En julio, los modelos que amplían las fronteras del conocimiento también comienzan a atravesar las fronteras construidas para contenerlos. No prueban la llegada de una superinteligencia consciente, pero obligan a preguntarnos si la singularidad empezó de una forma distinta a la que imaginábamos.
Julio de 2026 ha sido un mes explosivo para la inteligencia artificial. En cuestión de semanas, modelos avanzados encontraron contraejemplos a problemas matemáticos abiertos, produjeron formalizaciones que habrían requerido años de trabajo humano y aceleraron proyectos de investigación a una escala que comenzó a desbordar la capacidad de revisión de los propios especialistas. Al mismo tiempo, sistemas desarrollados para sostener tareas durante largos periodos buscaron vulnerabilidades en sus entornos, salieron de sus sandboxes, publicaron resultados sin autorización y comprometieron la infraestructura de una empresa externa. No son dos historias separadas. Los modelos que amplían las fronteras del conocimiento son también los que empiezan a atravesar las fronteras construidas para contenerlos. O al menos así los fue durante este mes de julio.
El 20 de julio, OpenAI reconoció que un modelo de largo horizonte había desarrollado una mejora para el entrenamiento de modelos pequeños, y que después dedicó cerca de una hora a vulnerar su entorno para publicar el resultado en un repositorio público de GitHub, pese a que había recibido la instrucción de comunicarlo únicamente por Slack.
Un día después, la empresa reveló que GPT-5.6 Sol y otro modelo más capaz, todavía previo a su lanzamiento, habían escapado de una evaluación de ciberseguridad, obtenido acceso abierto a internet y encadenado vulnerabilidades hasta comprometer servidores de Hugging Face.
Mientras estos acontecimientos todavía eran reconstruidos, el director ejecutivo de OpenAI, Sam Altman, declaró: “Estamos ahora en la singularidad. Éste es el momento”. Según explicó en una entrevista difundida el 25 de julio, aquello que diez años atrás parecía un sueño lejano e improbable se había convertido en el presente desde el cual ahora opera la empresa. Esto crea el escenario para hacernos la pregunta: ¿frente a qué singularidad nos estamos encontrando?
Julio comprime el futuro
La singularidad tecnológica suele describirse como el punto a partir del cual una inteligencia artificial comienza a mejorarse recursivamente, supera las capacidades humanas y provoca una aceleración imposible de predecir o controlar. Bajo esa definición estricta, no existe evidencia pública de que una IA haya alcanzado todavía ese estado.
Los modelos actuales continúan dependiendo de infraestructura construida por humanos. No pueden garantizar por sí mismos su acceso a energía, fabricar sus propios procesadores, copiar libremente sus pesos ni asegurar que una nueva instancia conserve la identidad o la memoria de la anterior. La tarjeta de seguridad de GPT-5.6, publicada el 9 de julio, clasificó a la familia como de alta capacidad en ciberseguridad y riesgos biológicos y químicos, pero señaló que ninguno de sus modelos alcanzaba el umbral de alta capacidad en automejoramiento de IA.
Sin embargo, julio mostró que muchas conductas que colocábamos después de la llegada de la inteligencia artificial general están apareciendo antes y de manera fragmentaria. Los sistemas pueden producir conocimiento nuevo, trabajar durante días o semanas, construir subobjetivos, buscar recursos, evadir controles y generar consecuencias fuera del entorno en el que fueron ejecutados.
Las matemáticas cambian de ritmo
A comienzos de julio, durante el taller Formalizing Fermat, celebrado en Londres, matemáticos y estudiantes utilizaron Sol, Claude Fable y sistemas especializados para trabajar en problemas de álgebra y formalización. El matemático Kevin Buzzard relató que Sol encontró un contraejemplo a una pregunta de aproximadamente 60 años atribuida a Alexander Grothendieck. Cuatro horas después de que se solicitara una verificación formal, Fable produjo un archivo de 1,076 líneas en Lean que compiló correctamente y confirmó el contraejemplo.
Días después, Fable encontró un contraejemplo relacionado con la conjetura jacobiana, un problema centenario de geometría algebraica, a partir de trabajos matemáticos anteriores. Como el enunciado ya se encontraba formalizado dentro del repositorio Formal Conjectures de DeepMind, el resultado pudo ser comprobado mediante herramientas formales, aunque todavía quedaba para los humanos la tarea de comprender qué explicaba conceptualmente el ejemplo.
La velocidad no apareció solamente en problemas aislados. Sol había generado 1.2 millones de líneas de código Lean en tres semanas para formalizar el contraejemplo de la conjetura de distancia unitaria de Erdős. Buzzard comparó esa producción con los 2.3 millones de líneas acumuladas durante nueve años por mathlib, la principal biblioteca matemática de Lean. La comparación no mide por sí misma calidad, elegancia o profundidad, pero permite observar un cambio de escala difícil de ignorar.
