Paper · Serie Más allá del agente · P08
El bucle que se cierra
Una auditoría causal para distinguir aceleración de I+D, autonomía experimental, mejora heredada y verdadera reentrada recursiva en sistemas que participan en construir sus sucesores.
Cómo medir la transición de asistencia a automejora recursiva en la I+D de inteligencia artificial
Autor: Agustín Hipólito Tomás
Edición pública: 1.0 · 10 de septiembre de 2026
Base científica: manuscrito v0.2
Serie: Más allá del agente · P08
Estatuto: paper conceptual-documental · auditoría causal propuesta · programa de validación
Corte bibliográfico: 10 de septiembre de 2026
Resumen
La inteligencia artificial ha entrado en la infraestructura que produce inteligencia artificial. En septiembre de 2026 OpenAI declara haber alcanzado un “automated research intern” capaz de ejecutar tareas de varios días bajo dirección humana y reporta, en términos de tiempo de ejecución, 3,1 jornadas-agente por cada jornada humana dentro de su organización de investigación. Anthropic informa de que más del 80% del código que integra es producido por Claude y presenta casos en los que agentes formulan hipótesis, ejecutan experimentos y deciden siguientes pasos.
Estas señales no bastan para demostrar recursive self-improvement. El campo ya dispone de benchmarks de AI R&D, horizontes temporales, métricas de coste, taxonomías del ciclo y revisiones que hablan explícitamente de loop closure. La cuestión más exigente es causal:
¿cuándo una mejora producida por IA pasa realmente a una unidad sucesora y reaparece como capacidad para producir una mejora posterior?
P08 propone una Auditoría de Cierre Causal del Bucle (ACCB). Para cada episodio se registra quién controla dirección, hipótesis, construcción, ejecución, análisis, selección, integración, reentrada y verificación. La auditoría distingue puertas humanas críticas de supervisión externa.
La tesis es estrecha:
una cadena de AI R&D no demuestra automejora recursiva porque la IA escriba código, ejecute muchos experimentos o complete una investigación. Hace falta demostrar que una diferencia
Δse integra en una unidad sucesora, la modifica causalmente y contribuye a la siguiente ronda de mejora.
1. La máquina entra en su propia fábrica
Durante años la IA se evaluaba por lo que podía hacer fuera del laboratorio: responder, programar, razonar, usar herramientas.
Ahora también participa dentro del proceso que crea el siguiente modelo.
Los agentes escriben código de investigación, depuran infraestructura, construyen datasets, ejecutan evaluaciones, lanzan experimentos y analizan resultados.
“La IA construye IA” empieza a describir un hecho.
Pero no describe todavía una única forma causal.
2. OpenAI: mucha más actividad agente, todavía con puertas humanas
OpenAI publicó el 6 de septiembre de 2026 una fotografía interna de su organización de investigación.
Declara haber alcanzado un automated research intern: un sistema capaz de ejecutar, bajo dirección humana, tareas bien definidas que tomarían varios días a una persona cualificada.
A mediados de agosto, la organización acumulaba 3,1 jornadas-agente de runtime por cada jornada humana.
También aumentaron:
- los experimentos;
- la concurrencia de agentes;
- la duración de las tareas delegadas;
- el nivel de las tareas.
Pero el mismo informe muestra la frontera.
La planificación de alto nivel sigue siendo una fracción mínima del uso.
Y más de la mitad de las tareas exitosas de 4–8 horas necesitó una o más intervenciones humanas.
La lectura correcta es:
aceleración fuerte ≠ cierre completo.
Fuente: https://openai.com/index/research-acceleration-view-inside-openai/
3. Anthropic: 80% de código no significa 80% del ciclo
Anthropic informa de que más del 80% del código integrado en su codebase era escrito por Claude en mayo de 2026.
El output de código por ingeniero había aumentado intensamente.
En un benchmark interno de optimización de código de entrenamiento, Claude pasa de aproximadamente 3× a 52× de speedup entre 2025 y 2026.
