¿Una IA más superinteligente pero más desigual? La tesis de la 'superinteligencia estrecha'

Por Nate (Nate's Substack) · 13 de octubre de 2026.

El correo es el adelanto público de un artículo cuyo texto completo es solo para suscriptores de pago. Su pregunta central es: ¿y si la IA se vuelve drásticamente más inteligente pero también más desigual ("spiky"), con brechas cada vez mayores entre unas capacidades y otras?

El autor señala que solemos esperar lo contrario. Cuando un modelo logra algo extraordinariamente difícil, lo tomamos como prueba de una inteligencia más profunda que debería ayudarle también en otras tareas: si puede hacer avanzar las matemáticas, debería ser mejor ingeniero; si razona sobre un problema que derrotó a expertos humanos, debería detectar una premisa errónea en un plan de negocio. Según él, esa expectativa encierra una teoría sobre cómo funciona la inteligencia: que el progreso en una actividad intelectual exigente informa sobre la capacidad disponible para otra, apoyándose en una capacidad común cada vez más potente. Su propuesta es examinar esa teoría con mucho más detenimiento.

Como motivo para hacerlo, cita la publicación por parte de OpenAI de más de 700 manuscritos de investigación matemática. Según el texto, proceden de un modelo interno que sigue sin lanzarse e incluyen resultados respaldados por demostraciones verificadas por máquina. El autor lo describe como una contribución de investigación seria, con afirmaciones individuales sujetas a verificación y revisión, y como un ejemplo especialmente vívido de lo que llama "superinteligencia estrecha": un rendimiento intelectual extraordinario en tipos concretos de trabajo.

Reconoce una limitación: el modelo no está disponible públicamente, por lo que no se pueden comparar sus matemáticas con su criterio de ingeniería, y esta publicación por sí sola no demuestra que sus capacidades se estén volviendo más desiguales. Aun así, considera que hace urgente la pregunta, porque la inferencia de un avance matemático a una competencia amplia pesa mucho en el relato público sobre la IA.

Su hipótesis es que volverse más superinteligente no tiene por qué significar volverse proporcionalmente más general. Una IA podría mejorar en muchas cosas mientras sus habilidades más excepcionales mejoran mucho más rápido. Podríamos ser cada vez mejores produciendo esas habilidades excepcionales sin avanzar igual en el juicio necesario para combinarlas, aplicarlas o reconocer cuándo no son apropiadas. El resultado sería un futuro en el que los éxitos son cada vez más asombrosos y los fallos cada vez más difíciles de reconciliar con ellos, y en el que decir que el modelo es "más inteligente" nos diría cada vez menos sobre qué esperar.

El correo enumera los apartados del artículo completo:

1) Por qué la IA puede mejorar y a la vez volverse más desigual: las capacidades más débiles podrían mejorar sustancialmente y aun así quedar más rezagadas respecto a las más fuertes.

2) Cómo el feedback del entrenamiento concentra las mejoras: donde el feedback útil es barato y abundante, cada intento adicional aporta más información útil, por lo que esas habilidades podrían seguir mejorando más rápido.

3) Qué muestran dos resultados de programación de un mismo modelo: según el correo, el mismo modelo reimplementó un kit de herramientas de unas 16.000 líneas a partir de su comportamiento y produjo un resultado inutilizable en una tarea de personalización.

4) El mejor argumento en contra: mejora general y convergencia son afirmaciones distintas, y la evidencia hasta ahora respalda la primera.

5) Qué evidencia le haría cambiar de opinión: un sistema que detecte, antes de que alguien se lo pida, cuándo un requisito entra en conflicto con el propósito del proyecto.

El resto del artículo, junto con la Nate's Library MCP y su comunidad de Slack, queda reservado a suscriptores de pago, por lo que este resumen se limita a lo que expone el adelanto.