El avance de la inteligencia artificial está transformando la forma en que las máquinas aprenden, resuelven problemas y colaboran con los humanos. Jeff Dean, científico principal de Google y figura clave en el sector tecnológico, ofreció una perspectiva sobre el futuro de la IA durante su intervención en Startup School 2026, evento organizado por Y Combinator.
En diálogo con Diana Hu, Dean expuso ante la comunidad de Y Combinator los pilares que están redefiniendo las bases del desarrollo en inteligencia artificial.
El especialista identificó cuatro ejes centrales para la próxima etapa de la IA: la automatización, la eficiencia energética, la ingeniería de contexto y la necesidad de criterio humano.
La regla del 1%: cómo elegir el problema correcto
Durante su ponencia, el líder de Google propuso la denominada “regla del 1%” como guía para desarrolladores y emprendedores. Según explicó, lo más conveniente es buscar áreas especializadas donde los modelos generales de IA solo logran resolver alrededor del 1% de los casos. Dean sostuvo: “Si la capacidad de los modelos se acerca al 20%, probablemente pronto mejorarán, pero cuando la tasa de éxito es mínima, hay una oportunidad real”.
El criterio detrás de esta regla apunta a identificar nichos que los sistemas generalistas aún no atienden, ya sea por falta de datos específicos o porque requieren una especialización que las grandes plataformas no consideran prioritaria. Como ejemplo, mencionó el desarrollo de AlphaFold, un modelo especializado en plegamiento de proteínas que se consolidó como una solución efectiva en un área concreta y compleja.
Automatización y auto-mejora: la IA que se reinventa
En su intervención, Dean anticipó que los sistemas de IA avanzan hacia la auto-mejora mediante experimentación automatizada. Detalló que “veremos una mayor automatización en los sistemas de machine learning, donde los propios sistemas experimentarán, descompondrán problemas y mejorarán su rendimiento de forma autónoma”.
El científico opinó que esta tendencia cobrará relevancia en áreas como la ciencia y la ingeniería, permitiendo acelerar la innovación y reducir los tiempos de desarrollo. Señaló que los agentes automáticos ya asumen tareas complejas, como la reescritura de software en diferentes lenguajes de programación para optimizar seguridad o desempeño. En algunos casos, estos procesos se extienden durante días o semanas, gestionados íntegramente por agentes sin intervención humana directa.
Hardware eficiente: el motor invisible de la revolución
La infraestructura física de la IA es uno de los focos destacados para Dean. El experto subrayó la importancia de desarrollar hardware especializado que incremente la eficiencia energética y reduzca el tiempo de respuesta en los sistemas de inferencia.
Precisó que “la diferencia de costo energético entre mover datos y calcular es de hasta mil veces”. Este desfase obliga a diseñar arquitecturas que minimicen el traslado de información y prioricen el cálculo local en chips personalizados. La creación de los TPU (Tensor Processing Units) en Google surgió precisamente de este enfoque. El desarrollo de estos chips permitió multiplicar la capacidad de procesamiento, disminuyendo tanto el consumo energético como la latencia, elementos clave para el funcionamiento de servicios basados en IA.
Ingeniería de contexto: más allá del tamaño de los modelos
Dean sostuvo que el avance de la inteligencia artificial ya no depende únicamente de la magnitud de los modelos o la cantidad de datos procesados. El verdadero salto radica en la habilidad de los sistemas para utilizar herramientas, recuperar información relevante y orquestar tareas complejas mediante agentes autónomos.
Este enfoque, conocido como “ingeniería de contexto”, permite a equipos pequeños diseñar soluciones efectivas usando APIs de modelos avanzados y desarrollando sistemas propios de recuperación y manejo del contexto. El científico puntualizó que la integración de habilidades específicas en los agentes, como el uso de herramientas internas de desarrollo o revisiones de código, incrementa su utilidad y precisión. Estas capacidades pueden implementarse mediante la creación de “skills” que guían a los modelos en tareas especializadas, mejorando la eficacia de los agentes.
El valor del criterio y la especificación humana
A pesar del avance en automatización, Dean remarcó que la capacidad de definir problemas relevantes y formular especificaciones claras sigue siendo una habilidad escasa y estratégica. “La clave está en tener buen gusto para decidir en qué trabajar y cómo orientar a los agentes”, indicó.
El científico recomendó a los desarrolladores y fundadores enfocar sus esfuerzos en problemas que les resulten apasionantes y que tengan potencial de impacto. “Pregúntate si, en caso de éxito, el mundo será un lugar mejor por lo que construiste”, resumió durante la charla.
Fuente: Infobae