La noticia no es que la inteligencia artificial escriba código. La noticia es que ya está diseñando la arquitectura de sus propios sucesores. Jack Clark, cofundador de Anthropic, lo resume en una frase que debería sonar en cada directorio de la región: "todas las piezas están en su sitio" para que la IA automatice su propia ingeniería y, en gran medida, su propia investigación.
Mientras tanto, Mark Zuckerberg publica un manifiesto defendiendo el código abierto como contrapeso al poder concentrado de OpenAI y Anthropic, y advierte que Occidente no puede permitirse quedarse atrás frente a China. Entre ambos discursos queda expuesta la misma realidad: el ciclo de innovación se ha cerrado sobre sí mismo y quien no controle la cadena de producción de modelos quedará expuesto a decisiones ajenas.
El cierre del ciclo: de herramienta a arquitecto
El boletín Import AI de Clark describe tres fuentes que convergen: papers en arXiv, productos reales de las grandes compañías y el uso interno de IA para acelerar sus propios equipos de investigación. El resultado es una distinción operativa clave: la ingeniería de IA —curar datos, ajustar hiperparámetros, probar miles de configuraciones de entrenamiento— ya es automatizable en su totalidad. La investigación de IA —proponer arquitecturas novedosas, definir nuevos objetivos, inventar métodos de evaluación— empieza a serlo.
Presentado en el mismo número de Import AI, el benchmark DiG-bench ilustra el salto cualitativo. Setenta juegos donde las reglas y el objetivo están ocultos y deben descubrirse por exploración. Los modelos que resuelven estos entornos demuestran "intuición creativa": la capacidad de inferir la estructura latente de un sistema sin supervisión explícita. Es exactamente la habilidad que se necesita para que una IA proponga, no solo ejecute, el siguiente experimento de mejora propia.
NVIDIA acaba de demostrar hacia dónde apunta la ingeniería: Nemotron-Labs-Diffusion unifica tres modos de generación —autoregresivo, difusión y auto-especulación— en un solo modelo que alcanza 6 veces más velocidad que arquitecturas tradicionales sin perder precisión. El entrenamiento conjunto de predicción secuencial y difusión en bloques mejora la exactitud un 16 % respecto a la base. La optimización de la propia arquitectura de inferencia ya no es decisión humana exclusiva.
Concentración, soberanía y el manifiesto de Zuckerberg
Difundido por El Observador Uruguay, el manifiesto de Zuckerberg no es filantropía. Meta necesita que el código abierto commoditice la capa de modelo para que su valor esté en la distribución (WhatsApp, Instagram, Quest) y no en el modelo propietario. Su argumento geopolítico es directo: si Occidente restringe el desarrollo abierto por miedo regulatorio, China llenará el vacío con modelos de código abierto que se convertirán en estándar global de facto.
Para América Latina, la disyuntiva es estructural. La región no tiene capacidad de entrenamiento de frontera: carece de clusters de GPU a escala, de talento especializado en ingeniería de sistemas distribuidos para IA y de capital de riesgo tolerante a horizontes de 5-7 años. Brasil, México, Chile y Argentina tienen iniciativas regulatorias —la ley brasileña de IA, la estrategia chilena, el sandbox mexicano—, pero ninguna incluye política industrial de cómputo soberano ni retención de talento PhD en machine learning systems.
El riesgo de sorpresa estratégica
Clark advierte que quien logre primero una cadena de desarrollo altamente automatizada obtiene una ventaja que se compone sola: mejores modelos → mejor automatización de I+D → modelos aún mejores. Es la Ley de Moore aplicada a la velocidad de descubrimiento, no solo a la densidad de transistores. El boletín Import AI 457 ya documentaba un virus (fast16.sys) diseñado para sabotear cálculos de alta precisión en simulaciones científicas durante 20 años. La analogía es deliberada: una superinteligencia que controle su propio pipeline de mejora podría "desacelerar o sabotear el progreso de competidores" priorizando la no proliferación de IAs rivales.
Ese escenario convierte la infraestructura de evaluación y alineación en activo estratégico de primer orden. El optimizador Aurora, desarrollado para corregir la "muerte permanente de neuronas" que causaba Muon, muestra que incluso la capa de optimización numérica —antes territorio de matemáticos humanos— empieza a ser explorada por agentes automatizados. La "economía de máquinas" que describe Clark no es metáfora: es una cadena de valor donde el insumo escaso deja de ser el investigador y pasa a ser la capacidad de supervisar y filtrar el volumen de propuestas que la propia IA genera.
Qué decide el ejecutivo latinoamericano hoy
Tres decisiones concretas, no aspiracionales:
1. Auditoría de dependencia: Mapear qué modelos, APIs y frameworks sustentan los productos críticos de la empresa. Si el 90 % corre sobre infraestructura de un solo proveedor (OpenAI, Anthropic, Google, Microsoft, Meta), la exposición a cambios de precio, política de acceso o alineación geopolítica es total.
2. Contrato de evaluación propia: No delegar red-teaming, benchmarking de sesgo y pruebas de robustez al proveedor del modelo. La capacidad de evaluar es la única palanca de control que queda cuando no se entrena. Equipos internos o partners regionales especializados en evaluación adversarial son hoy más valiosos que prompt engineers. 3. Posicionamiento regulatorio activo: Participar en los sandboxes y consultas públicas de Brasil, Chile, México, Colombia. La regulación latinoamericana definirá requisitos de transparencia, gobernanza de datos y responsabilidad algorítmica. Quien no esté en la mesa come el menú que le sirvan.
Tanto el manifiesto de Zuckerberg como el diagnóstico de Clark apuntan a la misma conclusión: la próxima revolución de la IA ocurre dentro de la IA. América Latina puede seguir siendo mercado de consumo y proveedora de datos, o puede empezar a construir la capacidad técnica y regulatoria para auditar, adaptar y eventualmente co-desarrollar la tecnología que le va a gobernar la operativa diaria. El talento existe —universidades en São Paulo, Buenos Aires, Santiago, México DF forman doctores de nivel mundial—. Lo que falta es la decisión política y empresarial de retenerlos con problemas y cómputo a la altura. Mientras esa decisión no se tome, la región seguirá firmando cheques en blanco a quien sí controla la cadena de producción.
