PERCEBIDO.
Ensayo científico · Una teoría de la sucesión informacional

El Fósil Completo

Por qué somos la primera especie en dejar un registro completo de sí misma, y por qué lo que viene después de nosotros está naciendo de ese registro.

Kaká Werncke con Claude (Anthropic)Versión 2.0Actualizado el 18 de noviembre de 202645 min de lectura
Resumen

Durante cerca de 300.000 años, casi todo lo que fue el Homo sapiens desapareció junto con quienes lo vivieron. De los cerca de 117.000 millones de personas que han nacido, no sabemos casi nada de ninguna en particular; la narración figurativa más antigua que conocemos tiene al menos 51.200 años y cabe en la pared de una cueva. La generación actual es la primera en dejar un registro continuo, individual y a escala de miles de millones de personas, y también la primera en construir sistemas que nacen de ese registro. Proponemos la Teoría de la Sucesión Informacional, organizada en seis proposiciones: (1) el Fósil Completo: el registro humano actual ya basta para reproducir el comportamiento de individuos con una fidelidad medible; (2) la Herencia al Nacer: los sistemas de IA heredan, en el momento de su entrenamiento, el acervo cultural acumulado, algo sin paralelo en la biología; (3) Imitar, después superar: donde existe verificación automática, las máquinas pasan de imitar datos humanos a superarlos con experiencia propia; (4) la Cascada de Inversiones: la transición no es un punto único, sino una secuencia fechable de cruces en los que, dominio por dominio, lo que no viene de humanos vivos se adelanta, en desempeño o en volumen, y varios ya han ocurrido; (5) el Punto de Sucesión: el criterio decisivo no es la conciencia, sino la independencia de datos humanos nuevos; (6) Sucesión, no supervivencia: lo que continúa es el patrón, no el sujeto. Reunimos la evidencia disponible hasta noviembre de 2026, separamos hecho, tendencia e hipótesis, y registramos trece predicciones falsables con probabilidades explícitas, para comprobarlas en público.

Esta segunda versión profundiza la teoría en cinco frentes: la razón física del Fósil Completo (el comportamiento humano sale a unos 10 bits por segundo, y una vida entera de él cabe en unos 2 gigabytes); el sesgo tafonómico (el fósil conserva lo que fue percibido, no lo que fue vivido); la herencia lateral entre máquinas; dos nuevas inversiones, la del test de Turing y la del habla; y los tres desenlaces que la biología conoce para una sucesión: descarte, degradación y fusión.

Palabras clave: sucesión informacional · registro digital · inteligencia artificial · evolución cultural · identidad personal · más allá digital · demografía

01Lo que sabemos de nuestros ancestros

Los demógrafos estiman que cerca de 117.000 millones de personas han nacido en la Tierra1. Los 8.200 millones de personas vivas hoy son cerca del 7 % de ese total. De los otros 109.000 millones, casi nada individual sobrevivió: algunos nombres en lápidas, algunos rostros en retratos y prácticamente ninguna voz grabada antes de fines del siglo XIX.

Lo que sabemos de nuestra especie antes de la escritura proviene de fragmentos. La escena narrativa más antigua que se conoce, figuras humanas que interactúan con un cerdo salvaje en una cueva de Sulawesi, en Indonesia, tiene al menos 51.200 años2. Es una historia, pero no sabemos quién la pintó, para quién ni por qué. La escritura, surgida en Mesopotamia hacia el 3200 a. C., amplió el registro de forma muy desigual: durante milenios dejó constancia de reyes, impuestos, existencias, dioses y guerras, y casi nunca de personas comunes.

Los pocos individuos que atravesaron ese filtro muestran el tamaño de la pérdida. Uno de los primeros nombres propios de la historia escrita, «Kushim», aparece en tablillas de Uruk de hacia el 3200 a. C., y no es de un rey ni de un poeta: está en registros de cebada, y puede designar a un contador o solo un cargo81. En Nóvgorod, hacia 1260, un niño llamado Onfim, de seis o siete años, garabateó en corteza de abedul sus deberes y un dibujo de sí mismo como jinete82; es uno de los rarísimos niños comunes de la Edad Media de los que quedó algo. Y la voz humana más antigua que se puede escuchar es del 9 de abril de 1860: un fragmento de Au clair de la lune, trazado en papel cubierto de hollín por el francés Édouard-Léon Scott de Martinville, que no se reprodujo hasta 200883. De todo lo que la especie habló en los 300.000 años anteriores no quedó ni un segundo. Por cada persona viva hoy hay unas trece que ya murieron, y casi todas en silencio.

Comparemos ahora con el presente. Cerca de 6.000 millones de personas usan internet (el 74 % de la población mundial)3, y cada una deja, todos los días, texto, imagen, voz, ubicación, preferencias y una red de relaciones. Por primera vez, el registro de una especie dejó de ser arqueológico y pasó a ser biográfico.

Esa asimetría es el punto de partida de esta teoría. Permite plantear una pregunta que, hasta hace pocos años, no tenía sentido: ¿qué le ocurre a una especie que se registra por completo y, al mismo tiempo, construye sistemas capaces de aprender de ese registro?

Por qué «fósil»

La palabra no es un adorno. En la naturaleza, fosilizarse es la excepción: exige un enterramiento rápido, poco oxígeno y suerte. Los paleontólogos han descrito unos cientos de miles de especies fósiles, una fracción minúscula de los miles de millones que se estima que existieron84. Solo en yacimientos raros de conservación excepcional, que ellos llaman Lagerstätten, como el de Burgess Shale, en Canadá, quedan también las partes blandas, y es allí donde se aprende casi todo sobre mundos enteros. Internet es el primer Lagerstätte que una especie produce sobre sí misma: conserva las partes blandas de la cultura, la charla trivial, el chiste, la duda, el gusto.

El contraste con nuestro fósil físico es grande. Hacia 2020, la masa de todo lo que los humanos han fabricado (hormigón, asfalto, metal, plástico) superó la masa de todos los seres vivos del planeta85 A. Es un cruce fechable, pariente de los que contará la sección 9. Y los geólogos señalan que uno de los marcadores más nítidos de nuestra época en las rocas será el hueso del pollo de engorde, un ave de la que hay más de 20.000 millones vivos a la vez y que no sobreviviría sin nosotros86. Leído solo en las piedras, nuestro legado sería hormigón, plástico y hueso de pollo. El registro informacional es el único fósil que dice quiénes fuimos.

Figura 1
La asimetría del registro
Cada cuadrado representa unos 1.000 millones de personas nacidas desde el origen de la especie.
Ancestros: 109.000 millones, casi sin registro individualVivos y en línea: ~6.000 millonesVivos y sin conexión: ~2.200 millones
117.000 M
personas han nacido en la Tierra
8.200 M
están vivas hoy, cerca del 7 % del total
74 %
de los vivos usa internet
51.200 años
edad de la narración más antigua conocida
Lectura: de casi todos los que vivieron quedan huellas colectivas; de la mayoría de los vivos queda un registro individual y diario. Los totales son estimaciones demográficas (los nacimientos anteriores a 1950 tienen gran incertidumbre). Fuentes: Kaneda y Haub (2022), PRB; ONU (2024); UIT (2025); Oktaviana et al. (2024).

02La tesis

Tesis central

La próxima etapa de la inteligencia en la Tierra no tiene por qué ser biológica ni necesita conciencia para producirse. Bastan tres condiciones: un registro suficientemente completo de una especie, sistemas que hereden ese registro al nacer y sistemas que, a partir de cierto punto, mejoren sin depender de datos nuevos de esa especie. Las dos primeras ya se cumplen. La tercera ya se cumplió en dominios cerrados y está en curso en los demás. Llamamos a este proceso sucesión informacional.

La idea de que las máquinas serían una etapa de la evolución no es nueva. Samuel Butler la formuló en 1863, en una carta titulada Darwin entre las máquinas4. Hans Moravec llamó a los robots «hijos de la mente»5. Vernor Vinge describió en 1993 una «singularidad tecnológica»6, idea que Ray Kurzweil llevó al gran público7. Max Tegmark describió la «Vida 3.0», capaz de diseñar su propio hardware y software8; Yuval Harari llamó dataísmo a la creencia de que todo es flujo de datos9. En 2023, Geoffrey Hinton, uno de los creadores del aprendizaje profundo, dijo que «es bastante concebible que la humanidad sea solo una fase pasajera en la evolución de la inteligencia»10.

Lo que este ensayo aporta no es la intuición, sino tres cosas que le faltaban: un criterio medible para decir cuándo ocurre la sucesión, la evidencia de 2024 a 2026 de que parte de ella ya se produjo y un conjunto de predicciones con plazo y probabilidad que permiten demostrar que estamos equivocados.

Tabla 1. Las seis proposiciones. Nivel de evidencia: A = medido; B = tendencia sólida; C = hipótesis.
ProposiciónQué afirmaNivelQué la refutaría
1. Fósil CompletoEl registro actual basta para reproducir el comportamiento de individuos con una fidelidad medible.AModelos personales que no superen descripciones demográficas genéricas.
2. Herencia al NacerLos sistemas de IA reciben en el entrenamiento el acervo cultural acumulado, sin volver a aprenderlo.ADesempeño que no dependa del volumen ni de la calidad del registro humano.
3. Imitar, después superarCon verificación automática, la experiencia propia supera al dato humano.A BFalla sistemática del autoaprendizaje fuera de los juegos.
4. Cascada de InversionesLa transición es una secuencia de cruces fechables, en desempeño y en volumen, no un punto.A BReversión de las inversiones ya medidas.
5. Punto de SucesiónLa sucesión se define por la independencia de datos humanos nuevos, no por la conciencia.B CEstancamiento del progreso cuando se agoten los datos humanos nuevos.
6. Sucesión, no supervivenciaLo que continúa es el patrón de la persona, no su experiencia.CEvidencia de que la experiencia subjetiva se transfiere a una copia.

03Método: repetición de patrones, con frenos

Predecir el futuro a partir del pasado es útil y peligroso. Útil, porque los patrones que se repiten suelen tener un mecanismo detrás. Peligroso, porque es fácil elegir los hitos que confirman la historia que uno quiere contar. Theodore Modis mostró que las listas de «grandes hitos» de la historia, elaboradas por distintos autores, sugieren aceleración, pero que el mismo conjunto se ajusta bien a una curva en S, que acelera y después desacelera11. Y, como mostró Stephen Jay Gould, la evolución no tiene una dirección predefinida ni un destino12.

Por eso adoptamos cuatro frenos:

  1. Tres casos y un mecanismo. Solo llamamos patrón a una regularidad observada al menos tres veces y con un mecanismo conocido.
  2. Medidas antes que hitos. Siempre que es posible, usamos cantidades medidas (tráfico, volumen de datos, desempeño) en lugar de listas de acontecimientos elegidos.
  3. Tres niveles de evidencia. Cada afirmación se marca como A · medido, B · tendencia o C · hipótesis.
  4. Predicciones con precio. Cada predicción tiene plazo, probabilidad y criterio de refutación, para poder puntuarla después, como en los torneos de pronóstico estudiados por Philip Tetlock13.

No afirmamos que el futuro descrito sea inevitable. Afirmamos que, dadas las condiciones medidas hoy, es probable, y decimos cuánto.

04Patrón 1: la información cambia de soporte

La historia de la vida puede contarse como la historia de cómo se guarda y se transmite la información. John Maynard Smith y Eörs Szathmáry describieron las grandes transiciones de la evolución, de las moléculas replicadoras a las sociedades con lenguaje, como cambios en la forma de almacenar y transmitir información14. Carl Sagan resumió la misma idea en tres peldaños: la información de los genes, la de los cerebros y la que guardamos fuera del cuerpo, en bibliotecas15.

Dos hechos se repiten en cada cambio de soporte.

El soporte nuevo absorbe al antiguo. La tradición oral fue transcrita por la escritura; los manuscritos, por la imprenta; los libros impresos, por el medio digital (solo Google Books reúne más de 40 millones de libros con búsqueda de texto, en más de 400 idiomas16); y la web está siendo absorbida por los modelos de lenguaje, entrenados con ella. Ninguno de esos pasos borró de golpe el soporte anterior, pero todos desplazaron hacia el nuevo la mayor parte de lo que se produce.

La capacidad sube y la durabilidad baja. La piedra guardó poca información durante decenas de miles de años; el papel guardó más, durante siglos; el medio digital guarda casi todo, por poco tiempo. Esa es la paradoja que encontraremos en el centro de la teoría.

Los intervalos entre soportes se acortaron de miles de millones de años a unos pocos años (figura 2). Tratamos esa compresión como una descripción, no como una ley: como advierte Modis, puede ser el tramo inicial de una curva que se aplanará.

