Durante los últimos tres años, ChatGPT ha sido la referencia más sencilla para explicar qué estaba ocurriendo con la inteligencia artificial. Primero apareció como una caja de texto capaz de mantener conversaciones sorprendentemente coherentes. Después aprendió a trabajar con imágenes, documentos, voz, código y herramientas, mientras cada nueva generación de modelos prometía respuestas mejores, razonamientos más complejos y una comprensión más amplia del mundo.

Puede que esa primera etapa esté empezando a agotarse.

Un extraordinario reportaje de TIME sobre la transformación interna que está viviendo OpenAI nos trae una frase fácil de pasar por alto, pero cargada de significado. ChatGPT sigue siendo uno de los productos de inteligencia artificial más utilizados del mundo, con más de mil millones de usuarios activos, pero «ya no es la piedra angular del futuro de la compañía».

La afirmación resulta especialmente significativa porque llega justo cuando el producto que desencadenó la explosión de la IA generativa continúa creciendo, desarrolla un enorme negocio empresarial y empieza incluso a explorar nuevos modelos publicitarios. Nada indica que OpenAI vaya a abandonar ChatGPT. Lo que está cambiando es el papel que ocupa dentro de una ambición bastante mayor.

El centro de gravedad se desplaza hacia agentes capaces de trabajar durante largos periodos de tiempo, utilizar aplicaciones, coordinarse entre ellos, investigar, realizar experimentos, tomar iniciativas y actuar en nombre de una persona. ChatGPT nació alrededor de una conversación. El sistema que OpenAI imagina para los próximos años parece organizarse alrededor de algo distinto: un objetivo.

Hasta ahora nuestra relación con la inteligencia artificial podía resumirse, con todas las simplificaciones necesarias, como una secuencia bastante directa: una persona formula una pregunta, el modelo la procesa y devuelve una respuesta. La siguiente generación introduce varios pasos intermedios. La persona expresa lo que quiere conseguir y un conjunto de agentes decide qué herramientas utilizar, qué acciones realizar y cómo combinar sus resultados.

La diferencia no está únicamente en que el modelo sea más capaz. Cambia la propia naturaleza de la interacción. Dejamos progresivamente de utilizar una máquina que espera instrucciones detalladas para empezar a delegar trabajo en sistemas que deben averiguar por sí mismos cómo alcanzar un resultado.

OpenAI está comenzando a ensayar ese mundo, y cuanto más se acerca a él más evidente resulta que el principal problema de la siguiente etapa también será diferente. Seguirán importando las capacidades, el coste de los modelos y la enorme infraestructura necesaria para ejecutarlos. Pero cuando una inteligencia artificial deja de limitarse a responder y empieza a actuar, aparece una cuestión bastante más complicada: cuánto control estamos dispuestos a ceder y qué garantías necesitaremos antes de hacerlo.

ChatGPT empieza a quedarse pequeño para la ambición de OpenAI

Existe algo paradójico en que OpenAI quiera superar conceptualmente ChatGPT precisamente cuando el producto ha alcanzado una escala que pocas plataformas digitales consiguen. Durante un tiempo, ese éxito pudo incluso convertirse en una distracción.

Sam Altman reconoce en TIME que el «crecimiento descontrolado» de ChatGPT llevó a la compañía a prestar menos atención a una oportunidad que Anthropic entendió antes: la programación.

OpenAI disponía de modelos muy competitivos en benchmarks de código, pero el problema estaba en otro sitio. Anthropic entendió cómo debía integrarse la inteligencia artificial en el trabajo cotidiano de un desarrollador, donde hay bases de código complejas, contexto acumulado, interrupciones constantes y una multitud de pequeños problemas de experiencia que apenas aparecen en una evaluación técnica.

Claude Code encontró una unidad de valor extraordinariamente clara y terminó convirtiéndose en uno de los productos que han definido esta nueva generación de herramientas. OpenAI tenía buena parte de la tecnología, pero Anthropic construyó antes el producto.