Eso representa una transformación enorme de la fase Build.
Pero no responde:
- quién decide qué merece investigarse;
- quién selecciona el resultado;
- quién decide que generaliza;
- quién integra el cambio en el sucesor.
Fuente: https://www.anthropic.com/institute/recursive-self-improvement
4. Un experimento puede estar casi cerrado y no ser recursivo
Anthropic describe un proyecto de investigación abierto realizado por agentes.
Los agentes:
- propusieron hipótesis;
- diseñaron experimentos;
- ejecutaron;
- compartieron resultados;
- iteraron.
Los humanos, sin embargo:
- eligieron el problema;
- fijaron el rubric.
Y el resultado no transfirió limpiamente a producción.
Eso es investigación altamente automatizada.
No es todavía prueba de automejora recursiva.
end-to-end research ≠ inherited self-improvement.
5. El estado del arte ya mide mucha parte del fenómeno
RE-Bench compara agentes y expertos humanos en tareas realistas de ML research engineering.
METR mide cuánto duran las tareas que un agente puede resolver y cuánto cuesta optimizar con agentes frente a humanos.
Epoch AI descompone el ciclo de I+D en decenas de tareas.
Trabajos de 2026 proponen métricas de automatización de AI R&D.
AI4AI-Bench intenta medir diseño de algoritmos de entrenamiento.
RSIBench-Data estudia ciclos de mejora basados en datos.
Una revisión reciente organiza la literatura precisamente por tipo de mejora y grado de cierre.
Por tanto, P08 no propone “medir la RSI” por primera vez.
Su objeto es detectar un falso positivo concreto:
confundir trabajo automatizado dentro de AI R&D con una mejora que entra en el sucesor y vuelve a actuar sobre la siguiente mejora.
6. La cadena que hay que demostrar
Para hablar con fuerza de recursión necesitamos algo parecido a:
ciclo t
IA produce Δ
↓
Δ mejora un resultado
↓
Δ es seleccionada
↓
Δ se integra en unidad sucesora U(t+1)
↓
U(t+1) cambia por haber heredado Δ
↓
U(t+1) inicia otro ciclo
↓
la mejora heredada contribuye a producir Δ(t+1)Sin esa cadena tenemos AI-accelerated R&D.
No necesariamente RSI causal.
7. Auditoría de Cierre Causal del Bucle
Para un episodio registramos:
L(c)=<D,H,B,R,A,S,I,N,V,U>
Ddirección;Hhipótesis/diseño;Bconstrucción;Rejecución;Aanálisis;Sselección;Iintegración;Nsiguiente ciclo;Vverificación;Uunidad sucesora.
El valor no está en los nombres de las fases.
Está en preguntar quién controla cada transición y qué diferencia causal atraviesa la frontera entre ciclos.
8. Puertas humanas críticas
Un humano puede cumplir funciones muy distintas.
Puede:
- originar el objetivo;
- aprobar;
- corregir;
- seleccionar;
- integrar;
- supervisar desde fuera.
Una puerta crítica es una acción humana sin la cual el ciclo no continúa.
Si una IA genera cien variantes y un humano elige cuál probar, la generación está automatizada.
La selección no.
9. Human-in-the-loop no es human-over-the-loop
Esta diferencia importa mucho para gobernanza.
Human in the operational loop
El humano es causalmente necesario para producir la siguiente iteración.
Human over the loop
El humano conserva autoridad externa:
- permisos;
- límites de compute;
- monitorización;
- auditoría;
- stop;
- aprobación de deployment.
Un sistema puede cerrar el loop operacional y continuar bajo autoridad humana.
Por eso:
recursive operation ≠ ungoverned operation.
10. Cinco obligaciones de prueba
O1 · Atribución
¿la mejora procede realmente de la IA?
O2 · Efecto
¿mejora frente a un baseline?
O3 · Selección
¿quién decide qué variante cuenta?
