La inteligencia artificial generativa avanza por eras. Cada nueva etapa no elimina la anterior, pero cambia lo que podemos esperar de las máquinas y, sobre todo, la manera en que las empresas pueden utilizarlas.

Primero tuvimos la IA conversacional. Después llegaron los modelos de razonamiento. Ahora nos encontramos en plena era de los agentes. Pero ya empiezan a aparecer los primeros indicios de una cuarta etapa: sistemas que no solo ejecutan tareas, sino que pueden investigar, experimentar y desarrollar soluciones de ingeniería durante horas o días a partir de unos objetivos fijados por una persona.

Esta cuarta era puede transformar la investigación, las industrias y la propia competencia empresarial. También podría poner fin a la idea de que los modelos más avanzados serán abundantes, prácticamente gratuitos y accesibles para todo el mundo.

Primera era: la IA con la que podíamos hablar

ChatGPT inauguró, a finales de 2022, la era del chat. Por primera vez, millones de personas podían relacionarse con una máquina utilizando el lenguaje natural. No hacía falta programar ni aprender órdenes especiales: solo había que escribir una pregunta.

Después del chat, el razonamiento y los agentes, se acerca una nueva generación de sistemas capaces de investigar e ingeniería de manera autónoma

Aquellos modelos podían resumir documentos, traducir textos, redactar correos o generar fragmentos de código. Su principal virtud era la fluidez. Parecían comprendernos, aunque en realidad a menudo se limitaban a producir la continuación estadísticamente más probable de un texto.

Eran sorprendentes, pero también frágiles. Contestaban demasiado rápido, cometían errores elementales e inventaban información con una seguridad desconcertante. La IA había aprendido a hablar antes de aprender a pensar.

Segunda era: la IA que razona

La segunda etapa llegó con los modelos de razonamiento. En lugar de generar inmediatamente una respuesta, estos modelos dedicaban más computación a analizar el problema, explorar posibles soluciones y comprobar el resultado.

La diferencia era importante. El escalado ya no dependía únicamente de entrenar un modelo más grande con más datos y más procesadores. También se podía mejorar la respuesta permitiendo que el modelo "pensara" durante más tiempo.

Esto hizo posible resolver problemas matemáticos, científicos y de programación mucho más complejos. La IA pasó de responder por intuición estadística a construir procesos que se parecían, al menos funcionalmente, a un razonamiento deliberado.

Pero todavía era una inteligencia esencialmente pasiva. Esperaba una pregunta, producía una respuesta y se detenía.

Tercera era: la IA que trabaja

La era actual es la de los agentes. Un agente combina un modelo con herramientas, memoria, acceso a datos y capacidad para actuar sobre otros programas. Puede descomponer un objetivo en diferentes pasos, buscar información, escribir y ejecutar código, consultar bases de datos, revisar sus resultados y seguir trabajando hasta completar la tarea.

La diferencia parece sutil, pero es fundamental. Un chatbot nos dice cómo deberíamos hacer un trabajo. Un agente intenta hacerlo.

Todavía estamos lejos de una máquina que se mejore sola sin intervención humana. Pero el bucle ya empieza a existir

Los agentes de programación han sido la primera aplicación realmente transformadora. Ya no se limitan a sugerir una función o completar una línea de código. Pueden examinar un repositorio entero, localizar un error, modificar diferentes archivos, ejecutar las pruebas y preparar una nueva versión del programa.

Claude Code, Codex y otros sistemas han convertido el desarrollo de software en el primer gran laboratorio de la empresa agentiva. No es casualidad: el código ofrece entornos estructurados, resultados verificables y una cantidad inmensa de datos sobre cómo trabajan los ingenieros.

La pregunta es qué pasará cuando entremos en la cuarta era.

La cuarta era: investigar y experimentar

La próxima frontera será la investigación autónoma. No se tratará solo de agentes capaces de utilizar herramientas, sino de sistemas que recibirán un objetivo general y podrán formular hipótesis, diseñar experimentos, ejecutarlos, analizar los resultados y modificar su estrategia.

En ingeniería, esto significa pasar de "programa esta aplicación" a objetivos como "reduce a la mitad el consumo energético de este sistema", "encuentra una vulnerabilidad que todavía no conocemos" o "diseña una arquitectura más eficiente". El agente deberá investigar diferentes alternativas y conservar aquello que funcione.

Ya empezamos a saber un poco de estos nuevos modelos; son el Atlas de OpenAI, el Fable 5.1 y el Grok 4.7 con muchos conocimientos de ingeniería... para hacer de ingeniero.

La próxima frontera será la investigación autónoma. No se tratará solo de agentes capaces de utilizar herramientas

El siguiente paso será cerrar completamente el círculo: que la IA no solo investigue, sino que utilice los resultados para construir mejores sistemas de IA. Esto es lo que se conoce como mejora recursiva: un modelo ayuda a diseñar los datos, los experimentos, el software y los métodos de entrenamiento de su sucesor.

Todavía estamos lejos de una máquina que se mejore sola sin intervención humana. Pero el bucle ya empieza a existir.

El Futuro – Recursive Self Improving

La investigación autónoma puede reducir radicalmente la duración de los ciclos de innovación. Un equipo humano acostumbra a formular una hipótesis, preparar un experimento, esperar los resultados, analizarlos y decidir el siguiente paso. Un sistema agentivo puede mantener este proceso en funcionamiento las veinticuatro horas, explorar muchas más alternativas y conservar una memoria detallada de los errores.

En la industria farmacéutica, podría proponer moléculas, simular sus propiedades y seleccionar los mejores candidatos para el laboratorio. En materiales, podría buscar composiciones con determinadas propiedades térmicas o eléctricas. En fabricación, podría rediseñar piezas y procesos para reducir costes, residuos o consumo energético. En ciberseguridad, podría buscar vulnerabilidades continuamente, pero también podría hacerlo un atacante.

Las empresas con más datos de calidad, mejores expertos y procesos mejor instrumentados aprenderán más rápidamente

El cuello de botella se desplazará. En algunos sectores ya no será la capacidad de generar ideas, sino la disponibilidad de laboratorios, datos fiables, sistemas de verificación, capacidad computacional y expertos que definan correctamente los objetivos.

Por eso, la IA no eliminará a los científicos y los ingenieros. Pero sí que cambiará profundamente su trabajo. El valor se desplazará de la ejecución rutinaria hacia la selección de problemas, el diseño de experimentos, la evaluación de los resultados y la apuesta por nuevas ideas.

Las empresas IA

La principal división no será entre empresas que "tienen IA" y empresas que no la tienen. Casi todas podrán contratar algún modelo. La diferencia estará entre las organizaciones que utilizan la IA como una herramienta de productividad y las que consiguen construir un sistema de aprendizaje a su alrededor.

Aquí aparecerá un efecto acumulativo. Las empresas con más datos de calidad, mejores expertos y procesos mejor instrumentados aprenderán más rápidamente. Las otras tendrán acceso a los mismos modelos, pero no a la misma capacidad de aprendizaje.

La primera era nos dio máquinas que hablaban. La segunda, máquinas que razonaban. La tercera nos está dando máquinas que trabajan. La cuarta nos traerá máquinas que investigan.