Edición en Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Un informe de Cambridge analiza si la investigación dirigida por IA podría acelerar el progreso de la IA

> Un documento de trabajo de Cambridge analiza si la investigación dirigida por IA podría acelerar el progreso de la IA. La cifra del 26 % de Anthropic se refiere a trabajo supervisado; el ciclo de retroalimentación propuesto sigue siendo condicional.

By BIG CHANGE Editorial

Published: 2026-09-28T23:34:31.964Z
Updated: 2026-09-28T23:34:31.964Z
Canonical: https://bigchange.ai/blog/casp-report-ai-automating-ai-research

![Conceptual charcoal illustration, seen from above, of one researcher comparing two sheets at a workbench while a desktop monitor faces away.](https://bigchange.ai/api/media/file/casp-research-review-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE.

Anthropic afirma que Claude ya lidera el 26 % del trabajo de investigación y desarrollo en IA que mide dentro de la empresa. Esto significa que un sistema puede completar la mayor parte de una tarea a partir de una instrucción de alto nivel mientras una persona lo supervisa. Anthropic también afirma que Claude no realiza por completo y de forma autónoma ningún trabajo de I+D medido. Esta distinción importa en un nuevo [documento de trabajo del Programa de Cambridge sobre Ciencia y Política de IA](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf), que se pregunta si una mayor participación de la IA en su propia I+D podría llegar a acelerar bruscamente el progreso de la IA.

El documento, fechado en septiembre de 2026, reúne a 22 autores de universidades, empresas de IA y organizaciones de la sociedad civil. Sostiene que es posible un ciclo rápido de retroalimentación: sistemas capaces ayudan a producir sistemas mejores, que a su vez realizan más investigación. Su conclusión central advierte de una trayectoria plausible y de la necesidad de medirla. El documento no afirma que esa aceleración ya haya comenzado.

## El cambio principal

- **Qué ha cambiado:** Un documento de trabajo interinstitucional expone las pruebas sobre la I+D dirigida por IA, las condiciones en que podría acelerar el progreso de la IA y las mediciones concretas que propone pedir a los gobiernos a los laboratorios de vanguardia.
- **Por qué importa:** Dentro de las empresas que desarrollan sistemas de IA se delegan cada vez más tareas de investigación a esos mismos sistemas. Las mediciones públicas de esa delegación siguen siendo parciales, lo que dificulta saber cuánto se está acelerando el proceso de investigación en su conjunto.
- **Qué conviene seguir:** Mediciones verificadas de forma independiente sobre cuánto trabajo completa la IA, si sus contribuciones mejoran los modelos posteriores y si el cómputo, los experimentos y la revisión humana frenan el ciclo de retroalimentación.

## Las pruebas son reales, pero las mediciones responden a preguntas distintas

[Informe de medición de Anthropic de septiembre](https://www.anthropic.com/institute/measuring-pace-of-ai-development) afirma que en agosto de 2026 la proporción de trabajo de I+D que alcanzó el nivel «la IA lidera» llegó al 26 %, frente a menos del 1 % en febrero. En esa escala de valoración sigue habiendo un supervisor humano. Anthropic dice que el índice es un prototipo, que sus propios modelos ayudan a evaluar el trabajo y que no hay un método común para comparar cifras de distintas empresas. Su afirmación de que ningún trabajo medido es completamente autónomo debe considerarse junto con la cifra del 26 %.

[Informe de OpenAI de septiembre](https://openai.com/index/research-acceleration-view-inside-openai/) describe cómo los investigadores usan más agentes de programación, contribuyen código más rápido y ejecutan más experimentos. OpenAI afirma que el volumen de experimentos está correlacionado con un mayor uso de agentes, y que también ha aumentado el cómputo disponible. Según la empresa, las personas siguen eligiendo las prioridades de investigación y decidiendo qué resultados perseguir. Más código y experimentos pueden contribuir a la investigación, pero no demuestran un aumento equivalente en la velocidad a la que se producen modelos más capaces.

