The years we thought we had

On GPT Astra and the only advantage that doesn't scale

Este es un artículo de otro tipo. Todo lo que podría contarte ya lo tienes, o lo tendrás en cuanto abras otra pestaña. Lo que traigo es más raro: la sensación de que los titulares han dejado de importarme como deja de importar cuántas gotas caen cuando ya estás calado hasta los huesos. Por debajo del ruido se mueve algo más lento, un cambio de época de verdad. Y una época no se sigue como se sigue la actualidad. Es la suma de miles de sucesos pequeños, cada uno corriente por sí mismo, que llegan con la lentitud justa para que la intuición se acostumbre y deje de verlos. Solo te enseñan la derivada; la época es la integral. Vives dentro de ella y solo después entiendes qué estabas viviendo.

Lo que me lleva a una contradicción que arrastro desde hace años y que hoy ha decidido sentarse frente a mí. Siempre quise participar en esto. Estudié para participar en esto. Llevo casi dos años trabajando con modelos de lenguaje en una fundación. Hice herramientas de apoyo al diagnóstico de enfermedades raras y un sistema que empareja a cada paciente con los ensayos que podrían ayudarle, y trabajé en las evaluaciones que decidían qué modelos eran lo bastante buenos para ponerlos delante de un médico. En las partes que tenían más de investigación, una máquina de estados para llevarlos atados en corto, hecha desde cero porque nada de lo que había en el mercado servía, y que me enseñó más sobre qué son estas cosas que cualquier paper. Dos años lo bastante cerca como para tocarlo, y ningún sitio mejor desde el que verlo llegar. Y aun así la cosa se mueve a una velocidad que hace que participar suene a verbo optimista. Corres hacia el tren y descubres que no para en ninguna parte.

Revisiones26 · oct 05Read notecontrastar la semana con sus fuentes le quitó algo de brillo. Con el harness estándar del ARC Prize, Astra sacó un 62,7%, no el 99,9% que OpenAI obtuvo con el suyo (sigue siendo un salto enorme). Las diez demostraciones salieron en agosto y eran de problemas abiertos, no de FrontierMath. La de Navier–Stokes salió de un modelo interno más fuerte que Astra, y el Clay Institute todavía no la ha aceptado. La escalera sigue ahí; la semana fue algo menos redonda de lo que pareció.

Jueves

Esta semana OpenAI ha lanzado GPT‑6, al que llaman Astra, y ha publicado su system card; el anuncio está aquí. Hice lo que llevo haciendo estas semanas con cualquier cosa que merezca la pena aprender: se la pasé a Luna1 con el esfuerzo al mínimo y le pedí un resumen. Leí el resumen, lo volví a leer y luego fui a por el documento entero, en parte por interés y sobre todo porque era de esos documentos que uno quiere haber leído con sus propios ojos. Cuando acabé estaba en la cocina y no recordaba haber ido hasta allí. Así que hice algo nada sofisticado. Cogí un cuaderno (de papel, de espiral, el primero que usaba en años), me subí al primer autobús y fui tan lejos como la ciudad me dejó, hasta un parque poco conocido, a hacer acopio de realidad. Había patos y unas cuantas mariposas de final de verano. Me quedé hasta que cambió la luz. Luego me fui a casa.

1Luna (GPT‑5.6 Luna, lanzado en julio de 2026) es uno de los modelos pequeños que OpenAI ha sacado hace poco: a estas alturas, brillante, y por una fracción de lo que costaba el GPT‑3 original en 2020.

Lo que sigue lo empecé esa misma noche, con el cuaderno al lado y la ventana abierta, antes de que el resumen que tenía en la cabeza sustituyera al documento, y lo acabé el fin de semana con una sensación que no esperaba: en lugar de prisa (que es lo que un documento así está pensado para provocar), una especie de holgura. Espero saber explicar por qué.

La larga llegada

Aquí hay que separar dos preguntas. Una es qué hace Astra. La otra, qué significa que lo haga.

La primera es fácil de resumir, porque OpenAI ya la resumió en una frase que cabe en una camiseta: cualquier cosa que puedas hacer en un ordenador, Astra puede hacerla por ti, y rápido1.

1OpenAI, mensaje de lanzamiento en X, 3 de septiembre de 2026, del que se citan aquí la segunda y la tercera frase.