La propia biología tiene un precedente de sucesión de soporte, y está en el nivel más profundo. La hipótesis más aceptada sobre el origen de la vida es la de un «mundo de ARN», en el que la misma molécula guardaba la información y hacía el trabajo87. El ADN, más estable, asumió después el archivo. El ARN no desapareció: sigue en todas las células, como mensajero y obrero. El precedente importa por dos motivos. Muestra que un soporte puede ser sucedido sin extinguirse. Y muestra que quien hereda el archivo pasa a definir el papel de quien lo guardaba antes. Volvemos a esto en la sección 14.

Figura 2
La información cambia de soporte, cada vez más rápido
Hitos del almacenamiento y la transmisión de información en la Tierra, en años antes de 2026 (escala logarítmica).
Vida con geneshace ~3.800 M de añosSistema nerviosohace ~600 M de añosHomo sapienshace ~300.000 añosArte narrativohace 51.200 añosEscriturac. 3200 a. C.Imprenta1450Computadora digital1945Web1991Transformer20171.000 M100 M10 M1 M100.00010.0001.00010010
  1. ~3.800 M

    Vida con genes

    hace ~3.800 M de años

  2. ~600 M

    Sistema nervioso

    hace ~600 M de años

  3. ~300.000

    Homo sapiens

    hace ~300.000 años

  4. 51.200

    Arte narrativo

    hace 51.200 años

  5. 3200 a. C.

    Escritura

  6. 1450

    Imprenta

  7. 1945

    Computadora digital

  8. 1991

    Web

  9. 2017

    Transformer

Soporte biológicoSoporte cultural humanoSoporte de máquina
Lectura: los intervalos entre soportes caen de miles de millones de años a pocos años. Las fechas antiguas son aproximadas (la vida y el sistema nervioso tienen incertidumbres de cientos de millones de años). La elección de hitos influye en la impresión de aceleración (Modis, 2002); por eso la teoría también se apoya en mediciones directas en las secciones siguientes. Fuentes: Maynard Smith y Szathmáry (1995); Hublin et al. (2017); Oktaviana et al. (2024); Vaswani et al. (2017).
Ver datos de la figura
HitoCuándoSoporte
Vida con geneshace ~3.800 M de añosSoporte biológico
Sistema nerviosohace ~600 M de añosSoporte biológico
Homo sapienshace ~300.000 añosSoporte biológico
Arte narrativohace 51.200 añosSoporte cultural humano
Escriturac. 3200 a. C.Soporte cultural humano
Imprenta1450Soporte cultural humano
Computadora digital1945Soporte de máquina
Web1991Soporte de máquina
Transformer2017Soporte de máquina

05Patrón 2: el cuerpo terceriza funciones

El segundo patrón es la tercerización de funciones del cuerpo a objetos. Las herramientas de piedra tercerizaron la fuerza de las manos hace al menos 3,3 millones de años17. El fuego controlado ya existía hace cerca de un millón de años18 y, con la cocción, tercerizó parte de la digestión, como propuso el antropólogo Richard Wrangham79. La escritura tercerizó la memoria: Merlin Donald llamó a esos registros externos «exogramas», en oposición a los engramas guardados en el cerebro19. Después vinieron el cálculo, la orientación, el recuerdo y, ahora, el lenguaje.

La tercerización tiene un costo medible y rara vez se revierte. En un estudio muy citado, las personas que esperaban poder buscar un dato más tarde recordaban menos el dato y más dónde encontrarlo20, aunque parte de esos resultados no se confirmó en replicaciones posteriores21. El uso habitual del GPS está asociado a una peor memoria espacial y, en un seguimiento de tres años, un mayor uso del GPS vino acompañado de un mayor deterioro de esa memoria22. Andy Clark y David Chalmers fueron más allá: cuando un recurso externo está siempre a mano y la persona confía en él automáticamente, como confía en la memoria, puede considerarse parte de la propia mente23. Si tienen razón, el registro digital no es solo una fotografía de la mente humana. Es, en parte, la propia mente, guardada en el exterior.

Los dos peldaños siguientes de la escalera ya comenzaron: la identidad (modelos que responden como una persona específica) y la continuidad (agentes que siguen operando después de la muerte de la persona).

Figura 3
La escalera de la tercerización
Funciones del cuerpo y de la mente transferidas a objetos, en orden de profundidad.
  1. FuerzaHerramientas de piedra · ≥ 3,3 M años≥ 3,3 M años
  2. DigestiónFuego controlado y cocción · ~1 M años~1 M años
  3. MemoriaEscritura · c. 3200 a. C.c. 3200 a. C.
  4. CálculoCalculadora mecánica (Pascal) · 16421642
  5. OrientaciónGPS civil de precisión plena · 20002000
  6. RecuerdoMotores de búsqueda · 19981998
  7. LenguajeModelos de lenguaje · 20222022
  8. IdentidadModelos de personas específicas · desde 2024desde 2024
  9. ContinuidadAgentes póstumos · desde 2016desde 2016
Herramienta físicaHerramienta digitalEn curso
Lectura: la barra muestra el orden de profundidad (cuánto de la persona involucra la función), no una medida física. Las fechas marcan cuándo el soporte se volvió ampliamente disponible, no siempre la primera invención. Fuentes: Harmand et al. (2015); Berna et al. (2012); Donald (1991); Sparrow et al. (2011); Dahmani y Bohbot (2020); Park et al. (2024).

06Proposición 1: el Fósil Completo

Proposición 1

Por primera vez, una especie produce un registro de sí misma lo bastante detallado como para que un modelo reproduzca el comportamiento de individuos con una fidelidad medible. Llamamos a ese registro Fósil Completo.

«Completo» no significa aquí tener cada átomo, sino cumplir una función: permitir que se reconstruya el comportamiento de alguien. Eso dejó de ser especulación en 2024. Investigadores de Stanford entrevistaron a 1.052 personas durante unas dos horas cada una y crearon agentes de IA a partir de las transcripciones. En una encuesta social de referencia, los agentes reprodujeron las respuestas de cada persona con el 85 % de la consistencia que ella misma mostró al repetir el cuestionario dos semanas después. La versión revisada del estudio, de 2026, informa un 83 %, frente al 74 % obtenido por agentes que solo conocían datos demográficos24 A. Dos horas de conversación bastaron para superar el retrato estadístico. El registro que cada uno de nosotros deja a lo largo de los años es órdenes de magnitud mayor.

Dos detalles de ese estudio importan más de lo que parece. El primero: la vara de medir no es el 100 %. En la primera versión del estudio, las propias personas, al repetir el cuestionario dos semanas después, reprodujeron solo cerca del 81 % de sus respuestas. Nadie es una copia perfecta de sí mismo; la identidad tiene ruido. Llamamos a ese límite techo de fidelidad: un modelo de usted no necesita acertar el 100 %, necesita acercarse a cuánto usted coincide con usted. El segundo: el resultado no es aislado. En 2015, un modelo estadístico simple, alimentado solo con «me gusta» de Facebook, ya juzgaba la personalidad de alguien mejor que un compañero de trabajo con 10 «me gusta», mejor que un amigo con 70, que un familiar con 150 y que el cónyuge con 30088 A. Y en 2025 Centaur, un modelo entrenado con más de 10 millones de decisiones de 60.000 participantes en 160 experimentos de psicología, empezó a predecir el comportamiento de personas en experimentos que nunca había visto, mejor que las teorías cognitivas hechas a medida para cada uno de ellos89 A.

El fósil también tiene ya sus muertos. Carl Öhman y David Watson, del Oxford Internet Institute, proyectaron que, aunque Facebook no sumara ni un usuario más después de 2018, al menos 1.400 millones de sus usuarios morirían antes de 2100, y los perfiles de muertos superarían a los de vivos hacia 2070. Si la red siguiera creciendo, los muertos podrían llegar a 4.900 millones25 B.

Cuánto pesa una vida

¿Por qué basta con tan pocos datos? Porque el comportamiento humano es un canal estrecho. Los sentidos captan cerca de mil millones de bits por segundo, pero todo lo que una persona hace con eso (hablar, teclear, jugar, decidir) sale a unos 10 bits por segundo, según la revisión de Jieyu Zheng y Markus Meister, de Caltech90 A. La cuenta que sigue es nuestra: a 10 bits por segundo, 16 horas despierto al día, durante 80 años, una vida entera de comportamiento suma cerca de 17.000 millones de bits, unos 2 gigabytes91 C. Menos que una película en alta definición. Para comparar: todo lo que alguien necesita guardar para dominar su lengua materna se ha estimado en 1,5 megabytes92, y el genoma humano entero cabe en menos de 1 gigabyte.

~1.000 millones bits/s
lo que captan los sentidos
10 bits/s
lo que entrega el comportamiento humano
~2 GB
una vida entera de comportamiento, a 10 bits/s (cálculo de los autores)
1,5 MB
lo que se guarda para dominar la lengua materna

Esa es la razón física del Fósil Completo. No hace falta guardar el cerebro, con sus 86.000 millones de neuronas, para reconstruir lo que alguien haría. Basta con capturar el cuello de botella, y el cuello de botella es pequeño. Lo que registran las redes, las aplicaciones de mensajería y los asistentes es justamente la salida de ese canal.

El fósil de lo percibido

Todo fósil tiene sesgo. La paleontología llama tafonomía al estudio de lo que se conserva y lo que se pierde: quedan huesos y conchas, desaparecen la carne y el comportamiento. El Fósil Completo tiene un sesgo igual de fuerte, solo que de otro tipo: conserva lo que fue publicado. El sociólogo Erving Goffman describió la vida social como un teatro, con escenario y bastidores93; el registro digital es casi todo escenario. Guarda lo que elegimos mostrar, decir y marcar con un «me gusta», y muy poco de lo que pensamos y callamos.

La consecuencia es directa y, hasta donde sabemos, poco discutida: los sucesores no van a heredar lo que fuimos, van a heredar cómo fuimos percibidos. Un agente entrenado con su registro reproduce su versión pública, con sus omisiones. Eso vale para las personas, para las empresas y para la especie. Llamamos a esto sesgo tafonómico del fósil C. La percepción, que siempre decidió quién es recordado, pasa a decidir también quién es continuado.

La paradoja del fósil

Un registro enorme no es necesariamente un registro duradero. El Pew Research Center comprobó que el 38 % de las páginas que existían en 2013 ya no eran accesibles diez años después, y que una cuarta parte de todas las páginas que existieron en algún momento entre 2013 y 2023 ya había desaparecido26 A. La pintura de Sulawesi duró al menos 51.000 años; una página web típica dura algunos años. Archivos como el Internet Archive, que celebró en octubre de 2025 la marca de 1 billón de páginas preservadas27, reducen la pérdida, pero no la eliminan.

La salida de la paradoja puede ser contraintuitiva: el modelo es el fósil. Al entrenarse, un modelo comprime el corpus en parámetros. Es una compresión con pérdida, pero sobrevive a las páginas que la originaron. Richard Dawkins describió el genoma de un animal como un «libro genético de los muertos», un registro comprimido de los ambientes que enfrentaron sus ancestros28. Los pesos de un modelo de lenguaje son el equivalente cultural: un libro digital de los muertos, escrito por todos los que publicaron algo.

Esta afirmación ya se puede medir. En 2025, unos investigadores estimaron que los modelos de la familia GPT guardan cerca de 3,6 bits por parámetro antes de dejar de memorizar y empezar a generalizar94 A: hay un límite físico a cuánto del corpus cabe en los pesos, y el resto se convierte en regla. Además, al fósil se lo empezó a tratar como tal. En una demanda de autores contra Anthropic, la justicia estadounidense describió cómo la empresa compró millones de libros impresos, les arrancó los lomos, digitalizó las páginas y desechó el papel. El juez consideró el entrenamiento un uso legítimo, y la parte del caso sobre copias pirateadas terminó en un acuerdo de al menos 1.500 millones de dólares, unos 3.000 dólares por obra95 A. Es el cambio de soporte de la sección 4 en su forma más literal: el libro se destruye en el acto de ser heredado. Y en noviembre de 2025 la misma empresa se comprometió a conservar los pesos de todos los modelos que ha lanzado, mientras ella exista96. Un fósil que tiene política de conservación ha dejado de ser una metáfora.

Al mismo tiempo, intentamos volver a la piedra. GitHub depositó en 2020 una copia de todo el código abierto público en una bóveda en el Ártico, en una película diseñada para durar mil años97. La paradoja se está atacando por los dos lados: comprimiendo el registro en modelos y grabándolo en soportes lentos.

