Un ejecutivo de una fintech en São Paulo me contó hace poco que su equipo había dejado de probar modelos propietarios para pasarse a uno chino de pesos abiertos. "Funciona mejor y cuesta menos", dijo. No es una anécdota aislada: es la punta de un iceberg que los benchmarks recién empiezan a medir.
El espejo donde la IA no se ve a sí misma
Dos benchmarks publicados casi en simultáneo —Humanity's Sixth Sense (HSS) de Elorian y Scale AI, y ChartMuseum de la Universidad de Texas en Austin— exponen la misma grieta: los modelos ven píxeles, pero no entienden escenas.
En HSS, los humanos alcanzan 93,1% de acierto en tareas que exigen inferir qué pasó antes, qué cabe en una estantería o si una cadena soporta el peso de un arado. El mejor modelo, GPT-6 Astra, se queda en 53,6%. Los modelos chinos de pesos abiertos —GLM-5.3-flash y Kimi K3— se quedan en 26,8% y 25,5%, respectivamente fuente.
ChartMuseum cuenta la misma historia con gráficos reales: humanos 93%, Gemini-2.5-Pro 63%, el mejor modelo abierto (Qwen2.5-VL-72B) 38,5%. Cuando la pregunta exige razonamiento puramente visual —comparar distribuciones superpuestas, detectar asimetría sin leyendas— el rendimiento de los modelos se desploma entre 35% y 55% respecto a preguntas resolvibles extrayendo texto fuente.
La conclusión es incómoda: la mayoría de benchmarks actuales premian extracción de texto, no comprensión visual. Las empresas que automatizan control de calidad, lectura de planos o análisis de imágenes médicas basándose en esos benchmarks están comprando espejismos.
Pesos abiertos: China marca el ritmo, Occidente corre detrás
Mientras los laboratorios occidentales debaten si liberar pesos, China ya lo hizo —y lidera—. Reflection lanzó Beam, un MoE de 501B parámetros entrenado en 6.144 GPUs GB300 durante cuatro semanas más otras cuatro de RL con 10,5K GPUs. Su apuesta: eficiencia de tokens (3-4x menos compute en razonamiento). Pero en DeepSWE 1.1 marca 44,4% frente a 61% de GLM-5.3; en GPQA Diamond 90,5% vs 91,7%; en MCP Atlas 78,7% vs 84,2% fuente.
Mistral Large 4, entrenado en 3.800 Grace Blackwell en Europa, gana en CAD y STEM en evaluaciones de "vibes", pero en DeepSWE 1.1 queda en 62% contra 68% de Kimi K3 y 61% de GLM-5.3; en Terminal-Bench 4.0 hace 28,3% frente a 41,9% de GLM-5.3 fuente.
Para una empresa latinoamericana la lectura es clara: los modelos abiertos más capaces hoy vienen de China. Eso implica decisiones de gobernanza de datos, cumplimiento regulatorio (LGPD en Brasil, ley de datos en Chile, normativa en México) y dependencia de proveedores fuera de la órbita occidental. No hay almuerzo gratis.
El sabor de la investigación: ¿doble exponencial o espejismo?
TasteVal, de P-Zero Research, mide "gusto investigativo": capacidad de diseñar experimentos, interpretar resultados, elegir problemas. El hallazgo llamativo: el gusto experimental de los modelos frontera se duplica cada 3 meses desde diciembre de 2025. Opus 5.5 supera la base humana con multiplicador de compute 2,3x a 1/30 del costo por intento fuente. Jack Clark, que sigue esta métrica de cerca, adelantó su predicción de auto-mejora recursiva (RSI) de 2028 a 2027.
Pero un estudio de Princeton publicado en MIT Technology Review frena el entusiasmo. Investigadores liderados por Peter Kirgis y Sayash Kapoor sometieron a Claude Opus 4.8 a "evaluación en la sombra": resolver preguntas abiertas de papers no publicados de NeurIPS 2026. Los agentes hicieron la ingeniería —revisaron literatura, corrieron cientos de experimentos, compilaron resultados—, pero los autores originales rechazaron ambos papers. "Eran inequívocamente malos en la investigación misma", dice Kapoor: experimentos bizarros en datasets sintéticos diminutos, incapacidad de retroceder ante enfoques fallidos, nula novedad contributiva fuente.
Clark lo resume: "ausencia de creatividad intuitiva valiosa... propiedad de pensamiento rótico y formulaico que podría impedirles ser buenos investigadores. Señal bajista para plazos cortos de RSI" fuente.
La tensión es real: los benchmarks de "gusto" miden iteración sobre problemas bien definidos; la investigación real exige saltos conceptuales, juicio estético, saber cuándo tirar todo y empezar de nuevo. La RL optimiza lo medible; la creatividad no lo es.
¿Qué mira un ejecutivo latinoamericano mañana?
Tres decisiones prácticas:
- Pilotos visuales con datos propios: No confíe en benchmarks públicos. Arme un set de 50-100 imágenes/video representativos de su operación (lectura de medidores, inspección visual, análisis de planos) y evalúe modelos ahí. La brecha humano-modelo en su dominio real puede ser mayor que en HSS o ChartMuseum.
- Estrategia de pesos abiertos con ojos abiertos: GLM, Kimi, DeepSeek y Qwen son hoy la frontera abierta. Si su regulación lo permite, úselos. Si no, Mistral Large 4 y Beam son las mejores apuestas occidentales —pero verifique sus benchmarks en sus tareas, no los del paper.
- No presupueste RSI para 2027: La auto-mejora recursiva plena requiere creatividad de nivel investigativo, no solo ingeniería. Los plazos de la industria (Anthropic, OpenAI) son aspiracionales. Planifique con humanos en el bucle al menos hasta 2028-2030.
El espacio: la próxima frontera de compute (y de riesgo)
Import AI destaca un artículo de AI Frontiers: en la década de 2030 la economía espacial explotará con Starship y plataformas similares. La IA permite naves autónomas, ensamblaje orbital, manufactura sin presión ni gravedad. Quien gane ese primer movimiento obtiene ventajas compuestas: energía, compute, dominio situacional, sondas autorreplicantes fuente.
Suena lejano para LatAm. Pero Brasil tiene Alcântara, México tiene su agencia espacial, Argentina lanza satélites. La soberanía de compute en órbita será un tema geopolítico antes de lo que parece. Las empresas de telecomunicaciones, observación terrestre y logística de la región deberían tener un asiento en esa mesa.
Mientras tanto, en tierra, los modelos siguen sin saber si la estantería tiene espacio para otro libro. La brecha entre ver y entender sigue siendo el cuello de botella real —y la oportunidad para quien sepa cerrarla con datos propios, evaluación honesta y expectativas calibradas—.
