Andrej Karpathy advierte que el público solo ha visto una "vista previa" de la IA de frontera

Una brecha que se ensancha con rapidez está separando la percepción pública de la inteligencia artificial respecto a la realidad de los sistemas internos de frontera, según Andrej Karpathy, cofundador de OpenAI y actual investigador en Anthropic. Karpathy advirtió que mientras la mayoría de las personas percibe a los modelos de lenguaje grande (LLM) como asistentes casuales de búsqueda o redacción, las herramientas internas de frontera ya están ejecutando proyectos complejos que antes requerían años de trabajo experto.

Según Karpathy, "el mundo exterior ha visto la vista previa" de lo que la IA moderna realmente puede lograr.

Los cuatro niveles de adopción de la IA

Para ilustrar esta disparidad, Karpathy desglosó a la población mundial en cuatro niveles distintos de interacción con los LLM:

1. La mayoría no alcanzada: Aproximadamente 6.000 millones de personas, o cerca del 75 por ciento de la población mundial, casi no han interactuado en absoluto con los LLM.

1. Consumidores casuales: Entre 1.000 y 2.000 millones de usuarios interactúan con herramientas de nivel gratuito al estilo de ChatGPT. Estos usuarios tratan a la IA en gran medida como "algo parecido a una mejor búsqueda de Google, una ayuda para escribir, etc." Karpathy señaló que muchos profesionales fuera de la programación y las matemáticas, incluidos los ejecutivos corporativos, caen en esta categoría. Debido a que su trabajo diario se centra en la comunicación interpersonal, su comprensión de los cambios técnicos en la IA sigue siendo en gran medida abstracta y de segunda mano.

1. Usuarios profesionales de frontera: Se estima que 20 millones de personas (aproximadamente el 0,2 por ciento del mundo) emplean regularmente modelos de nivel de frontera en matemáticas y programación. Para este grupo, los agentes autónomos ya pueden completar proyectos de software grandes y complejos —como construir, duplicar, traducir o descompilar aplicaciones a partir de binarios— mediante prompts en lugar de semanas o meses de trabajo manual.

1. La élite de frontera: Aproximadamente 5.000 personas en todo el mundo —apenas el 0,00006 por ciento de la población— tienen acceso a sistemas internos de frontera y de última generación.

Enjambres de agentes y rápida evolución

Para la pequeña cohorte con acceso interno, Karpathy describió una realidad tecnológica fundamentalmente diferente. Estos usuarios observan enjambres de miles de agentes colaborando durante semanas en proyectos masivos de software: descubriendo nuevos principios científicos, avanzando en matemáticas de frontera, acuñando vulnerabilidades de día cero y ejecutando ciberataques y defensas a velocidades de máquina.

Este salto tecnológico ocurrió con notable rapidez. Tan recientemente como en octubre de 2024, Karpathy caracterizó públicamente a los agentes de IA como mero revuelo mediático que apenas funcionaba. Solo unos meses después, dejó de escribir código informático a mano por completo, pasando de teclear caracteres en un editor a permitir que agentes autónomos gestionen el flujo de trabajo. Posteriormente, Karpathy se unió a Anthropic.

Observaciones similares han surgido de otros líderes de la industria. A principios de septiembre, en la reunión ministerial de innovación del G20, el CEO de OpenAI, Sam Altman, afirmó que una herramienta moderna de codificación con IA podía lograr en "17 minutos" lo que a toda una startup le había llevado tres meses construir anteriormente, advirtiendo que "el mundo no ha asimilado lo que esto va a significar".

Dificultades de comprensión y la próxima frontera

Karpathy destacó que la revisión humana ya tiene dificultades para seguir el ritmo de los resultados generados por los modelos. Citó el análisis continuo requerido para incidentes de meses anteriores y señaló que los matemáticos "podrían pasar un buen tiempo examinando los 722 manuscritos sobre matemáticas de frontera".

Se refirió a esta divergencia como la "rareza del momento", en la que el público general ve un "chatbot torpe", la mayoría de los profesionales experimenta mejoras modestas de productividad y una diminuta fracción de expertos técnicos experimenta "el vértigo de que la curva se vuelva vertical".

Según Karpathy, las capacidades de la IA avanzan actualmente a mayor velocidad en campos que son "digitales, verificables y económicamente valiosos". Debido a que los avances de los modelos actuales surgen del aprendizaje por refuerzo combinado con recompensas verificables, los principales laboratorios de IA concentran naturalmente sus recursos de cómputo y entrenamiento en disciplinas con el retorno financiero más claro: principalmente la programación y las matemáticas.