Qué se viene en inteligencia artificial
Esta sección envejece más rápido que el resto, así que está escrita separando tres cosas que suelen mezclarse: lo que es apuesta segura y conviene estudiar aunque cambie todo, lo que está cambiando ahora mismo, y lo que está genuinamente en disputa entre gente que sabe.
La distinción importa porque el discurso público sobre IA mezcla las tres categorías todo el tiempo, y casi todos los pronósticos vienen de gente con incentivos: laboratorios que necesitan capital, críticos que construyeron su identidad sobre el escepticismo, inversores con posiciones tomadas. La forma útil de leerlos es en pares opuestos, quedándose con los mecanismos causales que proponen y no con las fechas.
1. Apuestas seguras: lo que estudiar hoy sigue valiendo en diez años
Si tu tiempo de estudio es limitado, invertilo acá. Nada de esto depende de qué modelo esté de moda.
- La matemática de base. Álgebra lineal, cálculo, probabilidad y optimización no cambiaron y no van a cambiar. Toda arquitectura futura se va a describir con este vocabulario.
- El descenso por gradiente y la diferenciación automática. Podemos cambiar de arquitectura, de optimizador o de precisión numérica; el esquema de "definir una pérdida y bajar por el gradiente" lleva seis décadas resistiendo.
- La lección amarga. Los métodos generales que aprovechan más cómputo terminan superando a los que codifican conocimiento humano. Se cumplió tantas veces que conviene tratarla como un prior fuerte al evaluar cualquier propuesta nueva.
- Que el progreso escala con recursos de forma predecible. Las constantes cambian y los ejes se mueven (parámetros → datos → cómputo de inferencia), pero la existencia de curvas de escalado predecibles es el hallazgo empírico más robusto del campo.
- La destilación. Modelos grandes que entrenan modelos chicos: es la técnica con mejor retorno económico de la industria y no hay razón para que deje de serlo.
- La evaluación como disciplina. A medida que los sistemas se vuelven más autónomos, medir bien se vuelve más difícil y más valioso. Es la habilidad más subestimada del campo.
- Los conceptos, no las implementaciones. Representaciones distribuidas, atención como mecanismo de enrutamiento de información, cuellos de botella de memoria, sobreajuste. Sobreviven a cualquier cambio de arquitectura.
Si un recurso te enseña por qué algo funciona, casi seguro sigue siendo válido dentro de cinco años. Si te enseña qué botón apretar en una librería, probablemente esté obsoleto en seis meses. Priorizá el primero y aprendé el segundo cuando lo necesites.
2. Lo que está cambiando ahora mismo (2025-2026)
Estas transiciones ya ocurrieron o están ocurriendo. No son predicciones: son el estado actual del campo, y explican por qué material de 2023 puede sonar viejo.
El escalado se corrió del pre-entrenamiento
Durante años, "mejorar el modelo" significaba entrenar uno más grande con más datos. Hoy la mayor parte de las ganancias viene del post-entrenamiento y del cómputo en tiempo de inferencia: RL con recompensas verificables, cadenas de razonamiento largas, búsqueda y verificación. DeepSeek-R1 lo volvió público y reproducible, y desde entonces el gasto se corrió hacia esa etapa.
De modelos a agentes
La unidad de análisis dejó de ser "el modelo" y pasó a ser el sistema completo: modelo + herramientas + memoria + bucle de control. Buena parte del progreso visible del último año viene del andamiaje alrededor del modelo, no de los pesos. La métrica que mejor captura esto es el horizonte temporal de tareas que un sistema completa de forma autónoma, que viene duplicándose aproximadamente cada siete meses.
Arquitecturas híbridas y eficiencia
La mezcla de expertos es hoy el estándar de facto en modelos frontera: activar una fracción de los parámetros por token. En paralelo, los modelos de espacio de estados dejaron de ser una curiosidad y aparecen como capas intercaladas con atención en modelos de producción. La atención cuadrática pura ya no es la única opción seria.
Los datos humanos de calidad se están agotando
Las proyecciones sobre el stock de texto público de alta calidad convergen en que el margen es estrecho. La respuesta de la industria son datos sintéticos, currículums cuidados, entornos verificables y RL. Esto conecta directamente con la tesis de la "era de la experiencia": si no quedan datos humanos que consumir, el aprendizaje tiene que venir de la interacción.
Modelos chicos sorprendentemente capaces
Destilación más datos curados hicieron que modelos de 3B a 30B parámetros hagan hoy lo que en 2023 requería cientos de miles de millones. Consecuencia práctica: cada vez más casos de uso se resuelven local, barato y sin enviar datos a ningún lado.
La interpretabilidad empezó a ser útil
Pasó de resultados en modelos de juguete a encontrar características manipulables en modelos de producción y a trazar grafos de atribución que muestran planificación anticipada y racionalización a posteriori. Todavía está lejos de ser una herramienta de auditoría confiable, pero dejó de ser puramente académica.