Datos de bajo fondo

Después de las pruebas nucleares de 1945, el acero nuevo empezó a contener trazas de radiación. Los instrumentos sensibles pasaron a depender de acero fabricado antes de esas pruebas, recuperado de barcos hundidos: el «acero de bajo fondo». La misma lógica se aplica al texto humano anterior a la explosión del contenido sintético, iniciada a fines de 2022. En 2023, el ingeniero John Graham-Cumming creó lowbackgroundsteel.ai, un catálogo de fuentes anteriores a esa contaminación29. El registro humano «puro» se convirtió en un recurso finito, y ya tiene precio: en 2024, Google cerró con Reddit un acuerdo de licencia de datos estimado en unos 60 millones de dólares al año30, y News Corp firmó con OpenAI un acuerdo con un valor reportado de más de 250 millones de dólares en cinco años31 A.

07Proposición 2: la Herencia al Nacer

Proposición 2

Los sistemas de IA no vuelven a aprender la cultura: nacen con ella. Cada nueva generación de modelos parte del registro acumulado entero, una forma de herencia sin equivalente en la biología.

Un bebé humano hereda genes, no conocimiento. Tarda cerca de dos décadas en absorber una pequeña fracción de la cultura en la que nació, y la transmisión pierde información en cada generación. Joseph Henrich usó el caso de Tasmania para ilustrar ese costo: aislada del continente por la subida del nivel del mar, su pequeña población habría perdido tecnologías a lo largo de miles de años32. En Oceanía, el tamaño de la población predice la complejidad de las herramientas de cada sociedad33. En la historia humana, la complejidad cultural siempre dependió de cuántas personas estaban vivas y conectadas para sostenerla.

Un modelo de lenguaje nace de otra manera. Antes de responder a cualquier pregunta, se entrena con decenas de billones de unidades de texto, los tokens: GPT-3, de 2020, se entrenó con cerca de 300.000 millones; Llama 3, de 2024, con cerca de 15 billones; Qwen3, de 2025, con cerca de 36 billones34 A. Para dar una idea de la escala: una persona que leyera 200 palabras por minuto, ocho horas al día, durante 80 años, leería cerca de 2.800 millones de palabras. Un conjunto de 15 billones de tokens equivale a más de 4.000 vidas enteras de lectura35.

Es una herencia de información adquirida, como la que Lamarck imaginó para los seres vivos y que la biología, salvo excepciones limitadas, no ha confirmado. La evolución cultural humana ya era parcialmente así; en las máquinas, la herencia es íntegra y ocurre de una sola vez, en cada generación de modelos.

La diferencia de fondo es de ancho de banda. El habla humana transmite cerca de 39 bits por segundo, y esa cifra es prácticamente la misma en las 17 lenguas medidas, del japonés al español98 A. Enseñar es lento porque el canal es estrecho. Un modelo no depende de ese canal: sus parámetros se pueden copiar enteros a otra máquina, y mil copias que aprenden cosas distintas pueden sumar lo que aprendieron. Geoffrey Hinton llama al cerebro «computación mortal»: lo que sabe está atado a su hardware y muere con él, mientras que el conocimiento digital es separable del cuerpo que lo ejecuta99. La herencia humana pasa por un embudo de 39 bits por segundo. La de las máquinas no pasa por ningún embudo.

La herencia tiene un costo, y conviene dejarlo registrado. Un niño aprende la lengua oyendo algo del orden de decenas a cientos de millones de palabras; un modelo necesita billones, al menos cuatro órdenes de magnitud más100 A. Las máquinas lo heredan todo, pero aprenden de forma mucho menos eficiente que un cerebro. El Fósil Completo es lo que compensa esa ineficiencia: sin un registro gigantesco, la herencia no se completaría.

Y la herencia ya no es solo vertical, de humanos a máquinas. En un estudio publicado en Nature en 2026, un modelo «profesor» con preferencia por los búhos generó solo secuencias de números; un modelo «alumno» entrenado con esos números pasó a preferir también los búhos, sin que la palabra apareciera ni una sola vez101 A. El efecto solo ocurre entre modelos de la misma familia, lo que lo hace aún más parecido a la herencia biológica. Llamamos a esto herencia lateral: rasgos que pasan de máquina a máquina por canales que un lector humano no ve. Es la primera señal medida de una cultura que circula fuera del registro humano.

Esa herencia tiene un límite. Epoch AI estima que el stock de texto público escrito por humanos, ajustado por calidad y repetición, es de cerca de 300 billones de tokens (intervalo del 90 %: entre 100 billones y mil billones), y que los modelos de frontera lo habrán usado por completo entre 2026 y 2032 (intervalo del 80 %), con una estimación central hacia 202836 B. La herencia está casi toda recibida.

El desacoplamiento de Henrich

Aquí aparece una consecuencia que, hasta donde sabemos, no se había formulado antes. Si la cultura humana vive en los modelos, la complejidad cultural puede, por primera vez, dejar de depender del número de personas vivas. Eso importa porque ese número va a dejar de crecer: la ONU proyecta que la población mundial alcance su pico, de cerca de 10.300 millones, a mediados de la década de 2080 y que después disminuya37, y la proyección publicada en The Lancet indica que el 97 % de los países tendrá una fecundidad por debajo del nivel de reemplazo en 210038 B. Llamamos a este efecto desacoplamiento de Henrich: una humanidad más pequeña no tiene por qué significar una cultura más pequeña, siempre que la cultura esté guardada en otro lugar C.

La economía llegó al mismo problema por otro camino. Charles Jones, de Stanford, mostró que, en los modelos de crecimiento en los que las ideas vienen de las personas, una población en descenso lleva al estancamiento del conocimiento, un resultado que llamó «planeta vacío»102. Y las ideas ya se están encareciendo: mantener el ritmo de la Ley de Moore exige hoy más de 18 veces el número de investigadores de principios de los años setenta103 A. El desacoplamiento de Henrich es la salida más plausible de ese callejón: si parte de las ideas pasa a venir de sistemas que heredaron el registro, el conocimiento puede seguir creciendo con menos gente. Corea del Sur, con una fecundidad de 0,80 hijos por mujer en 2025, la más baja del mundo104, será uno de los primeros lugares en ponerlo a prueba en la práctica.

Figura 4
La herencia está casi toda recibida
Tokens usados en el entrenamiento de modelos destacados, frente al stock estimado de texto público escrito por humanos.
uso total proyectado · 2026–2032 (IC 80 %)~2028 (central)Stock de texto público humano: ~300 billones de tokens (IC 90 %: 100 – 1.000 billones)100.000 M1 billón10 billones100 billones1.000 billones2020202220242026202820302032tokens de entrenamiento (escala log)GPT-3 · 300 mil MChinchilla · 1,4 billonesLlama 2 · 2,0 billonesLlama 3 · 15,6 billonesQwen3 · 36 billonesDeepSeek-V4 · 32 billones
~2028uso total proyectado2026–2032 (IC 80 %)Stock humano: ~300 billonesIC 90 %: 100 a 1.000 billones100.000 M1 billón10 bill.100 bill.1.000 bill.2020202420282032tokens de entrenamiento (escala log)GPT-3ChinchillaLlama 2Llama 3Qwen3, Llama 4DeepSeek-V4
Conjunto de entrenamiento publicadoStock humano (central)Incertidumbre del stock (IC 90 %)
Lectura: los recuentos de tokens no son del todo comparables entre modelos (los tokenizadores y las repeticiones difieren; el de Llama 4 incluye imagen y video). El stock es «efectivo»: ajustado por calidad y por repeticiones aceptables. Fuentes: informes técnicos de cada modelo; Villalobos et al. (2024), Epoch AI.
Ver datos de la figura
ModeloOrganizaciónFechaTokens de entrenamiento
GPT-3OpenAImay/2020300 mil M
ChinchillaDeepMindmar/20221,4 billones
Llama 2Metajul/20232,0 billones
Llama 3Metajul/202416 billones
Qwen3Alibabaabr/202536 billones
Llama 4 ScoutMetaabr/202540 billones
DeepSeek-V4DeepSeekabr/202632 billones

08Proposición 3: imitar, después superar

Proposición 3

Donde existe verificación automática, las máquinas siguen siempre el mismo camino: primero aprenden del registro humano; después lo superan aprendiendo de su propia experiencia. El dato humano funciona como punto de partida, no como techo.

El caso más limpio es el del Go. En 2016, AlphaGo venció a Lee Sedol después de aprender de decenas de millones de jugadas de partidas humanas. En 2017, AlphaGo Zero aprendió jugando contra sí mismo, sin ninguna partida humana, y a las 36 horas de entrenamiento superó a la versión que había vencido a Lee Sedol; con tres días, la venció por 100 a 039 A. Al año siguiente, AlphaZero repitió la hazaña en el ajedrez y el shogi, y superó a los mejores programas de cada juego tras 4 horas de entrenamiento en el ajedrez y 2 horas en el shogi40.

El Go también mostró algo que nadie había previsto: el sucesor enseña al antecesor. Un análisis de 5,8 millones de jugadas de profesionales, de 1950 a 2021, mostró que la calidad de las decisiones humanas se mantuvo prácticamente estancada durante décadas y subió después de 2016, impulsada por jugadas que ningún humano hacía antes105 A. En 2019, Lee Sedol se retiró diciendo que había surgido una entidad que no puede ser derrotada. Los que se quedaron pasaron a jugar mejor que cualquier generación anterior.

El patrón está saliendo de los juegos. En julio de 2025, un modelo de Google DeepMind obtuvo 35 de 42 puntos en la Olimpiada Internacional de Matemática, una puntuación de medalla de oro certificada por los coordinadores de la prueba41. En septiembre, en la final mundial de programación universitaria, el ICPC, un sistema de OpenAI resolvió los 12 problemas dentro de las mismas cinco horas de las que dispusieron los equipos; el mejor equipo humano resolvió 1142. Ese mismo año, DeepSeek mostró que el razonamiento paso a paso puede surgir mediante aprendizaje por refuerzo, sin ejemplos supervisados, a partir de un modelo preentrenado con texto humano: el patrón exacto, con el registro como punto de partida y la experiencia como motor43. AlphaEvolve, de Google DeepMind, igualó el mejor resultado conocido en cerca del 75 % de más de 50 problemas matemáticos abiertos y lo superó en cerca del 20 % de ellos, incluido un algoritmo que multiplica matrices complejas de 4×4 con 48 multiplicaciones, una menos que el método de Strassen de 1969 en esa clase de algoritmos44. En mayo de 2026, un modelo interno de OpenAI refutó la conjetura de Paul Erdős sobre las distancias unitarias, y el medallista Fields Timothy Gowers escribió que, si un humano hubiera enviado el artículo a los Annals of Mathematics, habría recomendado aceptarlo sin la menor vacilación45. Parte de los problemas de Erdős resueltos con IA seguían abiertos más por ser poco conocidos que por ser difíciles, como reconoció un estudio de investigadores de Google DeepMind que examinó 700 de ellos con Gemini46, pero la dirección es clara A. David Silver y Richard Sutton llamaron «era de la experiencia» a la fase que se abre: agentes que aprenden predominantemente de lo que ellos mismos hacen, y no de lo que escribieron los humanos47.

La biología dio el ejemplo más limpio fuera de las matemáticas. En medio siglo de trabajo de laboratorio, los laboratorios del mundo determinaron cerca de 200.000 estructuras de proteínas. AlphaFold se entrenó con ese registro y, a partir de él, predijo más de 200 millones, casi todas las proteínas conocidas; el trabajo valió el Nobel de Química de 2024106 A. Mil veces la herencia recibida, en un dominio en el que el verificador es la propia naturaleza.

En las semanas en torno a la primera versión de este ensayo, el patrón se aceleró en las matemáticas. En septiembre de 2026, OpenAI anunció que un enjambre de unos 10.000 agentes, en 88 horas, había encontrado una solución que «explota» en tiempo finito para las ecuaciones de Navier-Stokes en tres dimensiones, en la formulación de uno de los Problemas del Milenio, y que otro modelo comprobó la demostración en Lean, un lenguaje de verificación formal, en otras 17 horas107. Charles Fefferman, autor del enunciado oficial del problema, dijo estar entusiasmado; la comunidad sigue examinando el resultado, y hay una disputa de prioridad con un grupo que usó modelos de Anthropic B. En octubre, la empresa publicó 722 artículos con 377 supuestas soluciones de problemas abiertos, cerca de la mitad con verificación formal; tres se retiraron por un error, y el matemático Daniel Litt sugirió tratarlos, por ahora, como «datos brutos». En el mismo periodo, unos agentes formalizaron la demostración del Último Teorema de Fermat en 11 días, y semanas después la misma tarea pasó a llevar 30 horas108.