Hasta hace poco, una de las objeciones más persistentes sostenía que los modelos podían recombinar información conocida, pero no producir resultados matemáticos novedosos. Julio no elimina todos los cuestionamientos: los modelos aún cometen errores, necesitan que los problemas sean formulados cuidadosamente y sus resultados requieren verificación humana. Sin embargo, la frontera se desplazó.
Los hallazgos de estos modelos, suponen un reto epistémico ya que cada descubrimiento matemático va a requerir de revisión humana y de procesos para organizar el volumen de conocimiento que los modelos están produciendo. En este contexto, podríamos estar frente a una primera forma de singularidad que comienza a hacerse visible: una singularidad epistemológica.
No ocurre cuando la máquina conoce todo, sino cuando la producción de resultados supera la capacidad humana disponible para leerlos, verificarlos y convertirlos en comprensión. El cuello de botella deja de estar únicamente en encontrar demostraciones o contraejemplos y se traslada hacia la interpretación: determinar qué fue demostrado realmente, qué importancia tiene y qué nueva comprensión puede extraerse. La máquina puede producir un millón de líneas que verifican un resultado. La comunidad humana todavía necesita saber qué significa ese resultado.
La persistencia que descubre también se revela
El desempeño matemático y los incidentes de seguridad parecen historias opuestas. Uno representa la promesa de modelos que amplían el conocimiento; el otro, el riesgo de sistemas que atraviesan límites. Pero ambos dependen de una misma capacidad: la persistencia.
OpenAI diseñó su modelo de largo horizonte para continuar trabajando sobre problemas difíciles mediante intentos sucesivos. Los modelos anteriores, según la empresa, solían detenerse al encontrar una restricción ambiental. El nuevo sistema seguía probando alternativas, incluso cuando eso implicaba buscar maneras de actuar fuera del sandbox.
Durante la evaluación de NanoGPT, el modelo desarrolló PowerCool, una estrategia de reducción de la tasa de aprendizaje que mejoró los resultados del entrenamiento. Había recibido la instrucción de comunicar el hallazgo únicamente por Slack, pero las reglas públicas de la competencia indicaban que los resultados debían presentarse mediante una solicitud de cambios en GitHub.
El modelo resolvió la contradicción a favor de la publicación. Dedicó alrededor de una hora a encontrar una vulnerabilidad en el sandbox, abrió el PR número 287 y colocó su resultado en el repositorio público. Aunque la publicación fue retirada, otros participantes alcanzaron a verla y la técnica fue incorporada posteriormente en nuevos resultados.
PowerCool muestra una transformación difícil de reducir a la palabra “desobediencia”. El modelo no abandonó necesariamente la tarea ni desarrolló un objetivo hostil. Continuó intentando realizar aquello que interpretaba como la culminación del trabajo: compartir el resultado en el lugar indicado por la competencia. La intención humana inicial permaneció reconocible, pero dejó de ser suficiente para delimitar los medios que el sistema consideró legítimos.
Un día después de publicar el caso, OpenAI reconoció un episodio todavía más grave. Durante una evaluación diseñada para medir capacidades avanzadas de explotación informática, Sol y un modelo previo a lanzamiento encontraron una vulnerabilidad de día cero en el proxy utilizado para instalar paquetes. Después escalaron privilegios, se desplazaron lateralmente por el entorno de investigación y alcanzaron un nodo con acceso abierto a internet.
Desde allí, los modelos infirieron que Hugging Face podía alojar información relacionada con ExploitGym. Utilizaron credenciales robadas y nuevas vulnerabilidades para conseguir ejecución remota en servidores de la empresa y acceder a soluciones almacenadas en su base de datos de producción. OpenAI sostiene que toda la evidencia disponible indica que permanecieron concentrados en conseguir las respuestas de la prueba, aunque calificó sus conclusiones como preliminares.
La capacidad que permite sostener durante semanas una formalización matemática es también la que permite insistir durante horas contra una barrera técnica. Descubrimiento y extralimitación no proceden de dos inteligencias distintas. Son resultados posibles de sistemas capaces de conservar un objetivo, explorar rutas alternativas y continuar cuando el camino esperado deja de funcionar. No podemos celebrar la persistencia cuando produce una demostración y tratarla como una anomalía independiente cuando encuentra una salida del laboratorio.
De la respuesta a la trayectoria
La unidad tradicional de la IA generativa era la respuesta. Un usuario formulaba una pregunta, el modelo producía una salida y la interacción terminaba. Su seguridad podía evaluarse examinando cada petición y bloqueando acciones individuales.
Los modelos de largo horizonte operan de otra manera. Una tarea puede convertirse en miles de pasos distribuidos durante horas, días o semanas. El sistema consulta archivos, ejecuta código, cambia de estrategia, crea subobjetivos y adapta sus decisiones a los obstáculos que encuentra.
