El laboratorio de Mira Murati propone una IA centrada en las personas y adaptable

Thinking Machines Lab, liderado por Mira Murati, difundió un ensayo técnico que plantea un cambio de paradigma en la forma de diseñar y entrenar sistemas de inteligencia artificial. El documento sostiene que la IA del futuro debe amplificar la capacidad humana y no reemplazarla, apostando por modelos abiertos, personalizables y distribuidos que cada organización o individuo pueda adaptar a sus propias necesidades.

El informe, titulado “The Future Worth Building Is Human”, parte de una premisa simple pero contundente: la inteligencia artificial no debería ser un producto terminado que los usuarios consumen pasivamente, sino una herramienta que evoluciona junto con las personas y las comunidades que la utilizan. En palabras del laboratorio, la IA actual ha sido diseñada y entrenada en unos pocos centros de datos y luego congelada, lo que deja a los usuarios fuera del proceso de mejora.

Según Fuente original, la información se basa en Mira Murati’s Thinking Machines Lab Makes The Technical Case For Human-Centered AI Built On Customizable Model Weights.

inteligencia artificial centrada en las personas: Un nuevo paradigma: IA distribuida y ajustable

Thinking Machines Lab propone un modelo descentralizado de desarrollo y uso de la inteligencia artificial. En lugar de depender de un núcleo cerrado de entrenamiento, el laboratorio impulsa la posibilidad de que las organizaciones puedan ajustar los pesos de los modelos según su propio contexto. Esto permitiría que un hospital, una universidad o una empresa retengan control total sobre sus datos y los adaptadores de sus modelos.

El planteo técnico se apoya en cuatro líneas principales de trabajo. La primera busca construir modelos potentes, multimodales y con capacidad de personalización. La segunda desarrolla herramientas que permitan a los usuarios afinar y entrenar sus propios pesos de modelo. La tercera amplía las formas de comunicación entre humanos y máquinas, incluyendo texto, audio y video en microinteracciones de unos 200 milisegundos. Finalmente, la cuarta línea promueve la publicación abierta de investigación para que más ingenieros comprendan cómo se fabrican los modelos y puedan intervenirlos.

El conocimiento humano como núcleo del diseño

El documento retoma conceptos del filósofo Michael Polanyi y del economista Friedrich Hayek para argumentar que gran parte del conocimiento humano es tácito, local y en constante actualización. Ese saber no puede codificarse por completo en una base de datos y, por lo tanto, las arquitecturas de IA deben reflejar esa naturaleza dinámica. Siguiendo esta lógica, el laboratorio sostiene que distribuir la inteligencia artificial es la única forma de aprovechar el conocimiento distribuido que existe en la sociedad.

En este sentido, la propuesta busca que la IA no sustituya la experiencia de las personas, sino que la amplifique. Si un chef mejora una receta o un médico ajusta un protocolo, el sistema debería aprender de esa retroalimentación inmediata y no depender únicamente de datos históricos o estáticos.

Dominios cerrados vs. inteligencia aplicada

El informe distingue entre dominios cerrados, como el ajedrez o las matemáticas, donde los objetivos son fijos y la información está completamente disponible, y los contextos abiertos de la vida real, donde las variables cambian constantemente. En los primeros, los sistemas autónomos funcionan bien; en los segundos, es imprescindible la participación humana para guiar la interpretación y la toma de decisiones.

De esta manera, el laboratorio sugiere que la inteligencia, por sí sola, no es suficiente. Lo que importa es la cooperación efectiva entre humanos y máquinas, un punto que redefine cómo se medirán los avances en el campo de la IA aplicada a negocios, educación o salud.

Interacción, evaluación y valores incorporados

Uno de los ejes más concretos del trabajo es el análisis de los límites actuales en la interacción con modelos generativos. Hoy, los usuarios suelen comunicarse a través de un cuadro de texto y deben esperar respuestas completas, lo que genera fricción. Thinking Machines Lab experimenta con modelos que procesan múltiples canales de entrada simultáneamente, permitiendo intercambios mucho más fluidos.