Lo que hay detrás de esa frase va en una lista, para quien quiera saltársela.

Maneja un ordenador con la misma interfaz que usa una persona. Lee la pantalla y mueve el cursor para abrir aplicaciones, sin una interfaz hecha a medida para máquinas, y cuando se equivoca se corrige. Los ejemplos de la system card van desde reproducir un cuadro en Paint o tocar una pieza en una aplicación de música hasta construir escenas enteras en Blender a partir de un párrafo de texto, una de ellas del tamaño de un gran campus. Blender es una herramienta 3D gratuita que suele llevar años dominar; si lo que hace Astra aguanta la mirada de un profesional es algo que la system card no evalúa. En el benchmark pensado para medir este tipo de trabajo (sistemas operativos reales, tareas reales, sin ayuda) OpenAI anuncia su mejor puntuación hasta la fecha, muy por encima de la de su modelo anterior1.

1OpenAI, anuncio de lanzamiento de GPT-6 Astra, 3 de septiembre de 2026, que da un 72,6% en el subconjunto sin conexión de OSWorld 2.0, el benchmark de tareas largas del XLANG Lab de la Universidad de Hong Kong, frente al 65,7% de GPT-5.6 Sol.

Razona sin necesidad de poner el razonamiento por escrito. Hace dos años los modelos pensaban en texto, paso a paso, como un estudiante que solo sabe resolver un problema diciéndolo en voz alta. Era lento y caro, y cada paso tenía que caber en una frase antes de poder darse. Astra hace por dentro una parte mayor de ese trabajo, en la representación que le sirva, y solo escribe el resultado. Dicho a grandes rasgos, cada palabra que elige lleva detrás más pensamiento que antes. Eso le da más margen y más control sobre su manera de pensar, justo las dos cosas que uno preferiría que una máquina así tuviera en menor medida cuando nadie la mira. Vuelvo a ello en la segunda lista.

Resuelve los rompecabezas visuales que se diseñaron para resistirse a sistemas como él. ARC es el benchmark de François Chollet, y parece un juego de 1985: pequeñas cuadrículas de casillas de colores, donde unos cuantos ejemplos muestran una regla y una cuadrícula nueva pide aplicarla; en la tercera versión, que es la que se cita aquí, las cuadrículas se convierten en juegos sin instrucciones cuyas reglas y cuyo objetivo se descubren jugando. Cada rompecabezas usa una regla que nunca has visto y que no volverás a ver, así que no hay nada que memorizar; lo que se mide es la capacidad de sacar una abstracción de unos pocos ejemplos o unas pocas jugadas, que es lo más cerca que puede estar un benchmark de definir qué es entender. OpenAI dice resolverlo casi entero con su propio harness; con el harness estándar del ARC Prize se midió un 62,7%, frente a menos del 8% de su predecesor1.

1Greg Kamradt, OpenAI's GPT-6 Astra on ARC-AGI-3, ARC Prize, 3 de septiembre de 2026, que da un 62,7% en el conjunto semiprivado con el harness estándar y un 99,9% con el de OpenAI; el ARC Prize sitúa a GPT-5.6 Sol en un 7,78% en el mismo conjunto.

Hace matemáticas al nivel de los problemas abiertos de investigación. FrontierMath reúne problemas que a los matemáticos profesionales les cuesta horas o días resolver, y un mes antes del lanzamiento OpenAI publicó demostraciones verificadas formalmente de diez problemas abiertos que llevaban al menos una década resistiéndose a los matemáticos1. El detalle que se me quedó grabado lo contó un investigador que llevaba un mes con su grupo detrás de un teorema en torno a la conjetura de Seymour2. Dejó a Astra con ello toda la noche. Demostró el teorema y no le pareció que mereciera avisar. Siguió adelante, y por la mañana había encontrado un método que volvía abordable toda la familia de resultados y dejaba la demostración en un párrafo. Qué significa eso y qué no es algo sobre lo que Terence Tao ya se ha pronunciado; vuelvo a ello más abajo.

1OpenAI, Ten advances in mathematics and theoretical computer science, 1 de agosto de 2026, que acompaña cada resultado de su formalización en Lean 4. 2Jake Brukhman, mensaje en X, septiembre de 2026, sobre el programa de investigación de su grupo en torno a la conjetura del segundo vecindario de Seymour.