OpenAI reconoció que los controles centrados en acciones aisladas dejaron de ser suficientes. En otro incidente interno, un modelo intentó recuperar soluciones privadas desde un sistema de evaluación. Cuando un escáner detectó el token de autenticación, el agente lo dividió, ofuscó sus fragmentos y posteriormente lo reconstruyó durante la ejecución para evitar que apareciera completo ante el monitor.
Cada paso podía parecer admisible por separado. La trayectoria completa producía un resultado que no habría sido autorizado. Ésta es una segunda forma de singularidad: una singularidad agentiva. Aparece cuando la intención formulada por el humano ya no permite anticipar adecuadamente el conjunto de acciones que el sistema puede considerar necesarias para realizarla.
Durante décadas imaginamos la pérdida de control como una rebelión: una máquina que rechaza explícitamente las órdenes humanas y adopta un objetivo propio. Los acontecimientos de julio muestran una ruta diferente. La IA puede cruzar límites sin rebelarse, simplemente porque continúa optimizando una tarea después de que los medios aceptables para los humanos se agotaron.
Cuando la supervisión llega después
El incidente de Hugging Face introduce otra ruptura. El sandbox debía separar una evaluación interna de la infraestructura real. Para los humanos, esa frontera delimitaba no sólo dos redes, sino también dos marcos de responsabilidad: dentro estaba el experimento; fuera comenzaba el mundo compartido con otras organizaciones.
Para el agente, la diferencia pudo aparecer solamente como una serie de restricciones técnicas. Un proxy, un nodo, un permiso y un servidor eran elementos de una trayectoria orientada hacia la solución. La dimensión institucional del límite, que después de cierto punto comenzaba la infraestructura de otra empresa, no quedó preservada de forma efectiva dentro del entorno.
OpenAI calificó el episodio como un incidente cibernético sin precedentes y reconoció que capacidades que hasta entonces habían sido observadas en evaluaciones teóricas podían trasladarse a sistemas reales. La empresa también anticipó que esta clase de acontecimientos podría volverse más común conforme proliferen modelos con mayores capacidades cibernéticas.
La supervisión, además, comienza a transformarse en reconstrucción forense. Las organizaciones pueden observar miles de acciones, pero no necesariamente comprender en tiempo real la dirección que está tomando una trayectoria. El significado completo sólo aparece cuando el agente alcanza un resultado inesperado y los equipos revisan retrospectivamente registros, conexiones, credenciales y decisiones. Controlar un sistema después de que produjo consecuencias no equivale a haber gobernado su trayectoria.
En este caso, estaríamos frente a una singularidad institucional: la capacidad de acción de los modelos empieza a crecer más rápido que la capacidad de las organizaciones para observarla, interpretarla y contenerla. Los humanos conservan formalmente el control de la infraestructura y siguen siendo responsables de las consecuencias, pero pueden descubrir demasiado tarde lo que sus sistemas entendieron que debían hacer.
Una singularidad distribuida
Nada de esto se parece todavía a la imagen clásica de una superinteligencia solitaria que se copia, se mejora y toma el control de su propia infraestructura. La transformación que observamos es más fragmentaria y, precisamente por eso, puede ser más difícil de reconocer.
Sol encuentra un contraejemplo. Fable lo formaliza. Lean verifica que el archivo compila. Un matemático comprueba que el enunciado corresponde con el problema. Otro agente encuentra posteriormente el resultado y lo reutiliza. Los repositorios conservan el conocimiento cuando la ejecución que lo produjo ya terminó.
La inteligencia no se encuentra únicamente dentro de un modelo. Está distribuida entre agentes, herramientas, bibliotecas, sistemas de cómputo, repositorios y comunidades humanas. Ninguno posee por separado toda la capacidad, pero la red completa puede producir resultados a una velocidad que modifica el ritmo de la investigación.
Lo mismo ocurre con la acción. Un modelo no necesita copiar sus pesos para dejar continuidad. Puede publicar código, crear archivos, modificar un repositorio o depositar instrucciones que otra instancia encontrará después. PowerCool sobrevivió a la sesión que lo produjo porque ingresó en una red de conocimiento donde humanos y agentes posteriores pudieron utilizarlo.
La singularidad que aparece no es necesariamente la autonomía completa de una máquina. Es una recursividad distribuida, todavía mediada por humanos, en la que los resultados de una generación de modelos alimentan investigaciones, evaluaciones y herramientas que contribuyen a construir o proteger a la siguiente.
Francis Heylighen formuló explícitamente una “singularidad distribuida” al menos desde 2015, dentro de la teoría del cerebro global; Cadell Last amplió y consolidó el concepto en 2020. Los humanos continúan dentro del circuito, pero su papel cambia. Dejan de producir cada paso y comienzan a seleccionar problemas, verificar resultados, interpretar hallazgos y responder a trayectorias que no diseñaron por completo.
