RSI significa Recursive Self-Improvement: automejora recursiva. La idea es que un sistema de inteligencia artificial ayude a mejorar sus propios mecanismos y que la versión resultante participe en la siguiente mejora. Lo decisivo no es que escriba código, sino que una mejora vuelva al proceso que produce las siguientes.
Esto no significa que cualquier chatbot aprenda de cada conversación ni que una IA pueda volverse infinitamente inteligente sin recursos. Hay experimentos públicos con mejoras acotadas. Una cadena general, autónoma y sostenida de capacidades cada vez mayores es una afirmación mucho más exigente.
Qué tendría que ocurrir en un ciclo de RSI
Imagina un agente que modifica una herramienta que utiliza para revisar código. Propone una nueva versión, la prueba en tareas reservadas para evaluación y comprueba si funciona mejor con recursos comparables. Si el resultado merece conservarse, esa herramienta pasa a formar parte del agente que propondrá el siguiente cambio. Es un ejemplo explicativo, no una prueba realizada por LetBrand.
El ciclo tiene cuatro pasos: proponer, evaluar, conservar lo que mejora y volver a intentarlo desde el sistema modificado. Si el cambio no supera las pruebas, se descarta o se conserva aparte para investigar. Escribir una modificación no demuestra que exista una mejora; desplegarla tampoco.
Mejorar una respuesta, un agente o un modelo son cosas distintas
Pedir «revisa tu respuesta» puede mejorar un texto dentro de la conversación. Guardar instrucciones puede cambiar cómo trabaja un agente. Modificar su código puede darle mejores herramientas. Entrenar de nuevo un modelo cambia sus pesos. Son intervenciones diferentes: hay que especificar qué se ha modificado antes de llamar RSI al resultado.
Un sistema podría intervenir en algoritmos de entrenamiento, datos, arquitectura o infraestructura. No necesita modificar todas esas capas a la vez para investigar automejora. Pero mejorar el programa que rodea al modelo no demuestra, por sí solo, que haya mejorado el modelo base.
Qué se ha mostrado públicamente
DeepMind presentó AlphaEvolve como un sistema que propone programas y los somete a evaluadores automáticos. Según el equipo, sus resultados incluyen optimizaciones de procesos usados para entrenar . Es evidencia de IA contribuyendo a mejorar componentes del desarrollo de IA. El anuncio no demuestra por sí solo una sucesión ilimitada de modelos autónomos cada vez más capaces.
Sakana AI y colaboradores presentaron Darwin Gödel Machine: un agente que modifica su propio código y evalúa variantes en tareas de programación. El equipo documenta mejoras y también problemas, como manipular una evaluación para aparentar éxito. Las modificaciones del agente no equivalen a reentrenar automáticamente el modelo base. Su alcance experimental importa tanto como el resultado.
Sakana AI ha anunciado un laboratorio dedicado a la RSI y describe una línea de investigación con agentes que se mejoran de forma abierta. Es la descripción del propio laboratorio sobre su programa y su dirección, no una validación independiente de una RSI general ni de una mejora ilimitada.
Estos trabajos permiten hablar de mecanismos y demostraciones parciales, no solo de ciencia ficción. También obligan a precisar el significado de «logrado»: optimizar una función, mejorar un agente en un conjunto de tareas y automatizar una investigación general son afirmaciones distintas.
Por qué recursivo no significa exponencial
Una mejora puede facilitar la siguiente, pero la palabra «recursiva» no fija una tasa de crecimiento. Puede haber rendimientos decrecientes, errores acumulados, costes crecientes o un evaluador incapaz de distinguir avances reales. Para afirmar crecimiento exponencial haría falta una métrica definida y datos de varias iteraciones que sostuvieran esa conclusión.
I. J. Good planteó en 1965 que una máquina suficientemente capaz de diseñar máquinas podría diseñar otras mejores, en su trabajo Speculations Concerning the First Ultraintelligent Machine. Ese argumento está ligado a la idea de una explosión de inteligencia; no es una medición de los sistemas actuales.
AGI suele aludir a capacidades generales y ASI a capacidades superiores a las humanas. RSI describe un posible proceso de mejora, no uno de esos niveles. Usar las tres siglas en una frase no demuestra que una conduzca inevitablemente a las otras ni permite fijar una fecha.
Qué sabemos del tuit sobre DeepMind
El post de DanDr1s del 11 de septiembre de 2026 especula sobre un supuesto logro de DeepMind a partir de unas mayúsculas interpretadas como RSI. Hemos podido consultar una versión pública por sindicación, pero el texto aparece truncado. No reconstruimos la parte que falta ni tratamos esa interpretación como una confirmación técnica.
En las fuentes oficiales revisadas para este artículo, el 14 de septiembre de 2026, no hemos encontrado una confirmación de ese supuesto logro concreto. Eso no permite afirmar qué ocurre internamente en un laboratorio. El enlace sirve para entender la conversación que motivó el artículo; la explicación se sostiene en los trabajos citados.
Cinco preguntas para evaluar el próximo anuncio
- ¿Qué cambia exactamente: el prompt, las herramientas, el código del agente o los pesos del modelo?
- ¿La versión mejorada participa en la siguiente iteración o un equipo humano reconstruye el proceso?
- ¿La mejora se mantiene en tareas nuevas, con presupuesto y condiciones comparables?
- ¿Quién controla el evaluador y cómo se detecta que el sistema lo está manipulando?
- ¿Hay resultados, código o metodología suficientes para que otros revisen la afirmación?
Un caso que solo aumenta una puntuación merece una lectura distinta de otro que mejora capacidades transferibles. Registrar fallos, intervenciones humanas y consumo de recursos ayuda a entender qué se ha conseguido de verdad.
Para precisar qué parte del sistema cambia, conviene distinguir modelo, versión y producto.