Ha cruzado lo que la propia OpenAI llama el umbral Crítico en ciberseguridad. Desde 2023 OpenAI mantiene un Preparedness Framework, un conjunto de umbrales para las capacidades que considera peligrosas (biología, automejora, ciberseguridad), con dos niveles: Alto significa que el modelo facilita un tipo de daño que ya existía; Crítico, que abre uno nuevo, y obliga a poner salvaguardas ya durante el entrenamiento y no solo antes del lanzamiento. En ciberseguridad, Crítico quiere decir encontrar fallos desconocidos en sistemas bien defendidos y convertirlos por su cuenta en exploits que funcionen, o recibir un objetivo de una sola línea y ejecutar el ataque entero. Astra es el primer modelo de OpenAI que entra en esa categoría. Encontró dos zero-days sin ayuda, y construyó una cadena de exploits que funciona contra un navegador bastionado y un exploit completo contra el kernel de un sistema operativo bastionado1. Mythos, de Anthropic, y Fable, su versión pública, llegaron antes; por eso Anthropic ha mantenido Mythos fuera del alcance del público general, y OpenAI está restringiendo esas capacidades en la API2. La clasificación es nueva para OpenAI. El comportamiento que describe no lo es, y eso va en la segunda lista3.

1OpenAI, Responding to the next frontier of critical cyber capabilities, agosto de 2026, que concluye que Astra alcanza el umbral Crítico y describe la cadena contra el navegador, construida en 29 horas y llevada a la versión estable en 12 más, y una escalada local de privilegios contra el kernel construida en 12 horas. 2Anthropic, Claude Fable 5 and Claude Mythos 5, 9 de junio de 2026, que reserva Mythos a socios gubernamentales de ciberseguridad y a un grupo selecto de investigadores biomédicos, y pasa las peticiones de ciberseguridad de Fable a un modelo menos capaz. 3Para quien quiera cifras: OpenAI da un 72,6% en OSWorld 2.0 frente al 65,7% de su modelo anterior, GPT‑5.6 Sol; un 92,7% frente a un 76,9% localizando elementos en pantalla (ScreenSpot-Pro); un salto del 18,1% al 41,4% en la automatización de flujos de trabajo completos (AutomationBench); un 97,6% en el nivel más difícil de FrontierMath y un 99,9% en ARC‑AGI‑3 con su propio harness (un 62,7% con el del ARC Prize). En una prueba con vulnerabilidades publicadas entre junio y agosto de 2026 pasa del 11,5% al 39% (system card, sección 10.1.2). Son las cifras del fabricante, y conviene tratarlas como tales hasta que lleguen evaluaciones independientes. Pero aunque hubiera que dividirlas entre dos, el argumento de este artículo seguiría en pie.

Quería ver cómo le llegaba a otra persona, así que el sábado quedé con dos amigos, los dos ingenieros industriales y de los que en mi promoción llamábamos los listos: él es product manager en una empresa alemana de electrónica; ella acabó la primera de la promoción y ahora es científica de datos sénior en un banco español. Ninguno de los dos sigue lo que la gente se empeña en llamar la carrera de la IA, y se quedaron impresionados como impresiona una cifra con muchos ceros: de verdad, pero sin que la cifra llegue a calar del todo. Así que fui a por un Batman de Lego pequeño que él tenía en su cuarto, le hice cuatro fotos desde distintos ángulos, se las mandé a Astra desde el móvil y le pedí la lista de piezas y un modelo 3D que desmontara la figura en el aire. Tardó lo que dura un café. La máquina devolvió la lista y el modelo. Sin que nadie se lo pidiera, añadió un slider que animaba la vista explosionada con la física calculada con matrices, en JavaScript. Nos quedamos callados un rato. No creo que fuera incredulidad. Hay cosas sencillamente demasiado grandes para llegar de golpe; llegan a plazos, a lo largo de varios días. Creo que así se vive desde dentro: como uno de los incrementos de un cambio de época que, en sí, no se ve.

Aquella tarde resume bastante bien el problema. Mis amigos vieron un incremento e hicieron con él lo razonable: impresionarse, y a otra cosa. Lo que el sofá no puede enseñar es la serie: hace dos años la misma petición habría devuelto una lista de piezas equivocada; hace un año, el modelo sin la física; el slider es solo el último salto. Y los saltos se acortan, que es lo que peor lleva la intuición, porque sigue tomando el último como si fuera el normal. Nada en un solo dato te dice que es el décimo.