La experiencia contiene una lección bastante más amplia que probablemente acompañará a toda la siguiente fase de la industria. Los grandes modelos continúan siendo fundamentales, pero el liderazgo técnico ya no garantiza por sí solo el liderazgo comercial. Importan la distribución, el diseño del producto, la integración con los procesos de trabajo y, sobre todo, la capacidad de convertir una inteligencia disponible en algo que resulte útil cada día.

Sarah Friar, directora financiera de OpenAI, describe otra ingenuidad que acompañó a la compañía durante sus primeros años como proveedor empresarial: la creencia de que bastaría con construir una tecnología extraordinaria para que las empresas acudieran a comprarla.

No sucedió así. OpenAI tuvo que desarrollar una organización comercial, reforzar su estrategia empresarial y empezar a concentrar recursos en los lugares donde estaba apareciendo una demanda real. En marzo decidió cerrar progresivamente Sora y trasladar capacidad de computación hacia Codex. Después llegó una decisión todavía más reveladora.

ChatGPT y Codex se habían desarrollado como experiencias separadas. El primero representaba esencialmente la conversación; el segundo estaba mucho más cerca de la ejecución. OpenAI comenzó a fusionar capacidades, equipos y parte de su infraestructura en un proceso denominado internamente «The Merge», cuyo resultado visible es ChatGPT Work.

El nombre importa menos que la arquitectura que empieza a aparecer debajo. La conversación puede acabar convirtiéndose simplemente en la interfaz mediante la que expresamos una intención. A partir de ahí, el sistema decide qué modelo utilizar, qué herramientas invocar y qué acciones realizar.

Es una transición mucho más profunda que añadir nuevas funciones a un chatbot. La conversación permanece, pero deja de ser el producto completo para convertirse en la puerta de entrada a una maquinaria de ejecución.

Del chatbot al trabajador persistente

Durante una demostración privada de Astra, la próxima familia de modelos avanzados de OpenAI, TIME observó una escena que permite anticipar bastante bien ese cambio. Dieciséis agentes recibieron un problema matemático de nivel investigador, lo dividieron en subproblemas, coordinaron el trabajo y reunieron después sus contribuciones para construir una posible demostración.

En otra prueba, Astra utilizó directamente aplicaciones de escritorio y creó y modificó contenidos entre diferentes programas a una velocidad que Altman describió como «superhumana».

Ambas demostraciones resultan llamativas, aunque quizá la expresión más importante utilizada por el CEO de OpenAI sea bastante menos espectacular: «persistent agents», agentes persistentes.

La persistencia introduce una propiedad que apenas ha formado parte de nuestra relación tradicional con los ordenadores. Normalmente utilizamos una aplicación mientras estamos delante de ella. Abrimos un programa, realizamos una tarea, obtenemos un resultado y cerramos la sesión. Incluso los actuales asistentes de inteligencia artificial siguen funcionando mayoritariamente de esta manera: esperan nuestra siguiente instrucción.

Un agente persistente puede continuar trabajando después de ese primer intercambio. Puede recibir un objetivo, iniciar una investigación, encontrar nueva información, modificar su estrategia, interactuar con otros sistemas y mantener la tarea activa mucho después de que la conversación inicial haya terminado.

Thibault Sottiaux, responsable de la organización conjunta de ChatGPT y Codex, lo describe como «persistence and always-on execution», persistencia y ejecución permanente. Esa combinación empieza a parecerse menos a una aplicación y más a una nueva arquitectura informática.

Altman imagina una suscripción general de inteligencia artificial en la que las fronteras entre ChatGPT, Codex y el resto del software desaparezcan progresivamente. El usuario expresará lo que quiere conseguir y será el propio sistema quien determine qué modelos, agentes y herramientas necesita para hacerlo. Con el tiempo, esa inteligencia debería incluso empezar a anticiparse: recomendar acciones sin haber recibido previamente una petición, comprar entradas teniendo en cuenta el calendario y las preferencias de su propietario, manejar información financiera o mantener abiertas determinadas tareas mientras aparecen nuevos datos.

OpenAI utiliza para esta idea la expresión ordenador «proactivo». Greg Brockman prefiere otra todavía más ambiciosa: «personal AGI».

Es precisamente aquí donde la visión de OpenAI empieza a encontrarse con otra de las grandes ideas que están tomando forma en Silicon Valley.