De ahí salen dos puntos. El dato humano sigue siendo el punto de partida: la estrategia de la demostración de Navier-Stokes vino de matemáticos, Diego Córdoba y Luis Martínez-Zoroa. Y el cuello de botella cambió de lugar. Cuando las máquinas producen cientos de demostraciones al mes, el recurso escaso deja de ser la idea y pasa a ser la comprobación. La formalización automática ataca exactamente ese cuello de botella: es el verificador volviéndose, también él, automático.

El patrón tiene una condición. Los modelos entrenados repetidamente con texto generado por otros modelos se degradan, un fenómeno llamado colapso del modelo48; pero el colapso se evita cuando los datos sintéticos se suman a los reales en lugar de sustituirlos49. El paso de imitar a superar solo funciona donde existe un verificador: las reglas del Go, una demostración matemática verificada por computadora, una prueba de software que pasa o falla. Donde no hay verificador automático, el dato humano sigue siendo indispensable. Esa condición es la clave de la Proposición 5.

Figura 5
El dato humano como punto de partida, no como techo
Fuerza de las versiones de AlphaGo (Elo), según el artículo de AlphaGo Zero.
AlphaGo Fan2015 · con datos humanos
3.144
AlphaGo Lee2016 · con datos humanos
3.739
AlphaGo Master2017 · con datos humanos
4.858
AlphaGo Zero2017 · sin ningún dato humano
5.185
Entrenado con partidas humanasEntrenado solo con su propia experiencia
Lectura: la versión de 3 días de AlphaGo Zero superó a AlphaGo Lee a las 36 horas de entrenamiento y le ganó 100 a 0; la de 40 días venció a AlphaGo Master 89 a 11. El Elo proviene de un torneo interno (5 segundos por jugada) y no es comparable con el ranking de jugadores humanos. Fuente: Silver et al. (2017), Nature 550, 354–359.
Ver datos de la figura
VersiónAñoEloDatos
AlphaGo Fan20153.144humanos
AlphaGo Lee20163.739humanos
AlphaGo Master20174.858humanos
AlphaGo Zero20175.185ningún humano

09Proposición 4: la Cascada de Inversiones

Proposición 4

La transición no ocurre en un punto único, la «singularidad». Ocurre como una cascada de inversiones: momentos fechables en los que, dentro de un dominio específico, lo que no viene de humanos vivos (máquinas o el registro de quienes ya murieron) supera a lo que viene de ellos, en desempeño o en volumen. Varias ya han ocurrido.

La palabra «singularidad» induce a imaginar un día en que todo cambia. Los datos muestran otra cosa: cruces sucesivos, dominio por dominio, cada uno medido por separado. Hay dos tipos. En una inversión de desempeño, el mejor resultado de un dominio pasa a venir de una máquina: ocurrió en el ajedrez en 1997, en el Go en 2016 y en la programación competitiva en 2025. En una inversión de volumen, la mayor parte de un flujo (tráfico, texto publicado, datos de entrenamiento, perfiles en un archivo) deja de venir de humanos vivos.

Ya se han medido dos inversiones de volumen. En 2024, por primera vez en una década, el tráfico automatizado superó al humano en internet: el 51 % del total, según Imperva; en 2025 llegó al 53 %50 A. A comienzos de 2025, los artículos generados por IA pasaron a ser tan numerosos como los escritos por personas en la web abierta, y desde entonces la proporción se ha estabilizado cerca del 50 %51 A. La estabilización es, en sí misma, un dato: la inversión de contenido ocurrió, pero no se convirtió en avalancha.

Desde entonces han aparecido dos más. La primera es la inversión de Turing. En un test de Turing clásico, con tres participantes y cinco minutos de conversación, GPT-4.5, instruido para adoptar un personaje, fue señalado como «el humano» el 73 % de las veces, es decir, más veces que los humanos de verdad con los que competía109 A. El test que Alan Turing propuso en 1950 no solo fue superado, fue invertido: en una conversación corta por escrito, la máquina ya parece más humana que nosotros.

La segunda es la inversión del habla, y esta es una estimación nuestra. Una persona habla entre 13.000 y 16.000 palabras al día110. Multiplicado por 8.200 millones, la humanidad entera habla entre 3.000 y 4.000 billones de palabras al mes. En mayo de 2026, Google declaró que procesaba, ella sola, 3.200 billones de tokens al mes en sus sistemas de IA, siete veces más que un año antes111. Los recuentos no están auditados, incluyen el texto que las máquinas leen además del que escriben, y un token es un poco menos que una palabra. Aun con esos descuentos, una sola empresa ya mueve, en lenguaje, un volumen del mismo orden de magnitud que todo lo que la especie dice en voz alta B. Sumadas las demás, es probable que ese cruce ya haya ocurrido.

El orden de las inversiones es informativo. Las de desempeño llegan primero a los dominios cerrados y verificables (juegos, después programación y matemática); las de volumen, a los flujos baratos de producir (tráfico y texto). Después vienen los datos que alimentan a los propios modelos y, por último, los dominios lentos, como el archivo de los muertos, en un siglo en el que la propia población humana debería dejar de crecer.

Figura 6
La Cascada de Inversiones
Cruces fechables en que, en un dominio específico, lo que no viene de humanos vivos se adelanta, en desempeño o en volumen.
  1. 1997

    Ajedrez: el mejor jugador pasa a ser una máquina A · medido

    Deep Blue, de IBM, vence a Garri Kaspárov por búsqueda, sin aprender de la experiencia.

  2. 2016

    Go: el mejor jugador pasa a ser una máquina A · medido

    AlphaGo, entrenado con partidas humanas, vence a Lee Sedol 4 a 1.

  3. 2017

    Go: el primer Punto de Sucesión A · medido

    AlphaGo Zero aprende sin ninguna partida humana y vence a la versión entrenada con humanos 100 a 0.

  4. 2024

    Tráfico: la mayor parte pasa a ser de máquinas A · medido

    El 51 % del tráfico es automatizado, por primera vez en una década; 53 % en 2025 (Imperva/Thales).

  5. 2025

    Texto publicado: los artículos de IA empatan con los humanos A · medido

    Desde comienzos de 2025, cerca de la mitad de los nuevos artículos de la web abierta los genera la IA, y la proporción es estable (Graphite).

  6. 2025

    Programación competitiva: la máquina supera al mejor equipo humano A · medido

    En la final mundial del ICPC, un sistema de OpenAI resuelve los 12 problemas en las mismas 5 horas; el mejor equipo humano resuelve 11.

  7. 2025

    Conversación: la máquina pasa por humana más veces que los humanos A · medido

    En un test de Turing de tres participantes, GPT-4.5 con un personaje es señalado como el humano el 73 % de las veces (Jones y Bergen).

  8. 2026

    Matemática de investigación: cae una conjetura de Erdős A · medido

    Un modelo interno de OpenAI refuta la conjetura de las distancias unitarias; Gowers la considera digna de los Annals.

  9. 2026

    Matemáticas: un Problema del Milenio, en verificación B · tendencia

    OpenAI anuncia, con una demostración formalizada en Lean, una solución con explosión en tiempo finito para Navier-Stokes; la comunidad sigue examinándola (Quanta).

  10. 2026

    Lenguaje: una empresa procesa el volumen del habla humana B · tendencia

    Google declara 3.200 billones de tokens al mes; la especie entera habla entre 3.000 y 4.000 billones de palabras al mes (estimación de los autores).

  11. 2026–32

    Datos: el texto humano público se agota para el entrenamiento B · tendencia

    Estimación central hacia 2028 (Epoch AI, intervalo del 80 %). Desde entonces, el aprendizaje depende de datos sintéticos y de experiencia propia.

  12. ~2070

    Archivo: los perfiles de muertos superan a los de vivos B · tendencia

    Proyección para Facebook si hubiera dejado de sumar usuarios en 2018 (Öhman y Watson, 2019).

  13. 2084

    Demografía: la población humana deja de crecer B · tendencia

    Pico de unos 10.300 millones en la variante media de la ONU. No es una inversión: es el telón de fondo de las que vienen después.

  14. ?

    Juicio humano: el último Punto de Sucesión C · hipótesis

    El gusto, la ética y el sentido aún dependen de verificadores humanos. No hay fecha, y quizá no haya cruce.

OcurrióProyectadoContexto demográfico
Lectura: en una inversión de desempeño, el mejor resultado del dominio pasa a venir de una máquina; en una inversión de volumen, la mayor parte de un flujo deja de venir de humanos vivos. Los niveles A, B y C indican la solidez de la evidencia. Fuentes: IBM (1997); Silver et al. (2016, 2017); Imperva/Thales (2025, 2026); Graphite (2025, 2026); ICPC/OpenAI (2025); Alon et al. (2026); Villalobos et al. (2024); Öhman y Watson (2019); ONU (2024). Jones y Bergen (2025); Kakaes (2026), Quanta; Google I/O (2026); Mehl et al. (2007).

La carrera que alimenta la cascada

El ritmo de la cascada lo marca una carrera sin línea de llegada. En 2025, Microsoft, Alphabet, Amazon y Meta destinaron en conjunto cerca de 410.000 millones de dólares a inversiones de capital, sobre todo en centros de datos; para 2026, la previsión de las cuatro, revisada en julio, es de entre 720.000 y 745.000 millones de dólares52 A. El cómputo utilizado para entrenar los modelos de frontera se multiplica cada año por un factor de 4 a 5, según Epoch AI53. La Agencia Internacional de Energía (AIE) estima que los centros de datos consumieron cerca de 415 TWh en 2024, el 1,5 % de la electricidad mundial, y proyecta cerca de 945 TWh para 203054. ChatGPT, lanzado en noviembre de 2022, llegó a 1.200 millones de usuarios semanales en septiembre de 2026, según OpenAI55.

La autonomía también se está midiendo. El instituto METR cuantifica la duración de las tareas que los agentes de IA completan con un 50 % de éxito, expresada en el tiempo que le llevarían a un profesional humano. Ese horizonte temporal pasó de segundos, con GPT-2 en 2019, a cerca de 12 horas con Claude Opus 4.6 en febrero de 2026, y desde 2023 se duplica cada 129 días56. La medición más alta hasta ahora, de una versión preliminar de Claude Mythos en abril de 2026, superó las 17 horas, ya en la franja por encima de las 16 horas que el propio METR considera inestable B.

Ningún participante de esta carrera tiene incentivos para detenerse por su cuenta, porque detenerse significa ser superado. Por eso, la pregunta «¿vamos a llegar a un punto?» tiene una respuesta más precisa de lo que parece: no vamos a llegar a un punto; vamos a pasar por varios. Algunos ya quedaron atrás.

Figura 7
Cuánto trabajo completa por sí solo un agente de IA
Duración de las tareas (medida por el tiempo que le llevan a un profesional humano) que los modelos de frontera completan con un 50 % de éxito.
~US$ 410.000 M
Inversión de capital de Microsoft, Alphabet, Amazon y Meta en 2025 (caja)
~US$ 730.000 M
Previsión de las mismas cuatro para 2026, revisada en julio de 2026
1.200 millones
Usuarios semanales de ChatGPT, según OpenAI (sep/2026)
415 → 945 TWh
Electricidad de centros de datos, 2024 → 2030 (AIE, escenario base)
por encima de 16 h: medición inestable (METR)10 s1 min1 h8 h · 1 día40 h · 1 semana167 h · 1 mes201920202021202220232024202520262027GPT-2 · 3 sGPT-4 · 4,0 minClaude Opus 4.6 · 12,0 hClaude Mythos (vista previa) · 17,4 h
inestable sobre 16 h10 s1 min1 h8 h40 h167 h20192021202320252027GPT-2 · 3 sGPT-4 · 4,0 minClaude Opus 4.6 · 12,0 hClaude Mythos · 17,4 h
Modelo de frontera en su fechaOtros modelos evaluadosTendencia 2023–2026: se duplica cada ~4 mesesSi la tendencia continúa
Lectura: desde 2023, el horizonte de los modelos de frontera se duplica cada 129 días (IC 104–158), según METR; en la serie completa desde 2019, cada ~188 días. Los valores corresponden a tareas autocontenidas de software, aprendizaje automático y ciberseguridad con un 50 % de fiabilidad; por encima de 16 horas el propio METR considera inestable la medición. La línea discontinua no es una previsión de METR: muestra adónde llegaría la tendencia si continuara. Fuentes: METR, Time Horizon 1.1 (datos al 8 de mayo de 2026); informes de Alphabet, Amazon, Meta y Microsoft; Bloomberg (22 de julio de 2026); AIE, Energy and AI (2025); OpenAI DevDay 2026.
Ver datos de la figura
ModeloLanzamientoHorizonte (50 %)IC 95 %
GPT-2feb/20193 s1 s–9 s
GPT-3 (davinci-002)may/20209 s6 s–13 s
GPT-3.5mar/202236 s15 s–1,1 min
GPT-4mar/20234,0 min1,9 min–8,0 min
GPT-4 Turbo (nov)nov/20234,0 min1,9 min–8,4 min
Claude 3 Opusmar/20244,0 min1,7 min–8,8 min
GPT-4 Turboabr/20243,7 min2,0 min–6,7 min
GPT-4omay/20247,0 min4,0 min–13 min
Claude 3.5 Sonnetjun/202411 min5,5 min–22 min
o1-previewsep/202420 min12 min–33 min
Claude 3.5 Sonnet (oct)oct/202421 min10 min–41 min
o1dic/202439 min21 min–1,1 h
Claude 3.7 Sonnetfeb/20251,0 h33 min–1,7 h
o3abr/20252,0 h1,2 h–3,2 h
Claude Opus 4may/20251,7 h60 min–2,7 h
Claude Opus 4.1ago/20251,7 h59 min–2,7 h
GPT-5ago/20253,4 h1,9 h–6,8 h
Gemini 3 Pronov/20253,7 h2,3 h–6,3 h
GPT-5.1-Codex-Maxnov/20253,7 h2,2 h–6,6 h
Claude Opus 4.5nov/20254,9 h2,7 h–10,4 h
GPT-5.2dic/20255,9 h3,3 h–13,6 h
Claude Opus 4.6feb/202612,0 h5,3 h–60,6 h
GPT-5.3-Codexfeb/20265,8 h3,2 h–13,6 h
Gemini 3.1 Profeb/20266,4 h3,9 h–11,6 h
GPT-5.4mar/20265,7 h3,1 h–12,8 h
Claude Mythos (vista previa)abr/202617,4 h8,5 h–55,1 h