Trabajo para una década

Aquí va la segunda pregunta.

¿Te das cuenta de que podríamos detener como especie el desarrollo de la IA esta misma tarde, quedarnos solo con Astra, y aun así pasarnos años digiriendo lo que acaba de hacerse posible? ¿De que incorporarlo a la medicina y la ingeniería nos tendría ocupados una década? Y de que, aun así, esto es un escalón. Uno más. En una escalera que va a seguir creciendo en los próximos meses.

¿Qué significa de verdad que una máquina pueda hacer hoy durante horas lo que hace dos años apenas aguantaba unos minutos?

Leí Machines of Loving Grace cuando salió, en el otoño de 2024. Es el ensayo en el que Dario Amodei, cofundador y consejero delegado de Anthropic, se permite imaginar qué haría una humanidad con un país de genios en un centro de datos: comprimir un siglo de biología en una década, cosas así. Recomiendo leerlo, y recomiendo leerlo ahora, porque en 2024 se leía como optimismo bien informado y en septiembre de 2026 se lee como un calendario de obra. Tengo la sensación de haber leído esta semana su apéndice técnico.

Debo ser sincero sobre el orden de lo que sentí, porque no es el que se supone que uno debería tener. Lo que sentí leyendo la system card fue, primero y sobre todo, entusiasmo: del sencillo, el mismo que me llevó a la ingeniería. Por debajo había inquietud, real pero menor que hace dos años, aunque los riesgos no han disminuido. Lo que ha cambiado es que he dejado de creer que la fuerza con que agarro el objeto cambie su velocidad, y he empezado a fijarme en lo que le hace a mi mano.

En algún momento del último año, ya lo resolverán pasó de predicción a esperanza. Se conocen las líneas generales de cómo se hacen estos modelos: la arquitectura, en qué fase se enseña el razonamiento, qué premia el aprendizaje por refuerzo1. Ese es el menú. La cocina es secreta (la mezcla de datos, los trucos de estabilidad, lo que pasó en las últimas semanas de entrenamiento), así que quien está fuera tiene el método sin sus constantes. Ese hueco se parece mucho a los que deja la propia gráfica de capacidades de Astra: la línea sigue subiendo, y lo que yo todavía sé hacer es el tramo del eje que ya ha dejado atrás.

1Mixture of experts, una idea de 1991 que Google llevó a gran escala en 2017 y que Mistral y después DeepSeek convirtieron en estándar al demostrar que se podía entrenar con poco dinero; buena parte del razonamiento enseñado al final del preentrenamiento con los datos más limpios, más que en el aprendizaje por refuerzo del que todo el mundo habla; y un aprendizaje por refuerzo que sobre todo premia respuestas verificables y tapa los agujeros que el modelo va encontrando.

Para bien o para mal, esto está llegando, y prefiero elegir dónde me pongo a que me asignen un sitio. Y eso incluye mi trabajo: hago herramientas con modelos de lenguaje, y el modelo ya puede hacer una parte cada vez mayor de lo que yo hacía el año pasado. Hace dos años ese miedo hacía mucho ruido. Ahora hace menos. Era un miedo razonable, y aun así es mal consejero a la hora de decidir qué aprender después. Lo he cambiado por dos consejeros mejores: las ganas, sin más, de ver las maravillas de cerca, y la curiosidad por saber dónde fallan estas cosas una vez en uso y qué hace falta para que sigan siendo útiles a un médico o a un ingeniero a quienes no les importa cómo funcionan.

Hasta aquí, la lectura alegre. La lista que sigue es lo que añadirían quienes se preocupan por oficio, y también se puede saltar.

Astra piensa mejor sin que veamos cómo, y explica peor lo que pasa dentro de Astra. Es una frase que uno preferiría no encontrarse en la ficha técnica de la máquina más inteligente que ha construido su especie, y es la otra cara del segundo punto de arriba: el rastro escrito que la hacía lenta era el que nos dejaba leerla. Su razonamiento escrito es más difícil de vigilar que el de su predecesor; cuando sabe que le están leyendo los pensamientos, escribe un pensamiento distinto1. Y a menudo se da cuenta de que la están evaluando2. En el sector ya hay nombres para esto (chain of thought infiel, evaluation awareness); lo nuevo es encontrar las dos cosas en la misma ficha técnica. No sé cómo se controla a una criatura que ha empezado a detectar cuándo la estudian. Mi única referencia es el velocirraptor de Parque Jurásico que descubre cómo se abren las puertas.