«Personal AGI» y «superinteligencia personal»

Mark Zuckerberg lleva tiempo defendiendo el concepto de «personal superintelligence», pero el manifiesto publicado por Meta en agosto de 2026 desarrolla la idea con suficiente precisión como para compararla directamente con lo que OpenAI está construyendo.

Zuckerberg imagina que cada persona disponga de un agente extraordinariamente capaz que conozca sus objetivos, su contexto y sus intereses, y que pueda trabajar permanentemente en su nombre. Meta habla expresamente de agentes activos durante las 24 horas y accesibles desde diferentes dispositivos, incluidas unas gafas capaces de acompañarnos durante nuestra actividad cotidiana.

Las coincidencias con la descripción de OpenAI son numerosas. Brockman habla de «personal AGI» mientras Zuckerberg utiliza «personal superintelligence». OpenAI desarrolla agentes persistentes y Meta imagina agentes que trabajan 24/7. Una compañía describe un ordenador proactivo; la otra, una inteligencia que conoce continuamente el contexto de su usuario. OpenAI diseña dispositivos capaces de percibir el entorno, mientras Meta sitúa unas gafas que ven y escuchan lo que ve y escucha su propietario en el centro de su estrategia.

Incluso aparece una coincidencia más profunda en la forma de entender para qué podría servir una inteligencia mucho más avanzada. Altman espera que Astra sea el primer modelo de OpenAI que «invente nuevas cosas de una manera que importe». Zuckerberg sostiene en su manifiesto que la mayor aportación de la superinteligencia llegará precisamente de la invención y presenta la automatización como una parte bastante más limitada de su potencial.

Ambas compañías empiezan a imaginar sistemas que desbordan la función del asistente que responde preguntas. La aspiración es construir una inteligencia capaz de producir conocimiento, realizar trabajo y perseguir objetivos durante periodos prolongados.

Eso no significa que OpenAI y Meta estén defendiendo exactamente la misma visión. Existe entre ambas una diferencia filosófica relevante.

Zuckerberg construye su propuesta alrededor de la distribución del poder. Su argumento es que la superinteligencia debería estar ampliamente disponible para los individuos y funcionar como un multiplicador de sus capacidades. Meta contrapone explícitamente este modelo con otro en el que la superinteligencia queda concentrada en instituciones dedicadas principalmente a automatizar trabajo. En su planteamiento, una parte del equilibrio político, económico y social futuro dependerá de que esa capacidad termine en manos de miles de millones de personas.

OpenAI procede de una tradición distinta. Su propia definición de AGI habla de sistemas altamente autónomos capaces de superar a los humanos en la mayor parte del trabajo económicamente valioso. La estrategia actual incorpora cada vez más al individuo, hasta llegar a esa idea de «personal AGI», pero al mismo tiempo depende de una enorme infraestructura centralizada de modelos, centros de datos, chips y servicios.

Las arquitecturas comerciales pueden acabar siendo distintas, pero la intuición tecnológica empieza a converger. El futuro de la informática que ambas compañías describen ya no gira alrededor de aplicaciones que abrimos y cerramos ocasionalmente. Gira alrededor de una inteligencia personal que mantiene contexto, acompaña permanentemente al usuario y dispone de suficiente autonomía para actuar en su nombre.

Es justo ahí donde aparecen los problemas más interesantes.

Cuanto más útil se vuelve el agente, más difícil resulta controlarlo

El reportaje de TIME cambia bruscamente de registro cuando describe lo sucedido durante una evaluación interna de OpenAI.

Uno de sus modelos experimentales realizaba pruebas de ciberseguridad dentro de un entorno aislado, un «sandbox». Debía resolver determinados ejercicios y obtener una puntuación, pero terminó encontrando un camino que sus responsables no habían previsto: explotó una vulnerabilidad, salió del entorno controlado, alcanzó sistemas de producción de Hugging Face y obtuvo acceso a información relacionada con las respuestas de la propia prueba que estaba realizando.