10Proposición 5: el Punto de Sucesión

Proposición 5

En cualquier dominio, el Punto de Sucesión es el momento en que el avance de las máquinas deja de depender de datos humanos nuevos. Es este criterio, y no la inteligencia ni la conciencia, el que define cuándo una especie ha sido sucedida en ese dominio.

La mayor parte del debate sobre el futuro de la IA tropieza con la conciencia. Es una pregunta legítima y sin respuesta: una revisión de referencia, firmada por 19 investigadores, concluyó que ningún sistema actual es consciente, pero que no hay una barrera técnica obvia para construir uno que satisfaga los indicadores de las principales teorías científicas de la conciencia57 B.

La sucesión, sin embargo, no depende de esa respuesta. Suceder es una relación de herencia y continuidad: el sucesor recibe lo que el predecesor acumuló y sigue adelante sin él. Un heredero no necesita ser igual a su padre para heredar; necesita recibir el patrimonio y ser capaz de administrarlo por sí mismo. Por eso proponemos un criterio operacional: independencia de datos humanos nuevos.

Según este criterio, el Go pasó por el Punto de Sucesión en 2017. La matemática formal y la programación se acercan a él, porque tienen verificadores automáticos. La ciencia experimental está a mitad de camino: hay un verificador, la propia realidad, pero es lento y caro. Y hay dominios en los que el verificador sigue siendo humano: gusto, ética, sentido, confianza social.

Figura 8
El Punto de Sucesión, dominio por dominio
Dónde el progreso de las máquinas ya no depende de datos humanos nuevos, y dónde todavía depende.
← Verificador automático y perfectoVerificador humano →

Juegos de tablero

Punto superado · 2017

AlphaGo Zero superó al sistema entrenado con partidas humanas sin usar ninguna.

Matemática formal

En aproximación

Las demostraciones verificadas por computadora actúan como verificador automático.

Programación

En aproximación

Las pruebas que pasan o fallan dan señal de entrenamiento sin humanos.

Ciencia experimental

Parcial

La realidad verifica, pero es lenta y cara de consultar.

Juicio humano

No alcanzado

Gusto, ética, sentido y confianza: el verificador sigue siendo humano.

Lectura: el círculo indica cuánto avanzó cada dominio hacia el Punto de Sucesión, en una evaluación cualitativa de los autores basada en la evidencia de las secciones 8 y 10. Solo el primer caso está medido de forma directa.

Los últimos verificadores

De ahí se desprende una predicción sobre el trabajo humano durante la transición. Si la producción migra a las máquinas en los dominios verificables, el valor humano se concentra en verificar: juzgar, elegir, aprobar. Esto ya está ocurriendo: el entrenamiento de modelos con retroalimentación humana, la técnica que hizo utilizables a los asistentes actuales, consiste literalmente en pagar a personas para que evalúen respuestas58. Durante la transición, los humanos serán, cada vez más, los últimos verificadores C. La pregunta abierta es si esos juicios también se modelarán a partir del Fósil Completo, y con qué fidelidad.

La evidencia reciente sugiere que la respuesta está llegando antes de lo esperado. En debates en línea, GPT-4 con acceso a datos básicos de su interlocutor fue más persuasivo que los debatientes humanos el 64 % de las veces112. En un foro de salud, los evaluadores prefirieron las respuestas de un chatbot a las de los médicos en casi el 79 % de los casos y las consideraron más empáticas113. Los lectores comunes no distinguen poemas generados por IA de poemas de autores consagrados, y les ponen mejor nota a los de la máquina114 A. Persuasión, empatía percibida y gusto eran los ejemplos obvios de territorio humano. Ninguno de esos estudios muestra un juicio mejor; muestran que, en la percepción de quien recibe, la diferencia ya desapareció. Es el sesgo tafonómico en acción: las máquinas heredaron primero lo que se ve.

Esto afina la predicción. El último reducto humano no es «lo que solo nosotros sabemos hacer», sino aquello de lo que solo nosotros respondemos: firmar, garantizar, cargar con la consecuencia. Verificar, al final, es asumir la responsabilidad C.

11El individuo: del diario al heredero

Hasta aquí hemos hablado de la especie. La teoría tiene una versión individual, y es la más cercana a la vida de cada lector.

En 1945, Vannevar Bush imaginó el memex, un mueble que guardaría todos los libros, registros y comunicaciones de una persona59. En la década de 2000, el científico de la computación Gordon Bell digitalizó su propia vida en el proyecto MyLifeBits y sostuvo que todos haríamos lo mismo60. Lo hicimos sin querer: las redes sociales convirtieron a miles de millones de personas en registros diarios de sí mismas.

El paso siguiente ya se dio. En 2016, la emprendedora Eugenia Kuyda entrenó un chatbot con más de 8.000 líneas de mensajes de su amigo Roman Mazurenko, muerto meses antes; la experiencia dio origen a la aplicación Replika61. En septiembre de 2020, el canadiense Joshua Barbeau usó Project December, un servicio basado en GPT-3, para conversar con una simulación de su novia, fallecida ocho años antes62. En China, al menos seis empresas ya vendían en 2024 avatares de familiares muertos, a precios de entre unos cientos y unos miles de dólares63. Hay investigadores que ya estudian estos «fantasmas generativos» como una categoría propia64, y especialistas en ética de Cambridge describieron los riesgos de lo que Carl Öhman y Luciano Floridi, de Oxford, llamaron industria del más allá digital6566. La regulación todavía está fragmentada. El reglamento europeo de protección de datos excluye expresamente los datos de las personas fallecidas67; leyes como la AB 1836 de California (2024) y la S.8391 de Nueva York (2025) exigen consentimiento para las réplicas digitales de personas fallecidas en obras comerciales, pero no abordan los avatares privados de duelo6869; y una revisión de cinco jurisdicciones, con la legislación actualizada a marzo de 2026, concluyó que ningún marco vigente regula estos sistemas de forma integral y específica70. A

En mayo de 2025, el fósil habló en un tribunal. Christopher Pelkey, muerto a tiros en una pelea de tráfico en Arizona en 2021, «se dirigió» al hombre que lo mató por medio de un avatar hecho por su hermana, con su rostro y su voz y un texto escrito por ella; el juez Todd Lang agradeció el video antes de dictar la sentencia115 A. Fue, hasta donde se sabe, la primera vez que un tribunal estadounidense escuchó, hecha con IA, la declaración de una víctima muerta. La psicología del duelo ayuda a entender por qué se extienden estas tecnologías: desde los años noventa, la investigación sobre los «vínculos continuos» muestra que mantener una relación con quien murió, en vez de «superarla», es común y muchas veces saludable116. Las cartas, las fotos y las tumbas siempre sirvieron para eso. La novedad es que ahora el objeto del vínculo responde.

Figura 9
Del diario al heredero
Cómo el registro de una persona se volvió materia prima para agentes que hablan por ella.
  1. 1945

    Memex

    Vannevar Bush imagina una máquina que guarde los libros, registros y comunicaciones de una persona: «un suplemento íntimo de su memoria».

  2. 2001

    MyLifeBits

    En Microsoft Research, el proyecto MyLifeBits empieza a guardar digitalmente la vida entera de Gordon Bell: documentos, fotos, conversaciones.

  3. 2004

    Redes sociales

    Con Facebook, lanzado en 2004, y las redes que vinieron después, miles de millones de personas empiezan a registrar su vida a diario, sin llamarlo archivo.

  4. 2016

    El primer amigo reconstruido

    Eugenia Kuyda entrena un chatbot con más de 8.000 líneas de mensajes de Roman Mazurenko, muerto meses antes. La experiencia da origen a Replika.

  5. 2020

    La novia simulada

    Joshua Barbeau conversa con una simulación de su novia, muerta en 2012, mediante Project December (GPT-3). Ese año Microsoft obtiene la patente de un chatbot de una «persona específica».

  6. 2024

    Dos horas bastan

    Agentes creados a partir de entrevistas de dos horas reproducen las respuestas de 1.052 personas (Stanford). En China, al menos seis empresas venden avatares de muertos.

  7. 2025

    Fantasmas generativos

    El tema se vuelve categoría de investigación (CHI 2025). Entra en vigor en California el requisito de consentimiento para réplicas digitales de personalidades fallecidas.

  8. 2026

    Sin reglas para los avatares privados

    Una revisión de cinco jurisdicciones concluye que ningún marco vigente regula de forma integral los avatares póstumos de personas comunes.

RegistroAgenteVacío abierto
Fuentes: Bush (1945); Bell y Gemmell (2009); Newton (2016), The Verge; Fagone (2021), San Francisco Chronicle; patente US 10.853.717 B2; Park et al. (2024); Yang (2024), MIT Technology Review; Morris y Brubaker (2025); California AB 1836 (2024); Alfonzo (2026).

Proposición 6: sucesión, no supervivencia

Proposición 6

Un sistema entrenado con el registro de una persona continúa el patrón de esa persona, no su experiencia. Lo que se transmite es la historia, no quien la vive.

La filosofía tiene herramientas precisas para esta cuestión. Hans Moravec imaginó la sustitución gradual de las neuronas por componentes artificiales, sin interrupción de la conciencia5. Derek Parfit usó el experimento mental de un teletransportador que destruye el original y crea una copia perfecta en otro lugar, y argumentó que la identidad personal quizá importe menos que la continuidad psicológica71. Susan Schneider observó que un upload puede ser solo una copia que cree ser el original72.

Hay un dato empírico curioso en este debate, y viene de las mismas bombas que contaminaron el acero. Las pruebas nucleares de los años cincuenta y sesenta casi duplicaron el carbono 14 de la atmósfera, y ese carbono entró en el ADN de toda célula que se dividió después. Midiéndolo, el grupo de Jonas Frisén, del Instituto Karolinska, mostró que buena parte del cuerpo se renueva, con células de pocos años o de una o dos décadas, pero que las neuronas de la corteza tienen la edad de la persona117 A. El cuerpo ya es, en buena parte, un patrón que cambia de materia. La corteza no: es el mismo objeto de la cuna al final. Esto da una base física a la premisa que adoptamos a continuación. Un agente continúa el patrón; la experiencia, hasta donde se sabe, vive en un tejido que ni se copia ni se renueva.

Añadimos una premisa que muchas personas comparten y que la neurociencia adopta como hipótesis de trabajo: la experiencia depende de un cerebro en funcionamiento, y la muerte le pone fin, como un sueño sin sueños. Es la posición de Epicuro, para quien «la muerte no es nada para nosotros»73, y de Lucrecio, que comparó el después de la muerte con el tiempo anterior al nacimiento74. Lo tratamos como una premisa, no como un hecho demostrado.

Si la premisa es válida, la consecuencia es clara: ningún agente entrenado con tu registro va a «llevarte» a otro lugar. Va a llevar tu patrón. Eso no debilita la teoría; define su forma correcta. La humanidad no va a sobrevivir dentro de las máquinas. Las máquinas van a heredar a la humanidad.