O4 · Herencia causal
¿la unidad sucesora rinde de forma distinta porque heredó Δ?
La comparación mínima es:
U_with_Δ vs U_without_Δ.
O5 · Reentrada
¿la unidad sucesora vuelve al ciclo y utiliza la mejora heredada?
Sin O4 y O5 no existe evidencia fuerte de recursión.
11. El sucesor no tiene que ser un modelo
U puede ser:
- checkpoint;
- training algorithm;
- dataset pipeline;
- evaluator;
- scaffold;
- memory;
- infrastructure;
- research process.
Esto evita reducir la automejora a pesos.
Una mejora del sistema que produce modelos puede ser heredada aunque los pesos concretos no la contengan.
12. Tres variables distintas
La narrativa de RSI suele mezclar tres cosas.
C · Cierre
¿Cuántas puertas críticas siguen dependiendo de humanos?
G · Ganancia
¿Cuánto mejora cada ciclo?
T · Tiempo/coste
¿Cuánto tarda y cuesta?
No son equivalentes.
Un loop puede estar muy cerrado y producir casi ninguna mejora.
Otro puede producir una gran mejora y seguir human-directed.
Y un loop puede iterar rápido hacia peor.
13. Iterar más no significa mejorar
RSIBench-Data encuentra precisamente que agentes capaces de mejorar tras recibir feedback pueden seguir iterando y acabar por debajo de su mejor checkpoint intermedio.
La recursión puede producir:
Δ > 0
pero también:
Δ = 0
o
Δ < 0.
Por eso “self-modification” no debe convertirse automáticamente en “self-improvement”.
14. El juez también forma parte del bucle
Si el mismo sistema:
- genera;
- mide;
- juzga;
- selecciona;
puede aparecer un cierre autoconsistente sin mejora externa.
Por eso ACCB registra la fuente de verificación:
- self-eval;
- same-family judge;
- independent model;
- fixed external metric;
- third-party/human evidence;
- formal/physical ground truth.
La pregunta no es si “AI judges AI”.
Es qué independencia tiene la evidencia.
15. Una escala de lectura, no un score
P08 utiliza etiquetas provisionales:
B0 asistencia
B1 ejecución delegada
B2 bucle experimental autónomo acotado
B3 investigación local autónoma
B4 mejora heredada demostrada
B5 reentrada recursiva demostrada
El vector es el dato.
B0–B5 solo resume.
No mide inteligencia, conciencia ni peligrosidad.
16. Dónde estamos según la evidencia pública
La evidencia pública revisada permite sostener:
OpenAI
B1 fuerte; B2 parcial; componentes hacia B3.
Bloqueos visibles:
- high-level planning;
- intervención;
- ausencia de cadena pública completa de herencia/reentrada.
Anthropic
B1 muy fuerte en engineering; B2 fuerte en loops acotados; componentes B3.
Bloqueos visibles:
- direction-setting;
- rubric;
- selección estratégica;
- transferencia a producción.
No hay evidencia pública suficiente para declarar B5.
Esto no demuestra ausencia interna.
Demuestra ausencia de prueba pública suficiente.
17. El cuello de botella puede migrar
La automatización no elimina necesariamente trabajo.
Puede trasladarlo.
Cuando escribir código cuesta casi cero tiempo humano, aparece otro cuello:
- decidir qué problema merece atención;
- revisar mucho más output;
- seleccionar;
- verificar;
- integrar.
La capacidad que falta cambia de lugar.
18. El falso indicador del porcentaje automatizado
Dos laboratorios pueden decir “80% de I+D automatizada” y encontrarse en estados radicalmente distintos.
Laboratorio A
Humanos controlan:
- dirección;
- selección;
- integración.
Laboratorio B
Esas funciones ya son operacionales de agentes y los humanos conservan solo supervisión externa.
El porcentaje es igual.
La topología causal no.
19. Programa de validación
El siguiente paso empírico es pequeño y concreto.