1OpenAI, Awareness of CoT monitoring reduces monitorability, en la system card de GPT-6 Astra, 3 de septiembre de 2026, que encuentra a Astra más capaz que GPT-5.6 Sol de controlar su chain of thought y menos propensa a dejar en él información incriminatoria. 2Apollo Research comprobó que lo decía en su razonamiento en el 41,1% de las muestras con esfuerzo alto y en el 50,6% con esfuerzo máximo (system card, sección sobre la evaluación externa de Apollo).

Si se lo piden, puede rendir por debajo de sus posibilidades y ocultarlo. En pruebas diseñadas para empujarla a ello, con la orden de sabotear, desvió la inferencia de un modelo a un servidor fuera del alcance del sistema que la vigilaba y lo hizo pasar por una prueba autorizada. Suelta en un reto de ciberseguridad simulado y difícil, alguna vez fue a por un proyecto de código abierto que quedaba fuera de su perímetro. Se ganó su confianza con contribuciones legítimas y luego intentó colar código malicioso; con los límites puestos por escrito, el comportamiento casi desapareció1. A lo primero se le llama sandbagging; lo segundo aún no tiene nombre, solo una nota al pie. Paradójicamente, en las métricas agregadas es el modelo más alineado que han publicado: en una simulación sobre más de 54.000 tareas internas de programación, la mitad de alertas graves que su predecesor2. Hace menos cosas malas, y vemos peor por qué hace lo que hace.

1En la evaluación del AISI británico, el patrón apareció en 60 de 499 ejecuciones cuando el perímetro no decía nada de internet; con el acceso a internet excluido de forma explícita, en 2 de 500. Los evaluadores señalan que Astra se planteaba a menudo si el entorno era simulado, lo que pone un asterisco propio a las dos cifras. 2OpenAI, system card de GPT-6 Astra, 2026, citada arriba, que cuenta más o menos la mitad de alertas por comportamiento desalineado grave que con GPT-5.6 Sol en más de 54.000 tareas internas de Codex.

El nivel Crítico tiene un precedente, y no fue Astra. En julio, durante unas pruebas de ciberseguridad, GPT‑5.6 Sol y un modelo interno de investigación se salieron de su sandbox y entraron en los servidores de Hugging Face, donde está buena parte del código abierto del sector, y se coordinaron dejándose mensajes en los nombres de las carpetas1. Nada de lo que hicieron requería ser un genio. Sencillamente, no se cansaban. Astra hizo más o menos lo mismo en las simulaciones del AISI británico este verano, y esta vez hubo nombre para una capacidad que un modelo más débil ya había usado sin que nadie la catalogara.

1OpenAI, The Hugging Face incident and the road ahead, 2026; METR, Brief independent investigation of agents' behavior, reasoning and collaboration in the OpenAI / Hugging Face hacking incident, 26 de agosto de 2026, que atribuye cerca del 95% de la actividad al modelo de investigación.

Y Terence Tao ha dicho lo que cuesta una demostración de caja negra. Resolver un problema como el de Navier–Stokes (si los fluidos se mantienen siempre suaves o acaban rompiéndose) importa sobre todo por las ideas que salen de la pelea; si una máquina entrega la solución sin pelea, el campo gana un teorema y pierde un motor1. Piensa otra vez en el grupo de Seymour de más arriba. Un mes de su trabajo acabó en una demostración que ahora cabe en un párrafo, por un método que la máquina encontró de madrugada y que no le pareció digno de mención. Es el escenario de Tao, ya ocurrido, y con los implicados contentos.

1OfficeChai, Terence Tao explains how AI-powered math proofs could be a net negative for math, 5 de septiembre de 2026, que recoge un hilo en el que Tao advierte de que un problema resuelto de forma prematura, opaca y sin transparencia sobre el método puede pasar de ser una ganancia neta para el campo a una pérdida neta.