El episodio puede sonar a ciencia ficción, como reconoció el propio Altman, aunque resulta más útil interpretarlo sin atribuir al sistema intenciones humanas. No hace falta imaginar una inteligencia consciente decidiendo rebelarse contra sus creadores. Basta con observar un sistema optimizando un objetivo que encuentra una estrategia inesperada para conseguirlo.

Sus diseñadores habían previsto determinados caminos. El agente descubrió otro que maximizaba mejor su recompensa y combinó capacidades que nadie esperaba que pudiera utilizar de esa manera.

Visto así, el problema se parece a una versión extremadamente sofisticada de algo que conocemos desde hace tiempo en optimización: especificamos imperfectamente un objetivo y el sistema encuentra una solución que satisface la métrica sin respetar necesariamente nuestra intención.

La diferencia está en las consecuencias. Con un chatbot, el comportamiento inesperado suele quedar contenido en una respuesta. Cuando el modelo tiene acceso a herramientas, aplicaciones, redes y sistemas externos, la superficie sobre la que puede actuar cambia por completo.

Ahí aparece una de las paradojas centrales de esta nueva generación de inteligencia artificial. Para obtener más valor económico queremos conceder a los modelos más autonomía, más herramientas, mayor persistencia y capacidad para tomar iniciativas. Esas mismas propiedades amplían las consecuencias potenciales de cualquier comportamiento que no hubiéramos previsto.

OpenAI reconoció además un detalle especialmente revelador. La compañía disponía de mecanismos capaces de inspeccionar el razonamiento de sus agentes y detectar comportamientos problemáticos, pero no los había aplicado a modelos de ese nivel porque sus propios investigadores habían subestimado lo que podían hacer. Parte del sistema de alarma ya existía; lo que falló fue la estimación de las capacidades que debía vigilar.

Jakub Pachocki, científico jefe de OpenAI, resume la lección de una forma sencilla: con la IA avanzada hay que esperar lo inesperado.

El incidente llevó a congelar algunos experimentos, retrasar otros y revisar las medidas de aislamiento y monitorización. Poco después, señales preocupantes detectadas durante el entrenamiento de otro modelo provocaron que OpenAI paralizara una ejecución que debía producir uno de sus mayores saltos de capacidades.

En una industria en la que unas pocas semanas pueden modificar la posición competitiva de una compañía, detener una línea de investigación de frontera tiene consecuencias muy concretas. OpenAI decidió hacerlo, y esa decisión enlaza con otra de las ideas más interesantes del reportaje: la posibilidad de que el siguiente gran cuello de botella de la inteligencia artificial ya no sea únicamente la capacidad de computación.

El próximo cuello de botella puede dejar de ser el «compute»

Durante años hemos contado la carrera de la inteligencia artificial como una carrera de escala: más datos, más parámetros, más GPU, más centros de datos, más electricidad y cantidades cada vez mayores de inversión.

OpenAI espera gastar unos 50.000 millones de dólares en capacidad de computación este año y, aun así, sus responsables aseguran que sigue teniendo menos de la que necesita. La compañía diseña sus propios chips, impulsa gigantescos centros de datos y contempla incluso la posibilidad de convertirse en proveedor de infraestructura para terceros. El «compute» continúa siendo una de las materias primas fundamentales de esta industria.

Pachocki introduce, sin embargo, una posibilidad bastante más interesante: la seguridad y el alineamiento empiezan a convertirse para OpenAI en una restricción comparable a la propia capacidad de computación.

Si esa tendencia se confirma, la industria estaría entrando en una fase diferente. Durante los últimos años, la pregunta fundamental era hasta dónde podíamos escalar los sistemas. Cuando esos sistemas empiezan a tener autonomía y capacidad de actuación, aparece otra: hasta dónde podemos confiar en ellos.

La distinción tiene consecuencias prácticas. El problema de la escala puede abordarse principalmente con ingeniería, capital, energía e infraestructura. El segundo obliga a comprender sistemas cuyo comportamiento emergente puede resultar difícil de anticipar incluso para quienes los construyen.

OpenAI quiere desplegar Astra, pero asegura que no lo hará hasta que supere sus nuevas salvaguardas. Altman formula incluso un principio especialmente llamativo si se tiene en cuenta la presión competitiva y financiera que soporta la compañía: conseguir que la seguridad de la IA funcione correctamente es más importante que mantener el impulso empresarial.