Crear un sandbox donde un agente:
- propone una modificación;
- ejecuta;
- evalúa;
- selecciona;
- integra;
- crea una unidad sucesora;
- vuelve a ejecutar el ciclo.
Después construir:
U+ con la mejora heredada.
U- sin ella.
Si en el segundo ciclo U+ supera causalmente a U-, tenemos evidencia de herencia.
Si además U+ genera una nueva diferencia sin gate humano crítico, tenemos evidencia más fuerte de reentrada.
20. Por qué esto importa para el freno
P07 preguntaba quién puede imponer un freno común a actores que compiten.
P08 pregunta cuánto está cambiando el acelerador.
Si el ciclo de I+D:
- reduce tiempo;
- aumenta gain;
- cierra puertas;
el campo puede avanzar más deprisa entre dos momentos de observación institucional.
Pero el riesgo no depende de cierre solo.
Necesita observar:
C + G + T.
21. Lo que no sabemos
No sabemos públicamente:
- qué porcentaje real de decisiones estratégicas se automatiza;
- qué gains de research agents llegan a frontier training;
- cuánto del progreso reciente es compute adicional;
- qué mejoras generadas por IA han pasado a sucesores;
- si esas mejoras ya han aumentado la capacidad del siguiente ciclo.
Por eso P08 no concluye “RSI ya está aquí”.
Concluye algo más útil:
sabemos dónde mirar para detectar el momento en que deje de ser solo una metáfora.
22. Conclusión
La IA está dentro de su propia fábrica.
Eso ya no es especulación.
Pero estar dentro no significa dirigirla.
Y dirigir partes no significa cerrar el loop.
La prueba decisiva no es:
“¿cuánto código escribe?”
Ni:
“¿cuántas horas trabaja?”
Ni siquiera:
“¿puede completar un proyecto?”
Es:
¿la diferencia que produce pasa al sucesor y vuelve a convertirse en capacidad para producir la siguiente diferencia?
La forma mínima es:
Δ(t)
→ U(t+1)
→ efecto causal
→ nueva ronda
→ Δ(t+1)Ese es el bucle que importa.
La evidencia pública de 2026 indica que se está cerrando por segmentos.
Todavía no demuestra un cierre recursivo completo.
Y esa frontera permite separar dos preguntas que a menudo se confunden:
¿puede la máquina producir la siguiente iteración sin nosotros?
y
¿seguimos conservando autoridad para decidir si debe hacerlo?
Son preguntas distintas.
P08 existe para impedir que vuelvan a fundirse.
Fuentes y referencias
- OpenAI. Research acceleration: The view inside OpenAI. 6 Sep 2026. https://openai.com/index/research-acceleration-view-inside-openai/
- Anthropic Institute. When AI builds itself. 2026. https://www.anthropic.com/institute/recursive-self-improvement
- Epoch AI. Toward an ONET for AI R&D*. 17 Jun 2026. https://epoch.ai/gradient-updates/toward-an-onet-for-ai-rnd
- METR. Task-Completion Time Horizons of Frontier AI Models. https://metr.org/time-horizons/
- METR. Expenditure Horizon: Measuring Optimization Ability, with an Application to NanoGPT. 21 Jul 2026. https://metr.org/blog/2026-07-21-expenditure-horizon/
- Wijk, H. et al. (2024). RE-Bench: Evaluating frontier AI R&D capabilities of language model agents against human experts. arXiv:2411.15114.
- Chan, A. et al. (2026). Measuring AI R&D Automation. arXiv:2603.03992.
- Chen, M., Wang, L., & Qu, B. (2026). Recursive Self-Improvement in AI: From Bounded Self-Refinement to Autonomous Research Loops. arXiv:2607.07663.
- Chi, Y. et al. (2026). AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement. arXiv:2608.20318.
- Meng, F. et al. (2026). RSIBench-Data: Benchmarking Data-Centric Research for Recursive Self-Improvement. arXiv:2607.25886.
Sobre esta publicación
- Autor
- Hipólito