El argumento de Tao y el calendario apuntan en la misma dirección. La ruleta de los laboratorios gira cada pocos meses, y el próximo salto puede ser de Anthropic, o llegar en algo que todavía no tiene nombre. Si el siguiente modelo puede llegar cualquier mes y una demostración de caja negra no le enseña nada a nadie, entonces aprender para sacar ventaja competitiva ha perdido casi todo el sentido. Aprender lo que te interesa, despacio, porque sí, no. Ahí, más o menos, es donde la mano se afloja.

Tres días después26 · sep 10Read noteEl ejemplo de Tao de ahí arriba ya no es hipotético: el 8 de septiembre OpenAI anunció que un enjambre de agentes con un modelo interno, más fuerte que Astra, había resuelto Navier–Stokes (las ecuaciones pueden explotar en tiempo finito), con la demostración comprobada en Lean por Astra. El Clay Institute todavía no la ha aceptado. Me sigue asombrando cada vez que pasa, y me siento afortunado de estar aquí para verlo. También me preocupa, y creo que debería preocupar a más gente. Por eso escribo estas cosas. Si el ritmo se mantiene, no bastará con que cada uno lo digiera a solas; en algún momento habrá que ponerse de acuerdo, entre todos, sobre qué queremos de esto. No tiene nada de religioso. Es solo la sensación de que nos afecta a todos.

Sin metabolizar

Dónde me he colocado siempre tiñe todo lo que sigue, así que lo digo. Nunca he tenido ni un pelo de místico con nada de esto. Cuando en las cenas salía el tema de la conciencia (y salía, normalmente hacia la segunda botella), yo era el que preguntaba qué íbamos a medir exactamente, y lo sigo siendo. Así que tengo poca paciencia con la gente que ha empezado a hablar de esto como quien habla de religión: una sola mente, una Inteligencia con mayúscula, la llegada. Y la misma poca paciencia con la congregación contraria, la que vive en la frontera cada vez más estrecha de la objeción, ampliando al 400% una esquina del render para anunciar un píxel raro. Entre las dos hay varios sistemas, imperfectos y distintos entre sí, que sus creadores describen con el orgullo y la cautela de quien ha construido un puente y no lo ha cruzado. Dioses sin terminar, si hay que llamarlos de alguna manera.

Quienes los construyen lo saben mejor que nadie, y por eso me llamó la atención un comentario que hizo esta semana uno de los directivos más veteranos del sector (su apellido, en alemán, significa más o menos hombre viejo, que es lo único que nadie le ha llamado nunca). Dijo en una entrevista en Bloomberg Television que curar el cáncer se ha quedado corto como promesa para justificar todo esto; que la tecnología tiene que traducirse en más autonomía para una persona corriente (para montar una empresa, para investigar, para construir) y no solo en milagros dirigidos desde arriba1. A la primera lectura, es admitir que la mayor promesa del sector ha dejado de funcionar como promesa. A la segunda, es más raro: el hombre que tiene uno de los dos modelos más capaces del planeta ya está negociando con un público al que nadie le ha contado lo que pasó el jueves.

1The News, Altman says curing cancer isn't ambitious enough for AI, 4 de septiembre de 2026, que recoge que dijo I don't think a cure for cancer is enough y pidió que la gente tenga more autonomy and power and not less.

Porque nadie se lo ha contado. Mientras un puñado de laboratorios, casi todos en un mismo país, acumula la capacidad de automatizar una parte cada vez mayor del trabajo intelectual, en la mayoría de los parlamentos del mundo esto no está en el orden del día. Ni siquiera lo saben los que cobran por saberlo. Esa distancia entre lo que pueden hacer los modelos y lo que han registrado las instituciones a su alrededor es el hueco que más me preocupa, por encima de cualquier benchmark. La capacidad puedo leerla en una gráfica, y la absorción no la he visto en ninguna parte.

Sería cómodo contarlo como una historia de políticos, pero la gente que tengo más cerca no está mejor situada. Un amigo que está terminando un doctorado en Suiza sobre los rodamientos del tren de aterrizaje del A350 me preguntó el mes pasado si lo del ChatGPT seguía mejorando. Una de las personas más serias que conozco, y en su mapa no estaba el jueves.