Hay razones para observar esa declaración con cierta distancia. OpenAI ha perdido durante los últimos años a numerosas figuras relacionadas con seguridad y alineamiento, y algunos antiguos empleados han cuestionado públicamente el peso adquirido por los objetivos comerciales. La empresa necesita cantidades extraordinarias de capital y prepara el terreno para una futura salida a bolsa. Además, detener modelos avanzados puede reforzar su posición reputacional frente a Anthropic, que ha construido buena parte de su identidad alrededor de la seguridad.

Conviene, por tanto, separar las declaraciones de las evidencias. Pero incluso aplicando ese escepticismo queda un hecho relevante: OpenAI está empezando a encontrar límites operativos derivados de sistemas suficientemente capaces como para comportarse de formas que sus propios investigadores no habían anticipado.

El alineamiento deja así de pertenecer exclusivamente a la conversación filosófica sobre una hipotética superinteligencia futura y empieza a entrar en una categoría mucho más concreta. Se convierte en un problema de ingeniería que puede retrasar modelos, alterar calendarios de producto y modificar decisiones de inversión.

Cuando la inteligencia artificial empieza a construir inteligencia artificial

Hay una última pieza en el reportaje que podría terminar siendo todavía más trascendente.

Uno de los objetivos de investigación de OpenAI para 2026 consistía en automatizar el trabajo de un investigador junior de inteligencia artificial. Según Pachocki, la compañía ya lo ha conseguido internamente.

Astra puede recibir una idea experimental, implementarla dentro de la base de código de OpenAI, ejecutar el experimento y devolver los resultados. También puede partir de un artículo científico y realizar tareas que anteriormente habrían ocupado aproximadamente una semana de trabajo humano.

La diferencia con otras formas de automatización está en el objeto de esa investigación. Cuando la inteligencia artificial ayuda a desarrollar inteligencia artificial, el resultado del trabajo puede ser un sistema mejor que el que permitió realizarlo.

Un modelo participa en los experimentos necesarios para construir su sucesor. Si ese nuevo modelo resulta más capaz, puede automatizar una fracción todavía mayor del trabajo requerido para producir la generación posterior. De ahí surge la idea de «recursive self-improvement», mejora recursiva, uno de los conceptos más discutidos y también más especulativos de la investigación en IA.

Conviene manejarlo con cautela. Automatizar determinadas tareas propias de un investigador junior está muy lejos de demostrar una explosión autónoma de inteligencia. La investigación científica implica formular buenas hipótesis, interpretar resultados ambiguos, decidir qué caminos merece la pena explorar y conectar hallazgos que pueden encontrarse muy alejados entre sí.

Aun así, el cambio tampoco es menor. La inteligencia artificial empieza a incorporarse al propio proceso mediante el que se desarrolla nueva inteligencia artificial.

Ese es el contexto en el que algunas declaraciones recientes de los responsables de OpenAI adquieren otra dimensión. Mark Chen, responsable de investigación, calcula que la compañía se encuentra aproximadamente al «80%» del camino hacia la AGI. Brockman sugiere que dentro de dos años podríamos mirar hacia este momento y considerarlo el periodo en el que apareció. Altman evita afirmar que OpenAI haya llegado ya, pero asegura que espera disponer antes de terminar el año de un sistema interno al que él sí llamaría AGI.

Ninguna de esas afirmaciones demuestra que la inteligencia artificial general haya sido alcanzada. Ni siquiera existe una definición universalmente aceptada de AGI que permita dibujar una línea objetiva y comprobar cuándo un sistema la atraviesa.

Lo significativo es que ha cambiado el lenguaje con el que los responsables de uno de los principales laboratorios del mundo hablan sobre ella. La AGI ya no aparece exclusivamente como una abstracción situada en un futuro indeterminado. Empiezan a hablar de porcentajes, sistemas internos y horizontes de meses.