Las evaluaciones independientes ayudan a medir una parte del proceso. La [actualización Time Horizon 1.1 de METR](https://metr.org/blog/2026-1-29-time-horizon-1-1/) concluye que, en su conjunto de pruebas, los modelos pueden completar tareas de investigación y software más largas que los sistemas anteriores. METR también informa de una gran incertidumbre para las tareas largas, cuyos tiempos humanos de finalización se estimaron en muchos casos. Una prueba comparativa de tareas mide la capacidad en las tareas seleccionadas; no mide la productividad total de investigación de un laboratorio de IA. En otro estudio aleatorizado, con 16 desarrolladores experimentados de código abierto que trabajaron en 246 tareas, [METR halló que el acceso a herramientas de IA de principios de 2025 aumentó el tiempo de finalización un 19 %](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf). Ese entorno de software anterior no representa a un laboratorio de vanguardia en septiembre de 2026, pero muestra por qué el uso de herramientas y las pruebas de tareas, por sí solos, no resuelven la cuestión de la productividad.

## Un posible ciclo de retroalimentación tiene varios frenos

El documento de CASP se centra en un ciclo impulsado por software. Los sistemas de IA ampliarían la fuerza de trabajo efectiva en investigación al realizar tareas en paralelo. Las mejoras logradas harían que los sistemas siguientes fueran mejores investigadores, lo que permitiría más mejoras. Los autores dicen que las pruebas preliminares concuerdan con este mecanismo y consideran probable una automatización sustancial de la I+D en unos años. La posibilidad más extrema de una «explosión de inteligencia», que comprima años de progreso en meses o menos, depende de que el ciclo supere sus restricciones. Es un escenario condicional, no una previsión medida de lo que ocurrirá.

El documento señala cuatro restricciones importantes: rendimientos decrecientes al añadir más esfuerzo de investigación, límites de cómputo y datos, tareas que siguen siendo difíciles de automatizar y procesos —como las largas ejecuciones de entrenamiento— que no pueden acelerarse a voluntad. Indica que las pruebas sobre algunas restricciones son mixtas o indirectas y que faltan pruebas directas sobre la intensidad de los cuellos de botella que requieren tiempo. Su ejemplo de una aceleración del progreso de diez veces en aproximadamente 1,5 años es un cálculo del modelo posterior a una automatización completa de la I+D, condicionado a que se mantengan los rendimientos estimados del esfuerzo de investigación y no aparezcan nuevos cuellos de botella. No es una aceleración observada ni una fecha incondicional.

Otros trabajos precisan la incertidumbre. En un [estudio de 2025 sobre cuatro laboratorios de IA](https://arxiv.org/abs/2507.23181), Parker Whitfill y Cheryl Wu obtuvieron respuestas distintas según cómo modelaran el cómputo de investigación. En una especificación, el trabajo cognitivo y el cómputo parecían sustituibles; en un modelo que tenía en cuenta las crecientes exigencias de los experimentos de vanguardia, parecían complementarios. Los autores advierten que los datos y el modelo son limitados. El [análisis de Toby Ord de agosto de 2026](https://arxiv.org/abs/2608.14426) identifica el tiempo necesario para completar cada ciclo de mejora como otro parámetro crítico. Estos análisis no descartan una aceleración rápida. Muestran que la velocidad del ciclo no puede deducirse directamente del número de agentes ni de la cantidad de código que escriben.

## Qué proponen medir los autores

Los autores de Cambridge proponen tres prioridades de política: obtener visibilidad sobre la automatización de la I+D en IA, desarrollar formas de orientar y limitar una posible aceleración, y prepararse para sus efectos potenciales. La prioridad más inmediata y comprobable es la medición. Proponen informar sobre la proporción de contribuciones de investigación producidas por la IA, el ritmo de mejora algorítmica, cómo distribuyen los laboratorios el gasto entre personal y cómputo, las decisiones de investigación que influyen los sistemas de IA y los incidentes con agentes internos. También proponen auditorías independientes, con requisitos más estrictos para los sistemas que estén a la vanguardia de la capacidad de I+D en IA.

