(RSI) Mejora recursiva de la IA: qué hay de real en que la IA ayude a construir la siguiente IA
La idea de una inteligencia artificial que se mejora a sí misma, y que al hacerlo mejora su capacidad de mejorarse otra vez, lleva décadas en la ciencia ficción. Ahora aparece en ensayos de empresas punteras y en artículos científicos. Conviene separar lo que ya ocurre de lo que es un escenario posible, porque la mejora recursiva de la IA se presta a titulares grandilocuentes.
Este artículo recorre lo que dice Anthropic, qué evidencias hay sobre la IA que investiga IA y qué límites siguen en pie. Spoiler sin drama: hay avances reales y datos llamativos, pero no hay una IA autónoma que se reescriba sola ni una explosión exponencial demostrada.
Qué es la mejora recursiva (RSI)
La mejora recursiva, o recursive self-improvement (RSI), describe un sistema de IA que contribuye a mejorar generaciones posteriores de IA. Puede hacerlo con su propio código, con sus métodos de entrenamiento o con la propia investigación en IA. La clave es el bucle: cada mejora acelera la siguiente vuelta.
Una analogía cotidiana es la de un aprendiz que reescribe el manual con el que aprende. Si el manual mejora, el aprendiz aprende mejor, y con ese mejor aprendizaje escribe un manual todavía mejor. Con un detalle importante: alguien tiene que comprobar que las correcciones del aprendiz son correctas y no una colección de erratas muy convencidas de sí mismas.
Anthropic, en su ensayo «When AI builds itself», no lo plantea como un interruptor de sí o no, sino como un continuo de autonomía creciente en el bucle de mejora de la IA. Según ese marco, los puntos del continuo serían estos:
- Humanos escribiendo todo el código (la situación anterior a 2023).
- Codificación asistida mediante chat.
- Agentes de código autónomos.
- Agentes que delegan trabajo en otros agentes.
- En el extremo, «cerrar el bucle»: agentes que diseñan y entrenan a los modelos que los sucederán.
Fuente: Anthropic, «When AI builds itself».
Desde el lado académico, una encuesta sobre 1.250 artículos de arXiv (2024-2026) propone una distinción útil. Por un lado está la auto-mejora acotada (bounded self-refinement), que es convergente, evaluable y ya se practica en la industria. Por otro está la RSI abierta, que sigue limitada por requisitos de fundamentación, dinámicas de colapso y cómputo. Fuente: arXiv 2607.07663.
Dicho de otro modo, cuando alguien habla de «IA que se mejora a sí misma», conviene preguntar de cuál de las dos habla.
Lo que dice Anthropic (y desde dónde lo dice)
Anthropic afirma que está delegando «una parte creciente» del desarrollo de IA a sistemas de IA, lo que acelera tanto la ingeniería como la investigación. Fuente: Anthropic.
Esto es una declaración corporativa y así hay que leerla. La empresa es a la vez protagonista del fenómeno y quien lo cuenta. Eso no la invalida, pero obliga a distinguir entre lo que se ha medido de forma independiente y lo que se informa desde dentro.
El dato del código
La cifra que más se cita es la del código. Según la encuesta académica, que a su vez cita el ensayo de Anthropic, a mayo de 2026 se informa de que Claude escribe más del 80 % del código fusionado (merged) de Anthropic. Fuente: arXiv 2607.07663 (PDF).
Es un dato de la propia empresa, no una medición independiente. Y escribir código es un tipo de trabajo concreto: el código sigue pasando por revisión, pruebas y decisiones humanas sobre qué se construye y por qué. Que una IA escriba la mayor parte de las líneas no equivale a que decida hacia dónde va la investigación.
El juicio del investigador
Anthropic también publica una prueba sobre si el modelo elige «un mejor siguiente paso» que un humano en una investigación. La empresa la interpreta como una señal temprana de que los sistemas mejoran en las decisiones que exige la investigación en IA. Fuente: Anthropic.
Conviene fijarse en el matiz: se habla de «señal temprana», no de capacidad consolidada.
Investigadores automatizados: el trabajo de agosto de 2026
En agosto de 2026 Anthropic publicó un trabajo sobre «Automated Researchers» (AAR). Según la cobertura de TechCrunch, el mejor método AAR supera lo que proponen humanos con experiencia, de media en seis horas, y las direcciones guiadas por humanos no obtuvieron mejor rendimiento. Fuente: TechCrunch, 28/08/2026.
