 mil millones de dólares, participación de GV, Greycroft, AMD Ventures y NVIDIA, comentarios de felicitación y preocupación en las redes sociales.
https://www.linkedin.com/posts/recursive-si_we-are-emerging-from-stealth-with-a-bold-activity-7460256112886353920-DkOg
Fuente verificada:

Publicación en LinkedIn de Nancy Xu: Expectativas de inversores y partes interesadas sobre el anuncio de Recursive, evaluación como "descubrimiento de conocimiento" y "Renacimiento de la Innovación".
https://www.linkedin.com/posts/xnancy_congratulations-to-recursive-on-announcing-activity-7460406524415356930-NMaP
Fuente verificada:

Publicación en LinkedIn de Christian Miele: Hipótesis de negocio desde la perspectiva de un inversor en Recursive, evaluación como "IA que experimenta con métodos para mejorar a sí misma".
https://www.linkedin.com/posts/christianmiele_the-recursive-thesis-fits-in-one-sentence-activity-7460409135671562240-f4_w
Fuente verificada:

Publicación en LinkedIn de Richard Socher: Reacciones en las redes sociales al anuncio de la fundación de Recursive, expectativas sobre la automatización de hipótesis científicas y la infraestructura de descubrimiento.
https://www.linkedin.com/posts/richardsocher_today-im-very-excited-to-announce-the-launch-activity-7460362745377415168-Wu98
Fuente verificada:##HTML_TAG_157