La IA es rápida programando, pero escribiendo aún sigue en prácticas

La revolución de la inteligencia artificial no avanza al mismo ritmo en todos los frentes. Mientras que las herramientas de programación asistida por IA están mejorando de forma vertiginosa (con modelos como GPT-5, Gemini 2.5 o el reciente Sonnet 4.5 marcando nuevos hitos), otras capacidades, como escribir correos electrónicos o redactar textos coherentes, apenas han cambiado en un año. La diferencia no está en la potencia de los modelos, sino en la forma en la que aprenden.

La clave se llama aprendizaje por refuerzo (RL, reinforcement learning), un método que permite entrenar modelos mediante pruebas automáticas que determinan si una respuesta es correcta o no. En campos donde los resultados pueden evaluarse de forma objetiva y repetitiva, el progreso es rápido. En cambio, las tareas con criterios más subjetivos (como la escritura o la conversación) avanzan lentamente.

El nuevo motor del progreso: el refuerzo automático

El aprendizaje por refuerzo funciona mejor cuando hay una métrica clara de éxito o fracaso. Por ejemplo, si un modelo genera un fragmento de código y este supera las pruebas unitarias sin errores, el sistema aprende automáticamente qué patrón debe repetir. Este ciclo puede iterarse miles de millones de veces sin intervención humana. En cambio, juzgar si un correo electrónico está bien escrito o si una respuesta de chatbot resulta empática requiere criterio humano, algo que no se puede automatizar a gran escala.

Por eso la programación se ha convertido en el laboratorio ideal del aprendizaje por refuerzo. Antes incluso de la IA, el desarrollo de software ya contaba con una cultura de pruebas exhaustivas: test unitarios, de integración, de seguridad... Cada fragmento de código debía pasar por estas validaciones antes de lanzarse a producción. Ahora, las mismas pruebas sirven como sistema de entrenamiento para los modelos, que aprenden a generar código funcional y resistente.

En cambio, las tareas sin un sistema de verificación claro (como escribir, diseñar o tomar decisiones estratégicas) quedan en el lado lento del progreso. Esta diferencia, bautizada como la brecha del refuerzo, está definiendo qué áreas de trabajo la IA puede automatizar primero y cuáles se resistirán más tiempo.

Sin embargo, no todo está perdido para los campos difíciles de medir. Hay procesos intermedios (como la contabilidad, los informes financieros o la predicción de riesgos) que podrían volverse “reforzables” si se crean sistemas de evaluación artificiales, equivalentes a los test del software. Las empresas con recursos y visión que desarrollen estos “kits de prueba” podrán acelerar su automatización y obtener una ventaja competitiva significativa.

Un ejemplo revelador llega desde un terreno inesperado: el vídeo generado por IA. Hasta hace poco, parecía imposible aplicar refuerzo en algo tan subjetivo como la coherencia visual o el realismo físico. Sin embargo, Sora 2, el nuevo modelo de OpenAI, ha demostrado lo contrario. Ahora los objetos no desaparecen sin motivo, los rostros conservan su identidad y los movimientos respetan las leyes de la física. Detrás de esos avances, es muy probable que haya una serie de sistemas de refuerzo especializados para evaluar continuidad, consistencia facial y realismo físico.

El resultado es que la calidad de los vídeos generados ya roza el fotorrealismo, y ese salto no se debe únicamente a más datos o más potencia de cálculo, sino a un uso más inteligente del aprendizaje por refuerzo.

En este contexto, la brecha del refuerzo se perfila como una nueva frontera económica y tecnológica. Los procesos que puedan someterse a evaluación automática serán los primeros en ser dominados por la IA; los demás seguirán dependiendo de la intuición y la interpretación humanas. Esto no solo transformará el mercado laboral, sino también las prioridades de inversión de las empresas tecnológicas.

La gran pregunta es qué sectores quedarán del lado “automatizable” y cuáles resistirán. En sanidad, por ejemplo, determinar qué servicios pueden entrenarse mediante refuerzo (como el diagnóstico por imagen) y cuáles no (como la empatía clínica o la toma de decisiones éticas) tendrá un impacto enorme en el futuro de la profesión médica y en la economía global de los próximos veinte años. Y si los avances recientes, como el de Sora 2, sirven de indicio, la respuesta podría llegar antes de lo que imaginamos.