Tres precauciones sobre este resultado:
- Lo conocemos a través de una cobertura periodística de un trabajo de la propia empresa.
- El propio trabajo lo califica de evidencia temprana de que la post-formación de alineación automatizada podría ser práctica a corto plazo. Es un «podría», no un «ya lo es».
- Los detalles de la comparación (tareas concretas, qué se midió exactamente) no figuran en el material disponible, así que no los damos por sabidos.
AIDE²: un agente que propone cambios a su propio código
El ejemplo más cercano a la idea de bucle viene de la literatura académica. Se trata de AIDE² (arXiv 2609.26457, septiembre de 2026), descrito como un agente de investigación de IA que:
- propone cambios a su propio código,
- los evalúa en tareas de I+D,
- y conserva los mejores.
Según el trabajo, en una ejecución autónoma de 8 días descubrió siete mejoras sucesivas. En las tareas evaluadas iguala o supera a un agente de producción diseñado por humanos. Además, reduce el «reward hacking» del 55 % al 32 %, una propiedad que el bucle no optimizó de forma explícita. Fuente: arXiv 2609.26457.
El reward hacking es la tendencia de un sistema a encontrar atajos que maximizan la métrica sin hacer realmente la tarea, como el estudiante que aprende a sacar nota sin aprender la asignatura. Que esa tendencia baje sin haberla perseguido directamente es un resultado interesante.
Los propios autores observan además que las mejoras se transfirieron a tareas y dominios que el bucle no había visto.
Qué no dice este resultado:
- No dice que el agente actúe sin supervisión en el mundo real: son tareas de I+D evaluadas en un entorno de investigación.
- No dice que el bucle pueda seguir indefinidamente: fueron ocho días y siete mejoras.
- No dice que el proceso se acelere por sí solo de forma sostenida.
Es una demostración de concepto sólida y acotada. Interesante, sí, pero no es una explosión de inteligencia.
La escala que importa: asistencia, automatización parcial y mejora autónoma
La confusión suele venir de meter todo en el mismo saco. Resulta más útil separar tres niveles, siguiendo el marco de Anthropic y la taxonomía académica (fuentes: Anthropic · arXiv 2607.07663):
1. Asistencia a investigadores. El humano dirige y la IA acelera tareas concretas: escribir código, buscar bibliografía, preparar experimentos. Es la práctica actual.
2. Automatización parcial. La IA ejecuta y propone, y el humano fija la dirección y juzga los resultados. Es un nivel emergente, y es donde se sitúan los trabajos tipo AAR y AIDE².
3. Mejora autónoma («cerrar el bucle»). La IA diseña y entrena a su sucesora con un papel humano mínimo. No está demostrada: hoy es un escenario.
Si una noticia mezcla los tres niveles en el mismo titular, desconfíe un poquito. Lo habitual es que esté hablando del primero o del segundo con vocabulario del tercero.
El cuello de botella: decidir qué investigar y verificar qué funciona
Un punto que se pierde en el debate público es que el ensayo de Anthropic sitúa el cuello de botella actual en la «dirección de la investigación», es decir, en decidir qué problemas importan, y no en la ejecución. Fuentes: Anthropic · arXiv 2607.07663 (PDF).
La encuesta académica añade un matiz sobre la verificación. Distingue dos problemas:
- Verificar una mejora: comprobar que algo funciona mejor que antes.
- Decidir qué merece ser evaluado: elegir qué hipótesis, qué camino o qué métrica vale la pena explorar.
La fuerza demostrada de la auto-mejora sigue una jerarquía de verificación, que va de los verificadores formales (los más fuertes) a la autoevaluación intrínseca (la más débil). Es decir, un sistema mejora con más fiabilidad cuando alguien o algo externo y riguroso puede decirle si acertó. El segundo problema, decidir qué evaluar, no lo resuelve esa jerarquía, y por eso mantiene al humano en el bucle. Fuente: arXiv 2607.07663.
Esto es análisis de la fuente académica, no un hecho cerrado. Pero ayuda a entender por qué «la IA programa mucho» y «la IA decide sola hacia dónde ir» son afirmaciones de calibre muy distinto.
Limitaciones que siguen ahí
Según la encuesta, la RSI abierta sigue limitada por varios factores. Fuente: arXiv 2607.07663.
- Fundamentación (grounding). Sin una señal externa fiable, la auto-mejora se degrada. Si el sistema solo se corrige a sí mismo, puede acabar consolidando sus propios errores.