Algunas propuestas posteriores —incluidos requisitos previos a nuevos despliegues, mecanismos para pausar determinadas cargas de trabajo de I+D y verificación internacional— exigirían un diseño complejo y decisiones de compromiso. El propio documento advierte que unas competencias mal diseñadas podrían favorecer a una empresa y retrasar trabajo beneficioso. Su descripción de posibles beneficios y daños graves depende de la aceleración condicional descrita antes. Los responsables de formular políticas pueden examinar el argumento a favor de informar a corto plazo sin suponer que ya se ha producido el escenario más extremo.

La pregunta útil tras este informe es más concreta que si la IA se volverá superinteligente de repente. Se trata de si los laboratorios pueden mostrar, con criterios comparables, qué partes de la investigación lidera ahora la IA, qué mejoras sobreviven a la evaluación humana y con qué rapidez se incorporan esas mejoras a la siguiente generación de sistemas. Las pruebas públicas aún no bastan para responder a esa pregunta en distintas empresas.

## Fuentes y lecturas adicionales

- [Programa de Cambridge sobre Ciencia y Política de IA, documento de trabajo completo (septiembre de 2026)](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf): El argumento de los autores, la revisión de pruebas, los supuestos del modelo, las limitaciones y las propuestas de política. Está identificado como documento de trabajo; los materiales públicos no demuestran que haya pasado una revisión externa por pares.
- [Resumen ejecutivo de CASP](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf): Exposición más breve del escenario condicional de los autores y de las respuestas propuestas. Lo redactó un subgrupo de los autores.
- [Anthropic, mediciones de la I+D dirigida por IA](https://www.anthropic.com/institute/measuring-pace-of-ai-development): Fuente primaria de la cifra del 26 % en el nivel «la IA lidera», del requisito de supervisión y de las limitaciones metodológicas.
- [OpenAI, aceleración de la investigación dentro de OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/): Uso de agentes, volumen de experimentos, dirección humana y salvedades sobre la medición del progreso de la investigación, según la empresa.
- [METR, Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/): Evaluación independiente de la duración de tareas y de la incertidumbre sobre cómo se estiman los horizontes de las pruebas comparativas.
- [Whitfill y Wu, cuellos de botella de cómputo](https://arxiv.org/abs/2507.23181), y [Ord, dinámica de las explosiones de inteligencia](https://arxiv.org/abs/2608.14426): Análisis separados de las condiciones que podrían ralentizar o modificar un ciclo recursivo de investigación.

## Sources

- [CASP: ¿Y si la automatización de la I+D en IA desencadena una explosión de inteligencia?](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf) — Documento de trabajo primario de 14 páginas, n.º 2/2026, de la serie Frontier AI Working Paper. Léase completo: mecanismo, pruebas mixtas, supuestos y propuestas de política.
- [Resumen ejecutivo de CASP](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf) — Resumen de dos páginas redactado por un subgrupo de los autores. Se contrastó con el documento completo.
- [Anthropic: Mediciones para comprender el ritmo de desarrollo de la IA en los laboratorios de vanguardia](https://www.anthropic.com/institute/measuring-pace-of-ai-development) — Medición primaria de la empresa: 26 % de trabajo liderado por IA, ningún caso medido de autonomía completa y salvedades metodológicas.
- [OpenAI: Aceleración de la investigación: la perspectiva interna de OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/) — Mediciones primarias de la empresa sobre el uso de agentes y la actividad de investigación; distingue la correlación del progreso neto de los modelos.
- [METR: Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/) — Evaluación independiente del horizonte de tareas, con incertidumbre y limitaciones en la composición de las tareas.
- [METR: Medición del impacto de la IA de principios de 2025 en la productividad de desarrolladores experimentados de código abierto](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf) — Estudio aleatorizado en otro entorno de software; contraejemplo limitado a la suposición de que adoptar herramientas aumenta la productividad.
- [Whitfill y Wu: ¿Impedirán los cuellos de botella de cómputo una explosión de inteligencia?](https://arxiv.org/abs/2507.23181) — Análisis basado en un modelo, con estimaciones divergentes sobre la sustitución entre cómputo y trabajo, y limitaciones explícitas de los datos.
- [Toby Ord: La dinámica de las explosiones de inteligencia](https://arxiv.org/abs/2608.14426) — Análisis teórico del tiempo de generación de los ciclos de retroalimentación; no es una previsión empírica.