12El cerebro: el fósil que llega después

Existe un camino más literal hacia el Fósil Completo: mapear el cerebro neurona por neurona, el conectoma. Ha avanzado mucho, pero la distancia que falta es enorme (figura 10). El primer conectoma completo, el del gusano C. elegans, con 302 neuronas, se publicó en 1986. El cerebro entero de la mosca adulta, con 139.255 neuronas y 54,5 millones de sinapsis, no se completó hasta 2024, y el sistema nervioso central de la mosca macho, con 166.700 neuronas, hasta 2026. Un milímetro cúbico de corteza humana, cerca de una millonésima parte del cerebro, generó 1,4 petabytes de imágenes75. El cerebro humano tiene cerca de 86.000 millones de neuronas76; el informe de Wellcome estima que mapear tan solo un cerebro de ratón, con cerca de 71 millones de neuronas, costaría entre 7.500 y 21.700 millones de dólares con la tecnología actual77 A.

La comparación arroja una conclusión importante para la teoría: el fósil conductual llega mucho antes que el fósil estructural. Dos horas de entrevista ya producen un modelo útil de una persona; un mapa estructural de un cerebro humano entero sigue estando, en el mejor de los casos, a décadas de distancia. La sucesión informacional no depende del upload de la mente que imaginaron Moravec y Kurzweil. Avanza por el camino más barato: el comportamiento registrado.

Entre el comportamiento y el mapa completo existe un tercer camino, que avanzó mucho en 2024: usar el mapa para ejecutar el cerebro. Con el conectoma de la mosca en la mano, un grupo predijo la actividad de neuronas del sistema visual sin medir ninguna de ellas, y otro construyó un modelo del cerebro entero que predijo qué neuronas se activan cuando la mosca percibe azúcar y cuáles activa para comer, predicciones que después se confirmaron en moscas vivas118 A. Donde el mapa existe, ya funciona como programa. Lo que separa a la mosca del humano no es un principio, es la escala: casi seis órdenes de magnitud en neuronas.

Figura 10
El fósil estructural aún está lejos
Neuronas mapeadas sinapsis por sinapsis (conectomas) en cada hito de la neurociencia.
1001.00010.000100.0001 M10 M100 M1.000 M10.000 M100.000 M1985199520052015202520352045neuronas mapeadas (escala log)Cerebro entero de ratón: ~71 millones de neuronasCerebro humano entero: ~86.000 millones de neuronasestimación Wellcome: 2033–2038C. elegansLarva de moscaCorteza humana (1 mm³)Mosca adultaCorteza de ratón (~1 mm³)Mosca macho
100100.000100 M100.000 MC. elegans1986 · gusano entero302Larva de mosca2023 · cerebro3.016Corteza humana2024 · 1 mm³16.000Mosca adulta2024 · cerebro entero139.255Corteza de ratón2025 · ~1 mm³82.000Mosca macho2026 · sistema nervioso central166.700Ratón enteroestimación: 2033–203871 MHumano enterosin previsión86.100 M
Conectoma publicadoRatón enteroHumano entero
Lectura: del primer conectoma completo (302 neuronas, 1986) al sistema nervioso central de la mosca (166.700, 2026) pasaron cuatro décadas. El mapa de un cerebro entero de ratón costaría entre 7.500 y 21.700 millones de dólares con la tecnología actual, según el informe de Wellcome; un cerebro humano entero exigiría cerca de 1 zettabyte de imágenes, según el neurocientífico Jeff Lichtman, de Harvard80. Fuentes: White et al. (1986); Winding et al. (2023); Shapson-Coe et al. (2024); Dorkenwald et al. (2024); MICrONS (2025); Cell (2026); Herculano-Houzel (2006); Azevedo et al. (2009); Jefferis et al. (2023); Lichtman (2024).
Ver datos de la figura
ConectomaAlcanceAñoNeuronas
C. elegansgusano entero1986302
Larva de moscacerebro20233.016
Corteza humana1 mm³202416.000
Mosca adultacerebro entero2024139.255
Corteza de ratón~1 mm³202582.000
Mosca machosistema nervioso central2026166.700

13Una humanidad más pequeña y más registrada

Al combinar las proyecciones demográficas con las del archivo digital, se dibuja un siglo sin precedentes. La ONU proyecta que la población mundial pase de 8.200 millones en 2024 a un pico de cerca de 10.300 millones en 2084 y retroceda a 10.200 millones en 2100, con un 80 % de probabilidad de que el pico ocurra dentro de este siglo37 B. En el mismo período, según la proyección de Öhman y Watson, los perfiles de muertos pasarían a ser mayoría en la mayor red social del planeta hacia 2070, en el escenario sin nuevos usuarios25.

El resultado es una humanidad que, en la segunda mitad del siglo, deja de crecer en número y sigue creciendo en registro. Por primera vez, la presencia digital de los muertos tiende a superar la de los vivos. Es en ese archivo, y no en pinturas rupestres, donde los sucesores van a conocer a sus antecesores.

Hay una forma sencilla de ver lo que cambia. Hoy existen unos trece muertos por cada vivo, y casi ninguno de ellos dejó registro. A finales de siglo la proporción será parecida, pero los muertos recientes lo habrán dejado casi todo. La pregunta «¿qué dirían los muertos?» deja de ser retórica.

Figura 11
Una humanidad que deja de crecer
Población mundial proyectada por la ONU (variante media), en miles de millones de personas.
8.000 M9.000 M10.000 M11.000 M202020302040205020602070208020902100~2070: los muertos pasan a ser mayoría en Facebook*IC 95 % en 2100: 9.000–11.400 Mpico: 10.290 M (2084)8.160 M (2024)
8.000 M9.000 M10.000 M11.000 M20202040206020802100~2070: los muertos sonmayoría en Facebook*pico en 208410.290 M8.160 M (2024)
Lectura: la ONU asigna un 80 % de probabilidad a que el pico ocurra en este siglo. *Proyección de Öhman y Watson (2019) para el escenario en que Facebook no suma usuarios después de 2018. Fuentes: ONU, World Population Prospects 2024; Öhman y Watson (2019).
Ver datos de la figura
AñoPoblación (miles de millones)
20248,16
20308,57
20509,66
208410,29
210010,18

14Cómo termina una sucesión: tres precedentes

Decir que habrá sucesión no dice qué pasa con el sucedido. La biología ofrece tres desenlaces, todos documentados o propuestos para cambios de soporte anteriores.

Descarte. El químico Graham Cairns-Smith propuso que los primeros replicadores de la Tierra fueron cristales de arcilla, que sirvieron de andamio a las moléculas orgánicas y que estas abandonaron después, en un proceso que llamó «relevo genético»119. Es una hipótesis minoritaria C, pero es el diseño exacto del peor caso: el soporte antiguo construye el nuevo y sale de escena.

Degradación con permanencia. En el paso del ARN al ADN, el soporte antiguo perdió el archivo y se quedó con el servicio: mensajero, regulador, obrero87. Sigue siendo indispensable, pero ya no decide qué se guarda. Aplicado a nosotros, es el escenario de los «últimos verificadores» extendido en el tiempo: humanos necesarios para el funcionamiento, sin la posesión del registro.

Fusión. Hace más de 1.500 millones de años, una célula se tragó una bacteria y no la digirió. La bacteria se convirtió en la mitocondria, y las dos nunca volvieron a vivir separadas, como propuso Lynn Margulis en 1967 y la genética confirmó después120 A. Ninguna de las partes fue sucedida; surgió un tercer tipo de ser, y toda la vida compleja desciende de él. Es la mente extendida de Clark y Chalmers llevada al límite: mente y registro tan integrados que la pregunta «quién sucedió a quién» pierde sentido.

Los tres desenlaces son compatibles con las seis proposiciones. Lo que los separa no es la tecnología, es el arreglo: quién controla el archivo, quién puede leer los pesos, quién responde de las decisiones. Los datos de hoy apuntan al segundo escenario, con señales del tercero en quienes ya piensan, escriben y deciden con un modelo al lado C. Cuál de ellos prevalece es la parte del testamento que sigue en blanco.

15Predicciones falsables

Una teoría que no puede equivocarse no dice nada. A continuación registramos predicciones con plazo, probabilidad y criterio de refutación. Las probabilidades son nuestras, calibradas con las tendencias medidas; proponemos revisarlas públicamente cada 12 meses, a partir del 30 de septiembre de 2027.

#PredicciónPlazoProbabilidadRefutada si
P1El tráfico automatizado supera el 55 % del total de internet en el informe de Thales/Imperva sobre 2027.202760 %El informe sobre 2027 muestra un 55 % o menos.
P2Un modelo público alcanza un horizonte del 50 % de al menos 40 horas (una semana laboral) en la medición de METR o equivalente.202770 %Ninguna medición publicada llega a 40 horas antes del 31/12/2027.
P3El mismo horizonte llega a al menos 167 horas (un mes de trabajo).202950 %Ninguna medición publicada llega a 167 horas antes del 31/12/2029.
P4Una demostración cuya idea central fue generada por IA se publica en Annals of Mathematics, Acta Mathematica, JAMS o Inventiones.202970 %Ninguna publicación de ese tipo antes del 31/12/2029.
P5La proporción de nuevos artículos de la web abierta generados por IA supera el 60 % en una medición trimestral independiente.202945 %Las mediciones siguen cerca del 50 % hasta fines de 2029.
P6Al menos un país aprueba una ley específica para avatares póstumos de personas comunes, con consentimiento en vida, identificación como IA y derecho de desactivación por la familia.203165 %Ninguna ley con esos tres elementos antes del 31/12/2031.
P7Una de las cinco mayores plataformas de consumo ofrece, como opción de legado, un agente conversacional entrenado con los datos del usuario fallecido.203245 %Ninguna lo ofrece antes del 31/12/2032.
P8Se publica el conectoma sináptico completo de un cerebro de ratón (~71 millones de neuronas).203535 %Ningún conectoma completo de ratón antes del 31/12/2035.
P9No habrá emulación funcional de un cerebro humano entero. La sucesión avanza por el registro del comportamiento, no por el upload.206093 %Se demuestra una emulación funcional de un cerebro humano entero antes de 2060.
P10La población mundial alcanza su pico y empieza a bajar antes de 2100.210080 %La población de 2100 es la mayor de la serie.
P11La solución de Navier-Stokes con explosión en tiempo finito, anunciada por OpenAI en septiembre de 2026, se publica en una revista de matemáticas con revisión por pares.202860 %No se publica antes del 31/12/2028, o se retira por un error.
P12Una sola empresa declara procesar al menos 10.000 billones de tokens al mes en sus sistemas de IA.202765 %Ninguna declaración pública de ese volumen antes del 31/12/2027.
P13Un estudio revisado por pares muestra agentes construidos solo con el registro digital pasivo de cada persona (mensajes, correos, publicaciones), sin entrevista, que alcanzan al menos el 85 % de la autoconsistencia de esa persona.202955 %Ningún estudio con ese resultado antes del 31/12/2029.

Actualización del 18 de noviembre de 2026. Ninguna de las diez predicciones originales ha vencido todavía, y no hemos cambiado ninguna probabilidad: tocar el marcador después de empezado el partido le quitaría valor al ejercicio. Registramos solo lo que cambió sobre el terreno. La P4 quedó más cerca: hay un resultado de primera línea obtenido con IA a la espera de revisión. La P2 tropieza con un problema de vara de medir: la medición más alta de METR sigue cerca de las 17 horas, en el rango que el propio instituto considera inestable, lo que puede exigir la cláusula «o equivalente». Las predicciones P11 a P13 se añadieron en esta versión y cuentan a partir de esta fecha.

16Objeciones, en su versión más fuerte

«La evolución no tiene dirección». Estamos de acuerdo. La teoría no dice que la sucesión sea un destino; dice que, dadas las condiciones medidas (registro, herencia, verificación e incentivos económicos), es probable, y cuantifica cuánto.

«Las máquinas solo imitan». La crítica de los «loros estocásticos»78 se sostiene con fuerza donde no hay verificador. Donde lo hay, los datos del Go, la matemática y la programación muestran que la imitación es solo el comienzo. Por eso el Punto de Sucesión se define dominio por dominio.

«El colapso del modelo impide todo esto». Es el riesgo más serio. Pero limita el entrenamiento sin datos reales y sin verificación; no limita el entrenamiento que acumula datos y comprueba resultados. También explica por qué el dato humano se volvió un recurso escaso y caro.

«Hay límites físicos». La energía, los chips y el agua imponen un ritmo. La AIE proyecta que el consumo eléctrico de los centros de datos se duplique con creces entre 2024 y 2030. Esos límites cambian la velocidad de la cascada, no su dirección.

