Un equipo de más de 30 investigadores de universidades y empresas tecnológicas chinas publicó el 10 de septiembre de 2026 un artículo titulado The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement (La última IA creada por humanos: hacia una auténtica automejora recursiva).
El problema de fondo: el escalado se está estancando
Los autores parten de una observación compartida por buena parte de la industria: el progresivo aumento de parámetros, datos y cómputo está generando rendimientos decrecientes en muchas tareas.
Para cuantificarlo, introducen el Headroom-Closed Index (HCI), una métrica que mide cuánto margen de mejora queda en distintos dominios. Según su análisis, en áreas donde las respuestas son cortas y fácilmente verificables el “techo” se está cerrando más rápido, mientras que en tareas largas, stateful o de razonamiento abierto el progreso sigue siendo desigual.
La conclusión que extraen es clara: seguir aplicando más datos y más cómputo a los mismos paradigmas no bastará. Hace falta un cambio, que pasa porque los sistemas de IA asuman progresivamente más responsabilidad sobre su propio ciclo de mejora.
Cinco niveles de autonomía
El núcleo del trabajo es una clasificación de cinco niveles de autonomía en la auto-mejora recursiva (Recursive Self-Improvement o RSI):
- L1 – Autonomía en la ejecución de mejoras: la IA ejecuta procedimientos de mejora diseñados por humanos.
- L2 – Autonomía sobre estrategias de mejora: la IA diagnostica sus debilidades y decide cómo mejorar, aunque los objetivos y criterios de evaluación sigan siendo externos.
- L3 – Autonomía sobre Experiencias de Aprendizaje Futuras / Adquisición de Experiencias: la IA decide de forma autónoma qué datos o experiencias de aprendizaje necesita para la siguiente ronda.
- L4 – Autonomía en Despliegue y Adaptación Ambiental: : la IA modifica de forma persistente su memoria, habilidades o componentes de ejecución a partir del feedback del mundo real.
- L5 – Herencia recursiva / Meta-mejora: la IA modifica el propio mecanismo que genera, evalúa o selecciona futuras mejoras, y esa modificación se hereda en las siguientes generaciones.
Los autores clasificaron 491 trabajos existentes según esta escala. La gran mayoría se sitúa en los niveles 1 y 2. Solo un pequeño porcentaje (alrededor del 6 %) alcanza algo cercano al nivel 5, y prácticamente ninguno demuestra de forma rigurosa y sostenida una auto-mejora acumulativa real bajo restricciones de recursos y evaluación independiente.
Distintos escenarios y prácticas industriales
El paper examina cómo podría desarrollarse la RSI en distintos escenarios: descubrimiento científico, robótica, ingeniería de software y sanidad. Señalan que el ritmo no será homogéneo: la ingeniería de software, donde el feedback de tests es inmediato y barato, parece el camino más rápido; la robótica y la ciencia experimental, con bucles más lentos y costosos, avanzarán más despacio.
También revisan prácticas industriales concretas de empresas y laboratorios chinos –como Theseus, Xiaohongshu, ModelBest, Tencent Hunyuan, Frontis.AI, entre otros– que ya están automatizando partes del ciclo de desarrollo de modelos, generación de datos sintéticos o mejora de agentes.
Cautelas y desafíos abiertos
Los autores son explícitos sobre los límites actuales. Distinguen entre una RSI formal (el sistema modifica el mecanismo de mejora) y una RSI efectiva (esa modificación produce realmente sistemas sucesores más capaces bajo las mismas restricciones de recursos y evaluación externa) e identifican varios desafíos críticos:
- Cómo garantizar que las mejoras se hereden de forma segura.
- Cómo atribuir correctamente la autonomía (quién o qué decide realmente).
- Cómo verificar de forma fiable y a largo plazo que las mejoras son reales y no artefactos de optimización.
- Cómo mantener la supervisión humana cuando los ciclos de mejora se aceleran.
Conclusión
La “automejora recursiva” se ha convertido en uno de los principales focos de preocupación entre los desarrolladores de la IA.
Al permitir que los sistemas participen de forma activa en su propio ciclo de mejora, se reduce el control humano sobre cada etapa del proceso. Si no se establecen mecanismos robustos de supervisión, verificación y contención, el riesgo de que esa autonomía se descontrole, con consecuencias difíciles de prever y de revertir, deja de ser una hipótesis teórica y se convierte en un escenario que la industria ya no puede ignorar.
