Meta's Autodata: cuando los modelos aprenden a crear sus propias lecciones

Por TheSequence · 1 de julio de 2026.

El newsletter TheSequence dedica su edición "AI of the Week #887" a comentar un paper publicado por Meta la semana anterior, titulado Autodata, disponible en arXiv (arxiv.org/abs/2606.25996).

Según el correo, existe un cambio silencioso en curso en el entrenamiento de sistemas de IA. Durante años, el centro de gravedad del progreso en IA ha sido el modelo: más parámetros, más GPUs, mejores arquitecturas, ventanas de contexto más largas, mejores optimizadores. Los datos importaban, por supuesto, pero solían tratarse como algo previo al verdadero trabajo: se scrapeaban, se filtraban, se etiquetaban, quizás se mezclaban con cuidado, y después comenzaba el entrenamiento propiamente dicho.

El nuevo trabajo de Meta, Autodata, da la vuelta a esa perspectiva. La idea central, tal como la describe el correo, es simple pero poderosa: ¿qué pasaría si la propia creación de datos se convirtiera en un proceso agéntico? No se trataría de un prompt de una sola vez, ni de una receta estática de datos sintéticos, ni de "pedirle a un modelo potente que genere un millón de ejemplos y esperar que la distribución resultante sea útil". En su lugar, Autodata trata la generación de datos como un pequeño bucle de investigación en miniatura.

En este esquema, un agente de IA crea ejemplos, los pone a prueba, estudia los fallos, actualiza su receta de generación y vuelve a intentarlo. Es decir, el propio proceso de fabricar datos de entrenamiento se convierte en un ciclo iterativo y autónomo de prueba, evaluación y mejora, en lugar de ser un paso fijo y desconectado del resto del entrenamiento.

El fragmento del correo disponible se detiene en este punto introductorio, presentando el concepto general de Autodata como un giro conceptual: pasar de ver los datos como un insumo estático a verlos como el producto de un proceso agéntico continuo, en el que un agente de IA asume el papel de investigador que diseña, prueba y refina sus propios materiales de entrenamiento.