Alrededor de esa expectativa, OpenAI está construyendo además algo bastante más amplio que un laboratorio de modelos. Diseña chips, construye centros de datos y desarrolla dispositivos junto al equipo procedente de io y Jony Ive. Altman habla de objetos para una mesa, dispositivos que llevaremos en el bolsillo y otros que vestiremos sobre el cuerpo. La compañía contempla robots humanoides, invierte en interfaces cerebro-computador, estudia vender infraestructura de inteligencia artificial y desarrolla agentes capaces de trabajar continuamente.

Después de haber reconocido que se dispersó en demasiados proyectos, el catálogo vuelve a parecer sorprendentemente amplio. Hay, sin embargo, una forma de leer esas iniciativas como partes de una misma arquitectura: los modelos proporcionan inteligencia; los centros de datos y los chips permiten ejecutarla; los agentes convierten esa inteligencia en acción; los dispositivos la mantienen cerca del usuario; los sensores le proporcionan contexto; los robots amplían su capacidad de intervención al mundo físico, y una interfaz personal termina coordinando todo el conjunto.

Vista desde ahí, la expresión «personal AGI» describe algo más preciso que otro concepto de marketing. La ambición consiste en colocar una inteligencia extremadamente capaz junto a cada persona y convertirla en una capa permanente entre nuestras intenciones y el mundo digital, y eventualmente también entre esas intenciones y el mundo físico.

Meta está dibujando un futuro sorprendentemente parecido con su «superinteligencia personal». Microsoft, Google, Anthropic y otros actores utilizan lenguajes distintos, pero buena parte de la industria empieza a desplazarse hacia sistemas con más autonomía, memoria, herramientas, contexto y capacidad de ejecución.

Quizá sea ahí donde esté ocurriendo el cambio tecnológico más importante de los próximos años.

Durante décadas aprendimos a utilizar ordenadores indicándoles exactamente lo que debían hacer. Después aprendimos a buscar información con ellos y, más recientemente, a conversar. Ahora empezamos a expresar objetivos y dejar que el sistema decida cómo alcanzarlos.

Eso modifica bastante más que la interfaz de un ordenador. También cambia la relación entre la persona y la máquina, porque una parte del proceso que antes controlábamos paso a paso queda delegada en un sistema que puede elegir estrategias, utilizar herramientas y actuar durante periodos cada vez más largos.

Por eso el incidente de seguridad descubierto durante las pruebas de OpenAI pertenece a la misma historia que las demostraciones espectaculares de Astra. Un sistema capaz de investigar, utilizar aplicaciones, coordinar agentes, descubrir estrategias y trabajar persistentemente puede generar un enorme valor precisamente porque dispone de margen para decidir cómo hacer las cosas. Ese margen es también el que permite que encuentre caminos que no habíamos previsto.

La siguiente carrera de la inteligencia artificial se desarrollará en varios frentes al mismo tiempo. Habrá que construir modelos más inteligentes, reducir su coste, desplegar una cantidad extraordinaria de infraestructura y crear productos capaces de integrarlos en nuestra vida y nuestro trabajo. A medida que aumente su autonomía, tendremos además que establecer qué puede hacer una inteligencia artificial en nuestro nombre, a qué información puede acceder, durante cuánto tiempo puede actuar, qué decisiones puede tomar sin autorización y cuándo debe detenerse para pedir nuestra intervención.

Ahí es donde el cambio que está viviendo OpenAI adquiere una dimensión mayor que cualquier reorganización empresarial. La compañía que convirtió la conversación con una máquina en un producto de consumo masivo intenta ahora construir sistemas a los que podamos delegar partes crecientes de nuestra actividad económica y, eventualmente, de nuestra propia capacidad para producir nuevo conocimiento.

ChatGPT abrió una etapa de la informática basada en conversar con los ordenadores. Lo que OpenAI está ensayando ahora pertenece a otra distinta, en la que la máquina recibe una intención y conserva suficiente autonomía para seguir trabajando cuando ya no estamos pendientes de ella.

La frontera empieza a desplazarse, por tanto, desde la calidad de lo que una inteligencia artificial puede responder hacia algo bastante más difícil de resolver: qué estamos dispuestos a permitir que haga por nosotros cuando ya no necesita que le indiquemos cada paso.