AGENTES DE INVESTIGACIÓN
Inherent dice que su IA 'compañera' supera a Anthropic y OpenAI en replicar papers científicos
La startup británica de ex-DeepMind afirma que su agente Faraday replicó hallazgos científicos mejor que Claude Opus 4.8 y GPT-5.5, usando un modelo 100 veces más chico y apostando a reinforcement learning en vez de escala bruta.
Inherent, un laboratorio de IA fundado por ex-miembros de Google DeepMind, acaba de publicar resultados que desafían la narrativa dominante en IA: su agente Faraday superó a modelos de Anthropic y OpenAI en una tarea de replicación independiente de papers científicos, usando una fracción del tamaño y los recursos de entrenamiento. Según reveló TechCrunch, el modelo corre sobre Qwen 3.6 de 27 mil millones de parámetros, mientras que Claude Opus 4.8 y GPT-5.5 operan a escalas frontier mucho mayores.
La startup londinense salió de stealth hace pocas semanas con $50 millones en seed y ahora presenta su primer caso de uso concreto: un agente que reproduce hallazgos de papers publicados sin conocer la respuesta de antemano, demostrando lo que el chief scientist Edward Hughes llama "research taste" — la intuición para diseñar experimentos que valen la pena.
El benchmark y la apuesta metodológica
La tarea que Inherent eligió para medir a Faraday es estándar en formación científica humana: replicar resultados de papers sin ayuda externa, algo que muchos doctorandos hacen al inicio de su carrera. Pero para Hughes, lo importante no fue ganarles a Claude y GPT-5.5, sino cómo lo lograron.
En lugar de entrenar el modelo principalmente sobre corpus de metodología científica, Inherent usó reinforcement learning: el sistema aprende por recompensas ligadas a buenos resultados, no por reglas explícitas. La idea es que esa capacidad generalice mejor cuando el objetivo real sea contribuir conocimiento nuevo en múltiples disciplinas.
También tomaron una decisión de producto reveladora: Faraday usa GPT-5.5 Codex para código, en lugar de desarrollar su propia herramienta. Es una analogía directa con cómo trabajan científicos humanos: apoyarse en software existente en vez de construir todo desde cero.
Un equipo de 12 personas en King's Cross
Inherent opera desde Londres con 12 empleados full presencial en King's Cross, el barrio que DeepMind ayudó a convertir en hub global de IA. Hughes es explícito sobre la ventaja de talento local, pero también critica públicamente el garden leave británico: la práctica de prohibir a empleados que renuncian unirse o fundar competidores durante meses, algo que no existe en EE.UU. y que frena el movimiento de talento.
"Este es un punto de vista personal, no de la empresa, pero yo fui afectado por el garden leave", dijo Hughes. Eventualmente sorteó la restricción y fundó Inherent junto a otros tres ex-DeepMind. La startup planea crecer a 20-25 personas para fin de año, justo cuando Demis Hassabis asumió un nuevo rol que dejó a parte del staff de DeepMind evaluando opciones.
Por qué importa
Este caso pone sobre la mesa una tensión central en el desarrollo de IA: ¿escala bruta o eficiencia metodológica? Inherent apuesta a que reinforcement learning bien aplicado puede superar a modelos órdenes de magnitud más grandes en tareas específicas, y que esa ruta es más viable para construir agentes científicos generalistas.
Para empresas adoptando IA, la lección es práctica: no siempre necesitás el modelo más grande ni los costos de inferencia más altos. Si el problema está bien acotado y el enfoque de entrenamiento es el correcto, modelos más chicos pueden rendir mejor y costar menos. Esa ecuación cambia radicalmente qué es viable implementar en producción.
El objetivo final de Inherent no es replicar papers sino descubrir conocimiento científico nuevo. Si logran ese salto, estarán compitiendo en la misma liga que los world models de DeepMind y las ambiciones de reasoning de OpenAI, pero desde una arquitectura fundamentalmente distinta. Y con un equipo que cabe en una oficina de King's Cross.
SEGUIR LA SEÑAL
VER TODO →
Google Gemini Omni 1.1 Flash baja 60% el costo de generar video con IA
La nueva versión del modelo de Google introduce un modo borrador a 360p que cuesta un tercio que la resolución estándar y procesa hasta 60% más rápido. Permite extender escenas hasta 40 segundos y usar footage externo como referencia de estilo.
GLM-5.3-Flash: el modelo chino que promete redefinir eficiencia en LLMs
Z.ai lanzó GLM-5.3-Flash, un modelo de lenguaje open source que busca competir en rendimiento con los gigantes del sector mientras reduce drásticamente los costos de inferencia. La propuesta china apunta directo al dolor de las empresas.
Los agentes de IA ya consumen 14 veces más tokens que los humanos en OpenRouter
Febrero de 2026 fue probablemente el último mes en que humanos consumieron más tokens que agentes autónomos. Desde entonces, el uso agéntico creció 14x mientras el humano apenas 2,8x, según datos de OpenRouter.