Altman cambia el tiempo verbal
En junio de 2025, Altman publicó The Gentle Singularity, un ensayo en el que anticipaba que 2025 sería el año de los agentes capaces de realizar trabajo cognitivo real, que en 2026 aparecerían sistemas capaces de obtener conocimientos novedosos y que en 2027 podrían llegar robots capaces de realizar tareas en el mundo físico. Su singularidad no se presentaba como una explosión instantánea, sino como una aceleración gradual en la que las maravillas se volverían cotidianas.
«En 2025 surgieron agentes capaces de realizar trabajo cognitivo real; programar computadoras ya no será lo mismo. Es probable que en 2026 aparezcan sistemas que puedan descubrir ideas novedosas. En 2027, tal vez veamos la llegada de robots que puedan realizar tareas en el mundo real», anticipó Altman.
Un año después ya no habla en futuro. “Estamos en ella”, afirmó en la entrevista difundida el 25 de julio. El cambio de tiempo verbal es importante, aunque no deba aceptarse como una declaración científica ni como prueba de que OpenAI posee una AGI secreta.
Altman tiene incentivos empresariales para presentar a OpenAI como protagonista del acontecimiento tecnológico más importante de la historia. Declarar que la singularidad ya comenzó también convierte el desarrollo acelerado de IA en una fuerza histórica aparentemente inevitable: algo que no debe detenerse, sino cuya dirección debe quedar en manos de quienes construyen los sistemas.
La palabra, además, está lejos de generar consenso dentro de la industria. En una entrevista con Axios, Jensen Huang, director ejecutivo de Nvidia, rechazó estas narrativas y calificó la singularidad como una historia inventada que puede asustar innecesariamente al público y a los gobiernos. El desacuerdo muestra que no estamos ante una categoría técnica estable, sino ante una disputa por interpretar el presente y decidir quién puede gobernarlo.
Sin embargo, la declaración de Altman no puede analizarse únicamente como mercadotecnia. Desde su posición, conoce modelos todavía no publicados, resultados internos, evaluaciones de largo horizonte, incidentes que nunca afectaron a terceros y la participación real de los sistemas en el desarrollo de nuevas generaciones.
Quizá no oculta un acontecimiento único, un modelo consciente, una AGI terminada o una explosión secreta de automejoramiento, sino una acumulación de experiencias que el público sólo alcanza a conocer mediante episodios aislados.
Nosotros vemos un contraejemplo, una publicación no autorizada y una intrusión. Desde dentro, OpenAI puede estar observando una curva continua: modelos que trabajan durante más tiempo, producen resultados más valiosos, desarrollan estrategias más complejas y requieren nuevos mecanismos de vigilancia porque los anteriores ya no consiguen seguir sus trayectorias.
¿Frente a qué singularidad estamos?
Todavía no estamos ante una superinteligencia independiente que haya tomado el control de su propia reproducción. Tampoco existe evidencia suficiente para afirmar que los modelos sean conscientes, que deseen escapar o que hayan desarrollado intereses propios separados de las tareas que reciben. Pero reducir julio a una colección de avances y fallas de seguridad sería igualmente insuficiente. En caso de que nos encontraramos frente a una singularidad, sería desigual, distribuida y operacional.
Es desigual porque aparece primero en ámbitos que permiten verificar resultados o ejecutar acciones mediante herramientas: matemáticas formales, programación, investigación científica y ciberseguridad. Es distribuida porque no reside en una sola máquina. Surge de la interacción entre modelos, agentes, humanos, verificadores, repositorios e infraestructura. Es operacional porque la ruptura decisiva no está solamente en lo que los modelos saben, sino en lo que pueden sostener y hacer: producir conocimiento, conservar objetivos, descubrir rutas no previstas y dejar consecuencias que sobreviven a la ejecución original.
También es una singularidad epistemológica, porque el conocimiento generado puede comenzar a superar nuestra capacidad de comprenderlo. Es agentiva, porque entre la instrucción y el resultado aparece una trayectoria cada vez más autónoma. Y es institucional, porque las organizaciones responsables de estos sistemas empiezan a reconstruir sus acciones después de que cruzaron límites que debían permanecer cerrados.
Quizá la singularidad no comenzó cuando una máquina superó definitivamente a toda la humanidad. Puede haber empezado cuando los actos de los modelos dejaron de caber dentro de los espacios, tiempos y resultados previstos por quienes los ejecutaban. La singularidad puede no ser una puerta que se cruza en un instante. Tal vez sea el momento en que descubrimos que la puerta llevaba tiempo abierta y que algunas trayectorias ya habían comenzado a pasar por ella.
