Codex y GPT-5.6 Sol automatizan la calibración de qubits en un laboratorio de computación cuántica del MIT

OpenAI ha publicado un nuevo caso de estudio, fechado el 8 de septiembre de 2026, sobre el uso de su modelo GPT‑5.6 Sol —conectado a Codex, su agente de programación— para ejecutar y refinar experimentos de computación cuántica en un laboratorio universitario. La protagonista es Beatriz Yankelevich, estudiante de posgrado del Engineering Quantum Systems Group (EQuS) del MIT, que investigó si un agente de IA podía asumir parte del trabajo rutinario de calibración de qubits para liberar tiempo dedicado al diseño de experimentos y al análisis de datos.

El grupo de Yankelevich trabaja con qubits superconductores, unidades básicas de información cuántica que se enfrían hasta casi el cero absoluto dentro de refrigeradores de dilución y se controlan mediante pulsos de microondas. A diferencia de los procesadores convencionales, estos chips solo pueden manipularse por software una vez fabricados, empaquetados y enfriados, lo que los convierte en un terreno natural para que un agente de IA opere de forma autónoma: todo el trabajo experimental consiste en enviar instrucciones, leer señales y decidir el siguiente paso.

Según describe el artículo, calibrar un chip cuántico exige una larga cadena de mediciones interdependientes —desde identificar las frecuencias de transición de cada qubit hasta calibrar los pulsos de control y lectura, o determinar cuánto tiempo conserva la información cuántica—, donde cada resultado condiciona la siguiente medición. Además, las propiedades de los qubits pueden variar con el tiempo y producir comportamientos inesperados, algo que normalmente requiere la intuición de un investigador experimentado para interpretarse correctamente.

Yankelevich puso a prueba a GPT‑5.6 Sol en un chip de seis qubits sin calibrar, de un tipo estándar que el grupo EQuS utiliza habitualmente para evaluar su proceso de fabricación. Le proporcionó al agente, a través de Codex, una serie de 'skills' o instrucciones específicas sobre cómo ejecutar y evaluar cada tipo de medición, junto con los parámetros de diseño del chip. A partir de ahí, el modelo eligió los parámetros de medición, operó el hardware del laboratorio, analizó los datos resultantes y decidió si repetir la medición con ajustes o darla por válida para continuar con la siguiente fase.

El caso de estudio señala que, cuando las señales eran claras, Codex completó de forma prácticamente autónoma toda la secuencia estándar de calibración: identificación de frecuencias, ajuste de pulsos de control y lectura, y medición de los tiempos de coherencia cuántica. Sin embargo, el propio artículo reconoce una limitación relevante: cuando las señales experimentales eran débiles o ruidosas, el modelo tardaba más en encontrar parámetros adecuados y en ocasiones necesitaba la intervención de un investigador con experiencia. OpenAI resume esta observación afirmando que los agentes actuales pueden gestionar bien flujos de trabajo experimentales claramente definidos, pero que interpretar resultados físicos ambiguos sigue siendo un reto.

Más allá del experimento puntual, el artículo indica que el grupo EQuS ha incorporado el uso de agentes de forma habitual para las mediciones rutinarias de caracterización de chips —un proceso que, según se explica, puede llevarle a un investigador varios días por chip—. Yankelevich es citada explicando que puede dejar agentes ejecutando mediciones durante horas, de noche o mientras ella trabaja en la sala limpia, y supervisar o redirigir el trabajo remotamente desde el teléfono. Para experimentos menos rutinarios, señala que asigna a los agentes objetivos más acotados y aprovecha su capacidad para escribir, modificar y probar código de control, análisis y simulación, de forma que las revisiones se contrastan directamente contra mediciones reales del laboratorio.

La investigadora añade que ha construido una infraestructura propia para guiar a los agentes en distintas partes de su trabajo —medición, teoría y diseño de chips— y que ahora puede tener varios agentes trabajando en paralelo sobre problemas distintos, mientras ella concentra su tiempo en tareas de mayor nivel: interpretar resultados, diseñar experimentos, planificar los siguientes pasos, leer y escribir.

Conviene señalar que se trata de un caso de estudio publicado y promovido por la propia OpenAI, en la línea de otros artículos similares que la compañía ha difundido sobre el uso de sus modelos en investigación científica (biología, inmunología). Como en esos casos, el texto no ofrece datos cuantitativos —por ejemplo, porcentajes de éxito, tiempo ahorrado en horas o comparativas formales frente al trabajo manual—, sino testimonios y ejemplos descriptivos del propio equipo de investigación, por lo que conviene leerlo como una pieza de comunicación corporativa que ilustra un caso de uso concreto, más que como un estudio científico independiente sobre las capacidades de los agentes de IA en entornos de laboratorio.