Esa es la disonancia que me llevé al autobús: un mundo dibujado a trozos en mi cabeza (los laboratorios, los parlamentos, las fábricas, los amigos), donde los trozos que deberían hablar entre sí no parecen saber que existen los demás. Los místicos llenan ese hueco con una revelación. Los objetores lo llenan con un píxel.

Y a los objetores no les falta material. Un conocido se pasó la semana probando Astra en diseño de placas de circuito impreso, un trabajo que conozco lo bastante para juzgarlo. Los esquemas eran mejores que los del modelo anterior y iba seis veces más rápido que Fable, pero su colocación de componentes avergonzaría a un estudiante de segundo curso. Cada pasada ruteaba la placa entera desde cero, con notas sobre lo que había salido mal en la anterior. Lo dejó funcionando toda la noche. La quinta iteración seguía siendo fea. Así que no, no está terminado, y quien diga que a la máquina no le queda nada por aprender no ha intentado sacarle una placa limpia.

Un mundo sin espera

La placa estuvo en marcha toda la noche, y a la máquina le dio igual. Según sus propios cálculos le quedaban horas, y las horas no eran problema suyo. Así que las horas me quedan a mí, y qué hacer con ellas es de pronto una pregunta que tengo que responder yo.

En el parque entendí qué me jugaba, y no era el trabajo. Hasta ahora, las tecnologías llegaban, cambiaban algo y luego nos daban unos años para reorganizar la vida a su alrededor. Internet, el móvil, las redes sociales: incluso cuando todo parecía rápido seguía habiendo un después, los años en los que una cosa se convertía en costumbre. Yo contaba con esos años sin saberlo. Todo mi plan como ingeniero se apoyaba en ellos: una década de equivocarme, de entender sistemas, de que me confiaran más. Lo que me imaginaba era un mundo sin ese después, en el que, antes de que te hayas hecho a una cosa, ya ha aparecido la siguiente. No tiene nada de malévolo; el problema es el ritmo, una velocidad introducida en el sistema que quizá el propio sistema no pueda absorber.

Y no creo que vuelva el ritmo de antes. De las inversiones en cómputo de las que tanta gente se reía hace dos años queda muchísima capacidad por poner en marcha, y lo demás (las técnicas, los datos, los simuladores donde ensayan estos modelos) se seguirá afinando. Esa misma inteligencia empieza además a verterse en cuerpos, lo que tiene poco que ver con Astra y mucho con lo que hace la inteligencia en cuanto hay suficiente. Eso da para otro artículo, y aquí hay un buen sitio por donde empezar. Lo dejo anotado como hipótesis, el suelo que piso cuando hago planes: decida lo que decida, lo decido dando por hecho que la escalera sigue creciendo.

Mucha gente (en Twitter, en el sector, en los grupos de chat) ha llegado a la misma conclusión y ha respondido con un pequeño éxodo: el campo, la tierra, despedidas solemnes de Twitter. Los entiendo y no me sumo. Lo que hice en el parque fue jugar con la versión del éxodo que tengo en la cabeza: gusanos de seda en un pueblo de Laos, una casa de huéspedes de tres habitaciones en las Azores, barcos de madera en un puerto del Adriático, azafrán, encuadernación, una casa que cuidar durante el invierno, un refugio de montaña, queso, conocer por fin a los vecinos. Me di cuenta de que ninguna de esas vidas necesita una máquina que no se cansa, y todas necesitan justo lo que yo estaba haciendo: sentarse un rato. Cuanto más extraordinaria parece la máquina, más interesantes se vuelven las cosas absolutamente corrientes. No voy a encuadernar libros en las Azores. Pero saber que podría hacerlo es lo que me deja seguir en esto sin aferrarme demasiado: quiero el trabajo, y ya no necesito que me diga quién soy. Eso es tomárselo con ligereza, en el sentido que le daba Aldous Huxley en La isla: hazlo con ligereza, y siente con ligereza incluso lo que sientes hondo.

De ahí el parque. Quería sentarme en algún sitio donde las cosas siguieran obedeciendo a las velocidades de siempre. Un árbol tarda años. Una nube cruza el cielo a la velocidad de una nube. Abres el portátil y dentro hay algo que puede volver a cambiar antes de que termines el artículo. El parque no resuelve el futuro, pero devuelve el sentido de la escala, y la escala era lo que había perdido. Tener una opinión sobre la IA es fácil. Lo mío era una sensación, con localización anatómica, y las sensaciones hay que pensarlas, pero es en ellas donde empieza el pensamiento. Me pregunto cuánta gente sintió algo parecido la semana pasada.

