Un modelo de inteligencia artificial reescribió por completo un programa de bioinformática de 16.000 líneas de código en 14 horas, sin haber visto jamás el código fuente original. El costo de inferencia fue de 251 dólares. Una tarea que, según los investigadores, le habría tomado a un ingeniero humano entre 2 y 17 semanas.
Ese es el hallazgo central de MirrorCode, un benchmark publicado por Epoch AI y METR en el que se evalúa la capacidad de los modelos de IA para reimplementar proyectos de software reales a partir de su comportamiento observable. El agente solo tiene acceso al binario del programa, a documentación y a algunos casos de prueba visibles. Debe deducir la estructura interna y generar una implementación funcional que pase tanto pruebas visibles como ocultas.
Los resultados son contundentes. Claude Opus 4.7, el modelo más potente evaluado, alcanzó un 56% de aciertos en el conjunto de 25 programas objetivo. En el caso concreto de gotree, una herramienta de análisis filogenético escrita en Go, el modelo pasó 2.000 de 2.001 pruebas, es decir, un 99,95% de efectividad. Modelos de hace apenas ocho meses habrían obtenido un 30% y solo habrían sido capaces de abordar programas más simples, como una utilidad de calendario.
Pero hay un costo detrás. Para las tareas más complejas, los investigadores gastaron hasta 2.600 dólares en cómputo durante 19 días en un solo intento. Esto sugiere que medir correctamente la frontera de la IA requiere presupuestos de inferencia mucho mayores que los que se usan en los benchmarks tradicionales. El propio artículo de MirrorCode lo advierte: "la IA puede ejecutarse productivamente durante días y gastar miles de dólares en cómputo".
La confirmación de la lección amarga
Este experimento es una demostración práctica de lo que Richard Sutton, pionero del aprendizaje por refuerzo, llamó "la lección amarga" en 2019. Sutton argumentó que los avances reales en inteligencia artificial no provienen de codificar el conocimiento experto humano (reglas elegantes, libros de jugadas, heurísticas), sino de escalar tres recursos: más datos, más poder computacional y más energía.
"Debemos aprender la lección amarga de que codificar explícitamente la forma en que pensamos que pensamos no funciona a largo plazo", escribió Sutton. En el ajedrez, Deep Blue y AlphaGo demostraron que la fuerza bruta de búsqueda y la autoexploración superan a cualquier estrategia diseñada por grandes maestros. En el procesamiento del lenguaje, GPT pasó de generar frases incoherentes en 2018 a producir prosa humana en 2025 simplemente porque se entrenó con billones de tokens en miles de GPUs durante meses.
MirrorCode traslada esa misma lección al desarrollo de software. Un agente sin acceso al código fuente, sin conocimiento del dominio de la bioinformática, logra reconstruir una herramienta que un humano tardaría semanas en escribir. Lo hace explorando el comportamiento del binario, generando hipótesis y probando soluciones, una y otra vez, hasta que el resultado coincide exactamente con el original.
Eso no significa que el conocimiento humano sea irrelevante. Sutton mismo reconoció un asterisco: la calidad de los datos importa tanto como la cantidad. Un modelo entrenado con literatura universal y papers científicos se comporta muy distinto a uno entrenado solo con comentarios de YouTube. La selección de los datos de entrenamiento, el diseño de los experimentos y la definición de las tareas siguen siendo dominio humano.
Lo que significa para América Latina
Para las empresas de la región, MirrorCode abre una pregunta concreta: ¿cuándo será más barato que una IA reescriba un sistema heredado que mantener un equipo de ingenieros durante meses?
Hoy, los costos de inferencia todavía son altos: 251 dólares por una tarea que equivale a semanas de trabajo humano. Pero si los modelos siguen mejorando al ritmo actual -de un 30% a un 56% en ocho meses-, la ecuación económica cambiará rápidamente. En América Latina, donde los salarios de desarrolladores son más bajos que en Silicon Valley pero la escasez de talento especializado es real, la automatización de tareas largas de programación podría ser tanto una oportunidad como una amenaza.
Una oportunidad, porque permite a empresas sin grandes equipos de ingeniería modernizar software legacy, migrar sistemas a nuevas plataformas o incluso auditar código de terceros sin acceso a la fuente original. Una amenaza, porque el costo de acceso a los modelos de frontera (Claude Opus 4.7, GPT-5.5, Gemini 3.1) sigue siendo en dólares y requiere infraestructura cloud que no siempre está disponible en la región con baja latencia.
Además, el benchmark revela que la IA ya puede resolver tareas de ingeniería de software de largo plazo cuando las especificaciones son precisas. Esto debería llevar a los líderes de tecnología a repensar cómo asignan el trabajo. Tareas de mantenimiento, refactorización o reimplementación de funcionalidades bien definidas podrían delegarse a agentes autónomos, mientras que los ingenieros humanos se concentran en el diseño arquitectónico, la interacción con el negocio y la validación de resultados.
El costo de la frontera
Un dato que no debe pasarse por alto: para lograr esos resultados, los investigadores gastaron cientos o miles de dólares por tarea. Esto significa que, por ahora, solo las empresas con presupuestos de I+D significativos pueden acceder a este nivel de automatización. Pero la historia de la informática sugiere que los costos bajan. Hace diez años, entrenar un modelo de lenguaje era prohibitivo para cualquier startup; hoy existen modelos abiertos que cualquiera puede descargar y ejecutar.
La pregunta no es si la IA podrá escribir código como un humano, sino cuándo el costo de hacerlo será menor que mantener un equipo de desarrollo. Para los CTOs latinoamericanos, ese momento puede estar más cerca de lo que parece.
