Haydn Belfield, ingeniero de Google, sostiene que la IA capaz de mejorarse a sí misma sigue lejos, aunque buena parte del trabajo ya está automatizado.
Según Belfield, Google DeepMind no ha visto ninguna aceleración medible de la investigación en IA impulsada por la propia IA. Eso no quiere decir que la automatización no esté ocurriendo. La IA ya escribe más del 75% del código de producción, pero cerca del 88% de los cambios de código todavía requiere supervisión o revisión humana, y un humano revisa cada cambio antes de enviarlo. La proporción de cambios de código delegados por completo a la IA subió de 7,5% a 11,9%.
¿Dónde se queda corta la automatización?
Mientras más compleja y larga es una tarea, menos probable es que la IA la resuelva sola. En 1.389 corridas internas de agentes con Argon, la tasa de éxito sin intervención humana cayó fuerte a medida que aumentaba la complejidad. Según Belfield, los humanos siguen siendo indispensables para la investigación creativa, el diseño de experimentos nuevos, el diagnóstico de inestabilidades sutiles en el entrenamiento y la planificación de largo plazo.
Una encuesta a doce investigadores sénior de DeepMind confirmó el patrón. La automatización es más alta en tareas bien definidas y verificables, y más baja en la generación abierta de ideas científicas.
En RE-Bench, el benchmark interno de DeepMind con 74 tareas realistas de ingeniería de aprendizaje automático, Argon resuelve cerca de la mitad. Es un salto grande frente al 27% de Gemini 3.7 Flash, pero sigue lejos del desempeño casi perfecto que exigiría una automatización completa.
El índice de capacidades de Google no muestra aceleración
Para seguir el avance de forma sistemática, el equipo construyó un Índice de Capacidad General (GCI) que cubre 123 modelos y 92 benchmarks. Las capacidades de los modelos Gemini crecen a un ritmo estable de unos 0,1 puntos GCI por mes, sin cambios significativos de velocidad. El equipo atribuye a más cómputo y a más inversión organizacional que Gemini 4 Argon quede levemente sobre la línea de tendencia, y no a una aceleración impulsada por la IA.
El equipo califica hoy como bajo el riesgo de que la IA automatice la investigación, pero está construyendo la infraestructura de medición para detectar señales de aceleración más adelante.
No todos están de acuerdo
Los hallazgos de Belfield calzan con investigaciones recientes, aunque no todo el campo coincide. Más de 20 investigadores de IA, entre ellos Geoffrey Hinton, Yoshua Bengio y Jakub Pachocki, de OpenAI, advirtieron hace poco en un trabajo de investigación sobre una posible "explosión de inteligencia". Argumentaron que los sistemas de IA podrían automatizar toda la investigación y el desarrollo en IA en pocos años, comprimiendo en meses lo que normalmente tomaría años de avance.