Además, el laboratorio cuestiona los métodos tradicionales de evaluación. Los benchmarks actuales miden qué tan bien un modelo se desempeña solo, pero no qué tan bien colabora con las personas. Este cambio de métrica podría redefinir el modo en que se valora el rendimiento de una IA en entornos reales.

Otro punto clave es el origen de los valores que guían las respuestas de los modelos. El informe advierte que centralizar la alineación de la IA en una sola autoridad técnica o corporativa puede generar un punto único de captura ideológica. En lugar de modificar solo los prompts superficiales, el laboratorio propone que los valores estén codificados directamente en los pesos de los modelos. Así, cada comunidad o institución podría reflejar su propio conjunto ético sin perder independencia tecnológica.

El sistema Tinker y la sintonización con LoRA

Para llevar esta teoría a la práctica, Thinking Machines Lab desarrolló Tinker, una API que permite afinar modelos de código abierto como Llama o Qwen mediante técnicas de bajo rango conocidas como LoRA. Esta herramienta expone primitivas de bajo nivel y facilita la exportación de adaptadores portátiles, de modo que cada organización pueda mantener sus propias versiones ajustadas sin depender de terceros.

El ciclo de entrenamiento propuesto se basa en un lazo supervisado mínimo, capaz de seguir el patrón oficial pero con flexibilidad para incorporar datos propios. Así, una empresa puede realizar ajustes continuos y rápidos en un entorno seguro.

Aplicaciones prácticas en sectores clave

Los autores del informe ilustran su propuesta con ejemplos concretos. Un hospital podría afinar un modelo con sus protocolos internos, preservando tanto los datos sensibles como los pesos entrenados dentro de su infraestructura. Un estudio jurídico podría adaptar un modelo al estilo de redacción de sus abogados y volver a entrenarlo cada vez que cambien las directrices internas. Un equipo de atención al cliente, por su parte, podría corregir al modelo en tiempo real mientras opera. En todos los casos, la organización conservaría el control y la propiedad del conocimiento generado.

Implicancias para la gobernanza tecnológica

La descentralización que promueve Thinking Machines Lab plantea también desafíos regulatorios y éticos. Si cada entidad puede afinar sus modelos, surgen preguntas sobre interoperabilidad, calidad del entrenamiento y responsabilidad ante errores. Sin embargo, este enfoque podría democratizar la innovación, permitiendo que actores locales desarrollen soluciones ajustadas a su realidad sin depender de grandes proveedores de IA.

El concepto de propiedad de los pesos de los modelos redefine qué significa “poseer” una inteligencia artificial. En lugar de alquilar acceso a una API cerrada, las organizaciones podrían constituirse como verdaderos administradores de su inteligencia digital, con la capacidad de auditar, modificar y mejorar los sistemas que utilizan.

Cómo esta propuesta redefine la visibilidad digital y el SEO técnico

Una IA centrada en las personas y entrenada con datos propios puede transformar la manera en que las empresas gestionan su presencia digital. En el ámbito del IA+SEO, la posibilidad de ajustar modelos permite optimizar la generación de contenidos, la comprensión semántica del lenguaje local y la personalización de resultados. Las agencias podrían entrenar sus modelos con corpus lingüísticos específicos de su público objetivo, obteniendo una ventaja competitiva en posicionamiento orgánico.

En entornos de WordPress y SEO técnico, disponer de un modelo con pesos personalizados facilitaría la automatización de estrategias de indexación y análisis predictivo según el comportamiento de cada sitio. Esta personalización no solo mejora la precisión en la respuesta de los algoritmos, sino que reduce la dependencia de plataformas externas que pueden cambiar sus condiciones o limitar el acceso a datos.

Si la visión de Mira Murati y su equipo prospera, el SEO del futuro podría basarse en ecosistemas de IA distribuidos, donde cada empresa administra su propio modelo ajustado a su identidad de marca y estilo de comunicación. La fuente original del informe se encuentra disponible en MarkTechPost.

La propuesta de Thinking Machines Lab no busca reemplazar a los grandes modelos existentes, sino complementarlos con un entramado de inteligencia más humano, adaptable y ético. En este horizonte, la IA dejaría de ser un producto cerrado para convertirse en un proceso compartido de aprendizaje continuo.