Dieciocho modelos frontier. Ciento cincuenta y tres experimentos autónomos. Ocho días sin interrupción, sin internet, sin pistas externas. Al final de la mayor prueba pública de investigación autónoma con IA hasta la fecha, el mejor modelo — Claude Fable 5 — llegó al 82% del camino hacia un récord establecido por docenas de investigadores humanos durante meses. Ningún modelo inventó una sola técnica que no estuviera ya en la literatura publicada.
Prime Intellect publicó los resultados en agosto de 2026. La lectura depende del ángulo desde el que se mire.
La prueba: el nanoGPT speedrun
El benchmark elegido es el nanoGPT optimizer speedrun, una competición que mide cuántos pasos de entrenamiento necesita un modelo de lenguaje de 124 millones de parámetros para alcanzar una pérdida de validación objetivo. Menos pasos = mejor resultado. Los ingenieros humanos que construyeron el récord actual — 2.600 pasos — trabajaron colaborativamente durante meses, con acceso a internet, discusiones en foros, y la posibilidad de descansar, reflexionar y volver al problema.
A los modelos de IA se les dio el problema desde cero, en sandboxes aislados, con 8 GPUs H200 cada uno, durante hasta 8 días. El único contexto disponible: los repositorios y la descripción de la tarea.
Los resultados:
- Claude Fable 5: cerró el 82% del gap → alcanzó ~2.726 pasos
- Opus 5: 54% del gap
- GPT-5.5: 8%
- Kimi K3, Grok 4.5/4.6, GLM 5.2, DeepSeek V4 Pro, Qwen 3.8: escalonados por debajo
Lo que Prime Intellect enfatiza es que el orden no cambia si se mide por horas de GPU, número de experimentos o tokens de output. La diferencia entre Fable 5 y el resto no es haber corrido más pruebas — es haber elegido mejor cuáles correr.
Lo que distinguió a los mejores modelos
Prime Intellect identificó tres características de los modelos que mejor rindieron:
1. Estrategia experimental. Los mejores modelos no ejecutaban pruebas al azar — construían hipótesis, diseñaban experimentos para aislar variables y eliminaban caminos muertos antes de comprometer tiempo de GPU. Algunos llegaron a crear simulaciones propias para validar un mecanismo antes de decidir si valía la pena un run completo.
2. Gestión del ruido del benchmark. El nanoGPT speedrun tiene varianza alta — los mismos hiperparámetros dan resultados distintos en diferentes seeds. Los modelos más fuertes aprendieron a distinguir señal de ruido, acumulando evidencia antes de confirmar o descartar una técnica.
3. Revisitar negativos. Un hallazgo contraintuitivo: los mejores modelos revisaron resultados negativos anteriores cuando el contexto del problema había cambiado, en lugar de asumir que lo que no funcionó antes no funcionaría nunca. Ese tipo de persistencia calibrada es lo que diferencia a un buen investigador de uno mediocre.
Claude Code en modo autónomo ya ejecuta scripts y modifica ficheros durante horas sin intervención continua del usuario. El experimento de Prime Intellect muestra la misma capacidad aplicada a investigación científica en lugar de a código.
El hallazgo más importante: la novedad zero
El resultado técnico más significativo del paper es también el que más incomoda al hype de la IA: ninguno de los dieciocho modelos introdujo una técnica que no estuviera ya en la literatura publicada.
Todo lo que Fable 5, Opus 5 y GPT-5.5 usaron para cerrar ese gap fue combinación, refinamiento y aplicación inteligente de ideas que los investigadores humanos habían desarrollado y publicado. La capacidad de síntesis y ejecución es extraordinaria. La capacidad de salto creativo genuino, de momento, es cero.
Jack Clark, cofundador de Anthropic, argumentó en mayo que «el genio es un 1% de inspiración y un 99% de transpiración, y que la IA comiendo la transpiración es suficiente para impulsar su propia mejora para 2028». El experimento de Prime Intellect mide exactamente esa afirmación. En el 99% — el trabajo repetitivo de correr experimentos, matar callejones sin salida, retestear lo que ya falló — el mejor modelo llegó al 82% de un récord humano construido durante meses. En el 1% — la idea nueva — puntuó cero.
Los sistemas de IA capaces de actuar de forma autónoma en tareas de código y razonamiento avanzado requieren evaluaciones de seguridad específicas que van más allá del rendimiento en benchmarks. La autonomía en investigación añade una dimensión más a ese desafío. La plataforma OpenAI Presence integra agentes de voz y texto en flujos de trabajo empresariales — el mismo tipo de autonomía agéntica que Prime Intellect estudia en investigación científica.
Mi valoración
Lo que más me convence de este experimento es su honestidad metodológica. Prime Intellect no está intentando demostrar que la IA puede investigar — está midiendo hasta dónde llega, con qué margen, y en qué falla específicamente. La conclusión «el 1% creativo sigue siendo humano» no es derrotista — es el estado actual del arte, medido empíricamente.
Lo que más me preocupa es la velocidad de mejora. Fable 5 está en el 82%. Dentro de un año, con los modelos de la siguiente generación, ¿estaremos hablando del 91%, del 95%? El salto de 0% a 82% ocurrió en menos de tres años de modelos frontier capaces de programar. La distancia al 100% puede ser más corta de lo que parece desde fuera.
La pregunta más interesante a 12 meses: ¿cuándo vemos el primer experimento de este tipo en el que el modelo inventa una técnica que no estaba en ningún paper previo?