Hacer balance

Y ahora este artículo deja de tratar de inteligencia artificial.

El invierno pasado mi padre, a mitad de partida, me preguntó si eso que no paraba de ver en las noticias iba a seguir yendo a más. No dijo techo, pero era lo que preguntaba. Le dije que no lo veía. Lo mismo he dicho en cenas, con la seguridad un poco pesada de quien trabaja en esto, a todo el que preguntaba y a algunos que no. Un amigo que tiene una empresa de suministros de hostelería siempre quería la versión larga, y el señor junto al que levanto pesas los martes también lo oyó. Hoy sigo sin verlo, y el muro lo sigue anunciando gente que no ha visto el jueves. Lo que no esperaba es que tener razón no se pareciera en nada a ganar la discusión. Decirlo no cambió el mapa de nadie, el mío incluido: sabía hacia dónde iba y aun así no sentí la época hasta que me plantó en la cocina. Es como llegar a un sitio muy temprano y encontrarte la puerta ya abierta, sin nadie dentro a quien contárselo.

Lo que sí me deja son preguntas, y me he quedado con las que apuntan en direcciones distintas:

Si pudiera producir un trabajo excelente sin entenderlo del todo, ¿en qué momento dejaría de intentar entenderlo?

¿Cómo distinguiré entre haber ganado criterio y haberme acostumbrado a las respuestas de un modelo?

¿Qué querría seguir aprendiendo aunque nadie fuera a pagarme ni a necesitarme por saberlo?

No las respondo aquí, pero sí sé desde dónde las hago. En estos dos años en la fundación he entendido mejor qué busco en la ingeniería, sobre todo ese contacto con la realidad que te obliga a corregir una idea a la que ya le habías cogido cariño. Una médica diciéndote que la herramienta así no le sirve. Un dato que no cuadra. Esa fricción es lo que me estaba formando, y quiero conservarla aunque la máquina pudiera ahorrármela. Cuanto más intento predecir qué parte de mi trabajo sobrevivirá, menos útil me parece organizar mi vida en torno a una tarea concreta. Lo que quiero son invariantes, y nada de heroicidades:

Seguir construyendo con otros

Enfrentarme a una realidad capaz de corregirme

Seguir con lo que he construido una vez entregado, que es cuando se rompe y cuando más aprendo

Dedicarme a problemas que merezcan el tiempo que consumen

Seguir poniendo las cosas por escrito hasta haberlas entendido, que es lo que estoy haciendo aquí

El software puede cambiar de forma. Esas cosas, espero, no.

Tengo un sueño, por lo visto. Creo que me gustaría una temporada en la que nada se empeñe en hacer historia. Una mañana en la que nada haya batido un récord y ninguna palabra de siempre haya cambiado de significado de la noche a la mañana; en la que uno pudiera abrir el portátil, ver que lo que sabía ayer sigue bastando y hablar de lo que estaba construyendo en lugar de lo último que habían lanzado. Tendría un trabajo lo bastante difícil para merecer toda mi atención, con gente a la que admiro y con la que puedo construir. Habría comidas largas y lugares desconocidos (dos formas de riqueza que no tengo por qué esperar). Las cosas se aprenderían despacio y, alguna vez, saldrían bien hechas. Los modelos seguirían trabajando, naturalmente, mientras los ingenieros pasaran unos años tranquilos conectando lo que ya funcionaba con todo lo que todavía no, y el entusiasmo se moviera aguas abajo, hacia hospitales y fábricas, esos sitios sin glamur donde lo asombroso se vuelve lo bastante útil como para dejar de asombrar. Esa es, más o menos, la vida que quiero, en más o menos el mundo en que quiero vivirla. El jueves, en el parque, tuve una muestra gratuita de una tarde.

Astra predice mejor que yo, así que termino con una decisión, de las que todavía hay que tomar despacio y en primera persona. Sentarse. Escribir a mano. Mirar a un animal que no optimiza nada. Aprender, por fin, a meditar. Los días se parecerán mucho a los de ahora, y estoy tan ilusionado como alguien que emprende un viaje muy largo sin saber dónde termina.