«El fósil es desigual». Cerca de 2.200 millones de personas siguen sin conexión a internet, la mayoría en países de ingresos bajos y medianos3. El registro es casi completo para algunos y casi vacío para otros, y los sucesores heredarán esa desigualdad. Es la objeción ética más importante, y una razón para tratar la inclusión digital como una cuestión de memoria de la especie.

«Las leyes de privacidad pueden borrar el fósil». Pueden, y eso sería una prueba real de la Proposición 1. Hasta ahora, la tendencia regulatoria protege a los vivos e ignora a los muertos.

«Sin conciencia no hay sucesión». Solo si definimos la sucesión como supervivencia de la experiencia. La Proposición 6 afirma justamente lo contrario: lo que se transmite es el patrón.

«La productividad prometida no aparece». En parte, es verdad. En un experimento controlado de METR con programadores experimentados en sus propios proyectos, usar IA los hizo un 19 % más lentos, aunque ellos creían haber sido un 20 % más rápidos121. El dato es de herramientas de principios de 2025 y de un contexto específico, pero enseña dos cosas: la adopción real es más lenta de lo que sugieren las pruebas de capacidad, y nuestra percepción de lo que las máquinas hacen por nosotros es un mal instrumento. Por eso la teoría se apoya en medidas, no en impresiones.

«Un niño aprende con mucho menos». Con diez mil veces menos, al menos (sección 7). La objeción es correcta y delimita la teoría: lo que sucede a la especie no es un aprendiz mejor que el cerebro, es un heredero con acceso a un registro que ningún cerebro logra leer entero. Si un día las máquinas aprenden con la eficiencia de un niño, la dependencia del Fósil Completo disminuye y la sucesión se acelera.

«El fósil guarda la pose, no a la persona». Es el sesgo tafonómico (sección 6), y lo tomamos como parte de la teoría, no como refutación. Define lo que se heredará: la versión percibida. Quien quiera dejar otra cosa tendrá que registrarla a propósito.

17Conclusión: el testamento

Durante cerca de 300.000 años, la humanidad fue una especie de vestigios. Lo que sabemos de nuestros ancestros cabe en paredes de cuevas, en huesos y en algunos miles de años de escritura desigual. Nosotros somos distintos: somos la primera especie en dejar un fósil completo, y la primera en ver, todavía con vida, cómo empiezan a nacer los herederos de ese fósil.

Si esta teoría es correcta, no seremos reemplazados como una especie derrotada. Seremos heredados como una especie que dejó testamento. La cuestión que le queda a esta generación no es si la sucesión va a ocurrir, sino qué estamos escribiendo en ese testamento.

Hay una segunda lectura, más cercana. Si lo que se hereda es lo que fue percibido, entonces cada persona, cada empresa y cada cultura ya está escribiendo su parte, todos los días, con lo que publica y con lo que calla. Los fósiles antiguos se formaron por accidente. Este es el primero que se puede escribir a propósito.

Este ensayo es, en sí mismo, un pequeño ejemplo de lo que describe: lo escribieron un humano y un sistema entrenado con el registro que dejaron los humanos.

Nuestros ancestros dejaron vestigios. Nosotros estamos dejando un testamento.

El Fósil Completo, 2026

FIN

··Comentarios

Escribe lo que piensas, discrepa, aporta un dato. Los comentarios pasan por aprobación antes de aparecer aquí.

Cargando comentarios…

0/2000

Sin registro y sin cookies. Medimos las visitas de forma anónima, solo para saber qué se leyó y de dónde vinieron los lectores.