3. Lo que está genuinamente en disputa
Acá hay gente muy inteligente en desacuerdo profundo. Desconfiá de quien te presente cualquiera de estos puntos como resuelto, en cualquier dirección.
| La pregunta | Una posición | La otra |
|---|---|---|
| ¿Alcanza con escalar? | Las curvas siguen sin quebrarse; falta ingeniería, no ideas nuevas. | Los LLMs interpolan sobre lo visto; falta un mecanismo de generalización que no tenemos (Chollet, LeCun). |
| ¿Los modelos "razonan"? | Las cadenas largas resuelven problemas genuinamente nuevos y verificables. | Es búsqueda sobre patrones memorizados que colapsa al subir la complejidad estructural. |
| ¿El RL crea capacidades o las revela? | El RL con recompensas verificables enseña habilidades nuevas de razonamiento. | Solo amplifica lo que el modelo base ya podía hacer con muestreo suficiente. |
| ¿Sobrevive el transformer? | La inercia de hardware y software es enorme; se seguirá modificando por dentro. | Los híbridos, los modelos sin tokenizador y los modelos del mundo lo van a desplazar en 3-5 años. |
| ¿Cuándo llega el aprendizaje continuo? | Memoria en tiempo de test y arquitecturas tipo Titans ya apuntan en esa dirección. | El olvido catastrófico sigue sin resolverse y puede requerir un cambio de paradigma. |
| ¿Cuándo llega la IA general? | Esta década, por extrapolación de las curvas de capacidad y autonomía. | La definición misma es confusa y la difusión real la limitan las instituciones, no la capacidad. |
| ¿La inversión actual es sostenible? | El capex se justifica: la demanda de inferencia crece más rápido que la oferta. | Hay una brecha grande entre gasto en cómputo e ingresos; una corrección afectaría el ritmo del campo. |
4. Qué mirar para actualizar tus creencias
En vez de seguir opiniones, seguí indicadores. Estas son las señales que efectivamente distinguen entre los escenarios de la tabla anterior:
- Benchmarks resistentes a la memorización (ARC-AGI-2 y sucesores, FrontierMath, Humanity's Last Exam). Si estos ceden rápido, la posición escaladora se fortalece mucho.
- Horizonte temporal de tareas autónomas (METR). Si la duplicación cada ~7 meses se sostiene, los agentes económicamente relevantes llegan antes de lo que sugiere la intuición.
- Costo por unidad de capacidad. El precio de alcanzar un nivel dado de desempeño viene cayendo de forma brutal; es lo que determina qué se vuelve viable en la práctica.
- Publicaciones de aprendizaje continuo y modelos del mundo. Un resultado sólido acá sería el cambio cualitativo más grande desde los modelos de razonamiento.
- Adopción real medida, no anunciada. Estudios de productividad y datos de uso, no comunicados de prensa.
- Datos de Epoch AI. Es la fuente que convierte esta discusión en algo empírico en lugar de retórico.
Casi todos los pronósticos públicos vienen de gente con incentivos: laboratorios que necesitan capital, críticos que construyeron su identidad sobre el escepticismo, inversores con posiciones tomadas. Eso no los invalida, pero conviene leer siempre en pares opuestos —"Situational Awareness" junto a "AI as Normal Technology", Sutton junto a los escaladores— y quedarse con los mecanismos causales que cada uno propone, no con las fechas.
5. Recursos sobre el futuro
📚 Libro
📄 Paper
El 'horizonte temporal' de las tareas que un modelo completa se duplica cada ~7 meses. Es la métrica de progreso más informativa que existe hoy, porque mide autonomía y no conocimiento.
Los dos padres del RL moderno argumentan que los datos humanos se agotaron y que la próxima era será de agentes que aprenden de su propia experiencia. Si tenés que apostar a una sola tesis sobre el futuro, esta es la más respaldada por trayectoria.
Los modelos actuales no aprenden después de entrenados. Resolverlo es probablemente la próxima gran ruptura: seguí esta literatura de cerca.
Consenso científico internacional sobre qué sabemos y qué no sobre capacidades y riesgos. La referencia neutral cuando la discusión se polariza.
Sostiene que los modelos de razonamiento colapsan al aumentar la complejidad. Provocó respuestas técnicas fuertes: el intercambio completo es el mejor material sobre qué significa 'razonar'.
Proyección cuantitativa del agotamiento del texto humano de calidad. La razón por la que datos sintéticos y RL pasaron al centro de la escena.
✍️ Blog/Post
El contrapunto riguroso a los escenarios de despegue: la difusión de una tecnología está limitada por instituciones, no por capacidad del modelo. Leelo junto a los dos anteriores.
El escenario optimista escrito con seriedad: biología, salud mental, desarrollo económico, gobernanza. Explícitamente especulativo, y por eso mismo útil.
La definición de inteligencia como eficiencia en la adquisición de habilidades. El argumento más sólido de por qué escalar memorización no basta.
Un escenario detallado, trimestre a trimestre, de cómo podría verse un despegue. Es ficción razonada con supuestos explícitos; el valor está en las cadenas causales, no en las fechas.
Sutton argumenta que los LLMs son un desvío respecto del aprendizaje por experiencia. Uno de los desacuerdos más productivos que se hicieron públicos.
La tesis de despegue rápido más difundida, con foco en cómputo, seguridad nacional y carrera geopolítica. Muy discutida y muy discutible: leela como argumento, no como pronóstico.
🛠️ Herramienta
Preguntas frecuentes sobre el futuro de la IA
¿Qué conviene estudiar hoy que siga sirviendo en diez años?
La matemática de base, el descenso por gradiente y la diferenciación automática, la lección amarga como criterio para evaluar propuestas nuevas, y la evaluación como disciplina. Regla práctica: si un recurso te enseña por qué algo funciona, probablemente siga vigente; si te enseña qué botón apretar en una librería, va a estar obsoleto en seis meses.
¿Cuándo llega la inteligencia artificial general?
Es una de las preguntas genuinamente en disputa, y desconfiá de cualquiera que la presente como resuelta en cualquier dirección. Hay posiciones serias que la ubican en esta década por extrapolación de curvas de capacidad, y posiciones igual de serias que señalan que la definición misma es confusa y que la difusión real la limitan las instituciones, no la capacidad técnica.