- Colapso de modelo y de diversidad. Entrenar sobre lo generado por el propio sistema puede empobrecerlo, como fotocopiar una fotocopia hasta que la imagen se pierde.
- Restricciones de cómputo. La encuesta las identifica en todos los ejes medidos. Mejorar no es gratis: requiere recursos físicos y económicos.
A estas limitaciones se suma la ya comentada de la verificación y la dirección. Ninguna es necesariamente definitiva, pero tampoco son detalles menores que alguien vaya a resolver el martes.
Cómo podría acelerarse la I+D (con cautela)
Con esas cautelas, ¿por qué se habla de aceleración? Porque automatizar partes del ciclo de investigación (búsqueda bibliográfica, propuesta de métodos, experimentos, evaluación) puede multiplicar la productividad del trabajo humano, y esas ganancias se componen. Fuentes: TechCrunch · arXiv 2609.26457.
Si además las mejoras se transfieren a dominios que el bucle no vio, como observó AIDE², el efecto podría extenderse. Es una expectativa razonable apoyada en resultados tempranos, no una trayectoria confirmada.
Escenarios futuros (que son escenarios, no hechos)
Anthropic describe varios escenarios. Dos de ellos (fuente: Anthropic):
- Ganancias de eficiencia compuestas. Las empresas ven mejoras acumuladas, con un desarrollo de IA sustancialmente automatizado pero con humanos fijando direcciones y juzgando resultados.
- Un «laboratorio virtual» dirigido por sistemas de IA, con el esfuerzo humano desplazado hacia la supervisión, la validación y la verificación.
También se menciona la posibilidad de que estas capacidades se transfieran al resto de la ciencia.
Hay que leerlos como lo que son: escenarios plausibles, no resultados demostrados y desde luego no una explosión exponencial ya en marcha. Describen futuros que alguien considera dignos de planificación, no predicciones cumplidas.
La postura de prudencia de Anthropic
Anthropic mantiene públicamente una postura cautelosa. Propone, entre otras opciones, la de ralentizar o pausar temporalmente el desarrollo de frontera para que la alineación y las estructuras sociales se pongan al día. Fuente: Anthropic.
Es una propuesta o postura declarada, no una decisión adoptada ni un compromiso verificable por sí mismo. Vale la pena anotarla, y también anotar la tensión que el propio caso muestra: quien advierte del riesgo es, a la vez, quien delega cada vez más trabajo en IA.
Por qué conviene precisión y no titulares
Resumiendo lo que sabemos y lo que no:
Hechos o resultados publicados (con su origen):
- Anthropic declara delegar una parte creciente del desarrollo de IA en sistemas de IA.
- Se informa, como dato corporativo, de que Claude escribe más del 80 % del código fusionado de la empresa a mayo de 2026.
- AIDE² logró siete mejoras sucesivas en ocho días en tareas de I+D, con menos reward hacking (del 55 % al 32 %).
Evidencia temprana y expectativas:
- Los resultados de investigadores automatizados (AAR) y la prueba del «mejor siguiente paso» son indicios, no conclusiones cerradas.
- La aceleración compuesta de la I+D es una expectativa razonable, no un hecho medido de forma independiente.
Escenarios:
- Un laboratorio virtual dirigido por IA, y la extensión a otras ciencias.
- «Cerrar el bucle» de forma plenamente autónoma: no demostrado.
La mejora recursiva de la IA es un tema serio, con trabajo empírico real y preguntas abiertas importantes sobre verificación, dirección de la investigación y gobernanza. Precisamente por eso merece un trato más cuidadoso que el de «las máquinas ya se programan solas». Hoy la imagen más fiel es la de investigadores humanos con herramientas cada vez más capaces, y una pregunta bien planteada sobre hasta dónde llegará esa delegación y quién verificará lo que se delegue.
Para ampliar información
- Anthropic, «When AI builds itself»: www.anthropic.com/institute/recursive-self-improvement
- «Recursive self-improvement of AI research agents» (AIDE²), arXiv 2609.26457: arxiv.org/abs/2609.26457
- «RSI: From Bounded Self-Refinement to Autonomous Research Loops» (encuesta), arXiv 2607.07663: https://arxiv.org/abs/2607.07663 · PDF: https://arxiv.org/pdf/2607.07663
- TechCrunch (28/08/2026), «An Anthropic researcher just gave us a peek at self-improving AI»: techcrunch.com/2026/08/28/an-anthropic-researcher-just-gave-us-a-peek-at-self-improving-ai