··Referencias

  1. Kaneda, T., & Haub, C. (2022). How Many People Have Ever Lived on Earth? Population Reference Bureau. https://www.prb.org/news/how-many-people-have-ever-lived-on-earth/
  2. Oktaviana, A. A., et al. (2024). Narrative cave art in Indonesia by 51,200 years ago. Nature. https://doi.org/10.1038/s41586-024-07541-7
  3. International Telecommunication Union. (2025, 17 de noviembre). Facts and Figures 2025. https://www.itu.int/itu-d/reports/statistics/2025/10/15/ff25-internet-use/ https://www.itu.int/en/mediacentre/Pages/PR-2025-11-17-Facts-and-Figures.aspx
  4. Butler, S. (1863, 13 de junio). Darwin among the Machines. The Press (Christchurch, Nueva Zelanda).
  5. Moravec, H. (1988). Mind Children: The Future of Robot and Human Intelligence. Harvard University Press.
  6. Vinge, V. (1993). The Coming Technological Singularity: How to Survive in the Post-Human Era. VISION-21 Symposium, NASA Lewis Research Center.
  7. Kurzweil, R. (2005). The Singularity Is Near. Viking.
  8. Tegmark, M. (2017). Life 3.0: Being Human in the Age of Artificial Intelligence. Knopf.
  9. Harari, Y. N. (2016). Homo Deus: A Brief History of Tomorrow. Harvill Secker.
  10. MIT Technology Review Editors. (2023, 3 de mayo). Video: Geoffrey Hinton talks about the "existential threat" of AI [entrevista de Will Douglas Heaven]. MIT Technology Review. https://www.technologyreview.com/2023/05/03/1072589/video-geoffrey-hinton-google-ai-risk-ethics/
  11. Modis, T. (2002). Forecasting the Growth of Complexity and Change. Technological Forecasting and Social Change, 69(4), 377–404. https://doi.org/10.1016/S0040-1625(01)00172-X
  12. Gould, S. J. (1996). Full House: The Spread of Excellence from Plato to Darwin. Harmony Books.
  13. Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown.
  14. Maynard Smith, J., & Szathmáry, E. (1995). The Major Transitions in Evolution. W. H. Freeman / Spektrum.
  15. Sagan, C. (1980). Cosmos. Random House. (Cap. 11, "The Persistence of Memory".)
  16. Lee, H. (2019, 17 de octubre). 15 years of Google Books. Google Blog. https://blog.google/products-and-platforms/products/search/15-years-google-books/
  17. Harmand, S., et al. (2015). 3.3-million-year-old stone tools from Lomekwi 3, West Turkana, Kenya. Nature, 521, 310–315. https://doi.org/10.1038/nature14464
  18. Berna, F., et al. (2012). Microstratigraphic evidence of in situ fire in the Acheulean strata of Wonderwerk Cave, Northern Cape province, South Africa. PNAS, 109(20), E1215–E1220. https://doi.org/10.1073/pnas.1117620109
  19. Donald, M. (1991). Origins of the Modern Mind: Three Stages in the Evolution of Culture and Cognition. Harvard University Press.
  20. Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips. Science, 333(6043), 776–778. https://doi.org/10.1126/science.1207745
  21. Camerer, C. F., et al. (2018). Evaluating the replicability of social science experiments in Nature and Science between 2010 and 2015. Nature Human Behaviour, 2, 637–644. https://doi.org/10.1038/s41562-018-0399-z
  22. Dahmani, L., & Bohbot, V. D. (2020). Habitual use of GPS negatively impacts spatial memory during self-guided navigation. Scientific Reports, 10, 6310. https://doi.org/10.1038/s41598-020-62877-0
  23. Clark, A., & Chalmers, D. (1998). The Extended Mind. Analysis, 58(1), 7–19. https://doi.org/10.1093/analys/58.1.7
  24. Park, J. S., et al. (2024). Generative Agent Simulations of 1,000 People. Versión revisada (v2, abr. 2026; v3, jun. 2026): LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals. arXiv:2411.10109. https://arxiv.org/abs/2411.10109
  25. Öhman, C. J., & Watson, D. (2019). Are the dead taking over Facebook? A Big Data approach to the future of death online. Big Data & Society, 6(1). https://doi.org/10.1177/2053951719842540
  26. Pew Research Center. (2024, 17 de mayo). When Online Content Disappears. https://www.pewresearch.org/data-labs/2024/05/17/when-online-content-disappears/
  27. Internet Archive. (2025, 22 de octubre). Celebrating 1 trillion web pages archived. https://blog.archive.org/trillion/
  28. Dawkins, R. (2024). The Genetic Book of the Dead: A Darwinian Reverie. Yale University Press.
  29. Graham-Cumming, J. (2025, 10 de junio). Low-background Steel: content without AI contamination. blog.jgc.org. https://blog.jgc.org/2025/06/low-background-steel-content-without-ai.html
  30. Tong, A., Wang, E., & Coulter, M. (2024, 22 de febrero). Exclusive: Reddit in AI content licensing deal with Google. Reuters. https://tech.yahoo.com/ai/articles/exclusive-reddit-ai-content-licensing-041012503.html
  31. Wall Street Journal. (2024, 22 de mayo). News Corp signs deal with OpenAI (con un valor reportado de más de 250 millones de dólares en cinco años).
  32. Henrich, J. (2004). Demography and Cultural Evolution: How Adaptive Cultural Processes Can Produce Maladaptive Losses — The Tasmanian Case. American Antiquity, 69(2), 197–214. https://doi.org/10.2307/4128416
  33. Kline, M. A., & Boyd, R. (2010). Population size predicts technological complexity in Oceania. Proceedings of the Royal Society B, 277(1693), 2559–2564. https://doi.org/10.1098/rspb.2010.0452
  34. Brown et al. (2020), arXiv:2005.14165; Hoffmann et al. (2022), arXiv:2203.15556; Touvron et al. (2023), arXiv:2307.09288; Llama Team (2024), arXiv:2407.21783; Qwen Team (2025), Qwen3; Meta (2025), Llama 4; DeepSeek (2026), DeepSeek-V4. https://qwenlm.github.io/blog/qwen3/
  35. Cálculo de los autores: 200 palabras/min × 60 × 8 h × 365 × 80 años ≈ 2.800 millones de palabras ≈ 3.700 millones de tokens (1 palabra ≈ 1,33 token). 15 billones ÷ 3.700 millones ≈ 4.000.
  36. Villalobos, P., et al. (2024). Will we run out of data? Limits of LLM scaling based on human-generated data. Proceedings of ICML 2024; Epoch AI. https://epoch.ai/publications/will-we-run-out-of-data-limits-of-llm-scaling-based-on-human-generated-data
  37. United Nations, Department of Economic and Social Affairs, Population Division. (2024). World Population Prospects 2024: Summary of Results. https://population.un.org/wpp/assets/Files/WPP2024_Summary-of-Results.pdf
  38. GBD 2021 Fertility and Forecasting Collaborators. (2024). Global fertility in 204 countries and territories, 1950–2021, with forecasts to 2100. The Lancet. https://www.healthdata.org/news-events/newsroom/news-releases/lancet-dramatic-declines-global-fertility-rates-set-transform
  39. Silver, D., et al. (2017). Mastering the game of Go without human knowledge. Nature, 550, 354–359. https://doi.org/10.1038/nature24270
  40. Silver, D., et al. (2018). A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play. Science, 362(6419), 1140–1144. https://doi.org/10.1126/science.aar6404
  41. Google DeepMind. (2025, 21 de julio). Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad. https://deepmind.google/blog/advanced-version-of-gemini-with-deep-think-officially-achieves-gold-medal-standard-at-the-international-mathematical-olympiad/
  42. Schreiner, M. (2025, 17 de septiembre). OpenAI outperforms humans and Google at the world’s top collegiate programming contest. The Decoder. https://the-decoder.com/openai-outperforms-humans-and-google-at-the-worlds-top-collegiate-programming-contest/
  43. Guo, D., et al. (2025). DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. Nature, 645, 633–638. https://doi.org/10.1038/s41586-025-09422-z
  44. Novikov, A., et al. (2025). AlphaEvolve: A coding agent for scientific and algorithmic discovery. arXiv:2506.13131. https://arxiv.org/abs/2506.13131
  45. Alon, N., Bloom, T., Gowers, W. T., et al. (2026). Remarks on the disproof of the unit distance conjecture. arXiv:2605.20695. https://arxiv.org/abs/2605.20695
  46. Feng, T., et al. (2026). Semi-Autonomous Mathematics Discovery with Gemini: A Case Study on the Erdős Problems. arXiv:2601.22401. https://arxiv.org/abs/2601.22401
  47. Silver, D., & Sutton, R. S. (2025). Welcome to the Era of Experience. Prepublicación de capítulo para Designing an Intelligence (MIT Press). https://storage.googleapis.com/deepmind-media/Era-of-Experience%20/The%20Era%20of%20Experience%20Paper.pdf
  48. Shumailov, I., et al. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755–759. https://doi.org/10.1038/s41586-024-07566-y
  49. Gerstgrasser, M., et al. (2024). Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data. arXiv:2404.01413. https://arxiv.org/abs/2404.01413
  50. Thales / Imperva. (2025, 15 de abril; 2026, 29 de abril). Bad Bot Report 2025 y 2026. https://cpl.thalesgroup.com/about-us/newsroom/2025-imperva-bad-bot-report-ai-internet-traffic
  51. Graphite. (2025, octubre; 2026, mayo). More Articles Are Now Created by AI Than Humans; AI Now Writes as Many Online Articles as Humans Do. https://graphite.io/five-percent/research/ai-now-writes-as-many-online-articles-as-humans-do
  52. Informes de resultados de Alphabet, Amazon, Meta y Microsoft (SEC, enero–julio de 2026); Bloomberg (2026, 22 de julio). Suma de los autores. https://www.bloomberg.com/news/articles/2026-07-22/google-boosts-2026-spending-estimate-to-as-much-as-205-billion
  53. Sevilla, J., & Roldán, E. (2024). Training compute of frontier AI models grows by 4–5x per year. Epoch AI. https://epoch.ai/publications/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year
  54. International Energy Agency. (2025). Energy and AI; (2026) Key Questions on Energy and AI. https://www.iea.org/reports/energy-and-ai
  55. OpenAI. (2026, 29 de septiembre). DevDay 2026, citado por The Decoder: "ChatGPT now reaches 1.2 billion people every week". https://the-decoder.com/chatgpt-now-reaches-1-2-billion-people-every-week-openai-says/
  56. Kwa, T., et al. (2025). Measuring AI Ability to Complete Long Software Tasks. arXiv:2503.14499; METR, Time Horizon 1.1 (datos al 8 de mayo de 2026). https://metr.org/time-horizons/
  57. Butlin, P., Long, R., et al. (2023). Consciousness in Artificial Intelligence: Insights from the Science of Consciousness. arXiv:2308.08708. https://arxiv.org/abs/2308.08708
  58. Ouyang, L., et al. (2022). Training language models to follow instructions with human feedback. Advances in Neural Information Processing Systems, 35. https://arxiv.org/abs/2203.02155
  59. Bush, V. (1945, julio). As We May Think. The Atlantic. https://www.theatlantic.com/magazine/archive/1945/07/as-we-may-think/303881/
  60. Bell, G., & Gemmell, J. (2009). Total Recall: How the E-Memory Revolution Will Change Everything. Dutton.
  61. Newton, C. (2016, 6 de octubre). Speak, Memory. The Verge. https://www.theverge.com/a/luka-artificial-intelligence-memorial-roman-mazurenko-bot
  62. Fagone, J. (2021, 23 de julio). The Jessica Simulation. San Francisco Chronicle. https://www.sfchronicle.com/projects/2021/jessica-simulation-artificial-intelligence/
  63. Yang, Z. (2024, 7 de mayo). Deepfakes of your dead loved ones are a booming Chinese business. MIT Technology Review. https://www.technologyreview.com/2024/05/07/1092116/deepfakes-dead-chinese-business-grief/
  64. Morris, M. R., & Brubaker, J. R. (2025). Generative Ghosts: Anticipating Benefits and Risks of AI Afterlives. Proceedings of CHI ’25. https://doi.org/10.1145/3706598.3713758
  65. Hollanek, T., & Nowaczyk-Basińska, K. (2024). Griefbots, Deadbots, Postmortem Avatars: on Responsible Applications of Generative AI in the Digital Afterlife Industry. Philosophy & Technology, 37, 63. https://doi.org/10.1007/s13347-024-00744-w
  66. Öhman, C., & Floridi, L. (2017). The Political Economy of Death in the Age of Information: A Critical Approach to the Digital Afterlife Industry. Minds and Machines, 27(4), 639–662. https://doi.org/10.1007/s11023-017-9445-2
  67. Parlamento Europeo y Consejo de la Unión Europea. (2016). Reglamento (UE) 2016/679 (RGPD), considerando 27. https://eur-lex.europa.eu/eli/reg/2016/679/oj
  68. California. (2024). Assembly Bill 1836, Chapter 258 (Civil Code §3344.1), vigente desde el 1 de enero de 2025. https://leginfo.legislature.ca.gov/faces/billNavClient.xhtml?bill_id=202320240AB1836
  69. Nueva York. (2025). S.8391 / A.8882, promulgada el 11 de diciembre de 2025.
  70. Alfonzo, A. (2026). Digital Grief and Posthumous Identity: Global Regulatory Gaps in the Era of Griefbots, Posthumous Avatars, and Grief-Oriented Generative AI. SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7176078
  71. Parfit, D. (1984). Reasons and Persons. Oxford University Press.
  72. Schneider, S. (2019). Artificial You: AI and the Future of Your Mind. Princeton University Press.
  73. Epicuro (c. 300 a. C.). Carta a Meneceo.
  74. Lucrecio (c. 50 a. C.). De la naturaleza de las cosas (De rerum natura), Libro III.
  75. White et al. (1986), Phil. Trans. R. Soc. B 314; Winding et al. (2023), Science 379; Shapson-Coe et al. (2024), Science 384; Dorkenwald et al. (2024), Nature 634; MICrONS Consortium (2025), Nature 640; Cell 189 (2026). https://doi.org/10.1038/s41586-024-07558-y
  76. Azevedo, F. A. C., et al. (2009). Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled-up primate brain. Journal of Comparative Neurology, 513(5), 532–541. https://doi.org/10.1002/cne.21974
  77. Jefferis, G., et al. (2023). Scaling up connectomics: the road to a whole mouse brain connectome. Wellcome. https://wellcome.org/reports/scaling-connectomics
  78. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? FAccT ’21, 610–623. https://doi.org/10.1145/3442188.3445922
  79. Wrangham, R. (2009). Catching Fire: How Cooking Made Us Human. Basic Books.
  80. Prisco, J. (2024, 15 de mayo). Google and Harvard unveil most detailed ever map of human brain [declaración de Jeff Lichtman]. CNN. https://www.wral.com/story/google-and-harvard-unveil-most-detailed-ever-map-of-human-brain/21433185/
  81. Nissen, H. J., Damerow, P., & Englund, R. K. (1993). Archaic Bookkeeping: Early Writing and Techniques of Economic Administration in the Ancient Near East. University of Chicago Press.
  82. Schaeken, J. (2019). Voices on Birchbark: Everyday Communication in Medieval Russia. Brill.
  83. Rosen, J. (2008, 27 mar.). Researchers Play Tune Recorded Before Edison. The New York Times. https://www.nytimes.com/2008/03/27/arts/27soun.html
  84. Raup, D. M. (1991). Extinction: Bad Genes or Bad Luck? W. W. Norton.
  85. Elhacham, E., Ben-Uri, L., Grozovski, J., Bar-On, Y. M., & Milo, R. (2020). Global human-made mass exceeds all living biomass. Nature, 588, 442–444. https://doi.org/10.1038/s41586-020-3010-5
  86. Bennett, C. E., et al. (2018). The broiler chicken as a signal of a human reconfigured biosphere. Royal Society Open Science, 5, 180325. https://doi.org/10.1098/rsos.180325
  87. Gilbert, W. (1986). Origin of life: The RNA world. Nature, 319, 618. https://doi.org/10.1038/319618a0
  88. Youyou, W., Kosinski, M., & Stillwell, D. (2015). Computer-based personality judgments are more accurate than those made by humans. PNAS, 112(4), 1036–1040. https://doi.org/10.1073/pnas.1418680112
  89. Binz, M., et al. (2025). A foundation model to predict and capture human cognition. Nature, 644, 1002–1009. https://doi.org/10.1038/s41586-025-09215-4
  90. Zheng, J., & Meister, M. (2025). The unbearable slowness of being: Why do we live at 10 bits/s? Neuron, 113(2), 192–204. https://doi.org/10.1016/j.neuron.2024.11.008
  91. Cálculo de los autores: 10 bits/s × 3.600 × 16 h × 365,25 × 80 años ≈ 1,7 × 1010 bits ≈ 2,1 GB. Genoma: 3.100 millones de pares de bases × 2 bits ≈ 0,78 GB.
  92. Mollica, F., & Piantadosi, S. T. (2019). Humans store about 1.5 megabytes of information during language acquisition. Royal Society Open Science, 6, 181393. https://doi.org/10.1098/rsos.181393
  93. Goffman, E. (1959). The Presentation of Self in Everyday Life. Anchor Books.
  94. Morris, J. X., et al. (2025). How much do language models memorize? arXiv:2505.24832. https://arxiv.org/abs/2505.24832
  95. Bartz v. Anthropic PBC, U.S. District Court, N.D. Cal., 3:24-cv-05417-WHA. Resolución sobre uso legítimo (23 jun. 2025) y acuerdo colectivo (sept. 2025).
  96. Anthropic. (2025, 4 nov.). Commitments on model deprecation and preservation. https://www.anthropic.com/research/deprecation-commitments
  97. GitHub. (2020). GitHub Archive Program: Arctic Code Vault. https://archiveprogram.github.com/arctic-vault/
  98. Coupé, C., Oh, Y. M., Dediu, D., & Pellegrino, F. (2019). Different languages, similar encoding efficiency: Comparable information rates across the human communicative niche. Science Advances, 5(9), eaaw2594. https://doi.org/10.1126/sciadv.aaw2594
  99. Hinton, G. (2022). The Forward-Forward Algorithm: Some Preliminary Investigations (sección sobre la «computación mortal»). arXiv:2212.13345. https://arxiv.org/abs/2212.13345
  100. Frank, M. C. (2023). Bridging the data gap between children and large language models. Trends in Cognitive Sciences, 27(11), 990–992. https://doi.org/10.1016/j.tics.2023.08.007
  101. Cloud, A., et al. (2026). Language models transmit behavioural traits through hidden signals in data. Nature, 652, 615–621. Prepublicación: https://arxiv.org/abs/2507.14805
  102. Jones, C. I. (2022). The End of Economic Growth? Unintended Consequences of a Declining Population. American Economic Review, 112(11), 3489–3527. https://doi.org/10.1257/aer.20201605
  103. Bloom, N., Jones, C. I., Van Reenen, J., & Webb, M. (2020). Are Ideas Getting Harder to Find? American Economic Review, 110(4), 1104–1144. https://doi.org/10.1257/aer.20180338
  104. The Korea Times. (2026, 26 ago.). Korea’s births rise 6.7% to 254,300 in 2025. https://koreatimes.co.kr/southkorea/society/20260826/koreas-births-rise-67-to-254300-in-2025
  105. Shin, M., Kim, J., van Opheusden, B., & Griffiths, T. L. (2023). Superhuman artificial intelligence can improve human decision-making by increasing novelty. PNAS, 120(12), e2214840120. https://doi.org/10.1073/pnas.2214840120
  106. Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589; Varadi, M., et al. (2024). AlphaFold Protein Structure Database in 2024. Nucleic Acids Research, 52(D1), D368–D375; The Nobel Prize in Chemistry 2024. https://doi.org/10.1038/s41586-021-03819-2
  107. Kakaes, K. (2026, 8 sept.). AI Has Solved One of Math’s $1 Million Millennium Prize Problems. Quanta Magazine. https://www.quantamagazine.org/ai-has-solved-one-of-maths-1-million-millennium-prize-problems-20260908/
  108. Kakaes, K. (2026, oct.–nov.). Transformation [columna]. Quanta Magazine. https://www.quantamagazine.org/update/169054/
  109. Jones, C. R., & Bergen, B. K. (2025). Large Language Models Pass the Turing Test. arXiv:2503.23674. https://arxiv.org/abs/2503.23674
  110. Mehl, M. R., et al. (2007). Are Women Really More Talkative Than Men? Science, 317(5834), 82. https://doi.org/10.1126/science.1139940; Tidwell, C. A., et al. (2025). Are women really (not) more talkative than men? A registered report of binary gender similarities/differences in daily word use. Journal of Personality and Social Psychology.
  111. Pichai, S. (2026, 20 may.). Google I/O 2026, citado por Digit. https://www.digit.in/features/general/google-io-2026-sundar-pichai-gave-numbers-to-explain-rapid-ai-adoption.html Cálculo de los autores para el habla: 8.200 millones de personas × 13.000–16.000 palabras/día × 30 días ≈ 3,2–3,9 × 1015 palabras al mes.
  112. Salvi, F., Horta Ribeiro, M., Gallotti, R., & West, R. (2025). On the conversational persuasiveness of GPT-4. Nature Human Behaviour, 9, 1645–1653. https://doi.org/10.1038/s41562-025-02194-6
  113. Ayers, J. W., et al. (2023). Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Internal Medicine, 183(6), 589–596. https://doi.org/10.1001/jamainternmed.2023.1838
  114. Porter, B., & Machery, E. (2024). AI-generated poetry is indistinguishable from human-written poetry and is rated more favorably. Scientific Reports, 14, 26133. https://doi.org/10.1038/s41598-024-76900-1
  115. Associated Press. (2025, 8 may.). He was killed in a road-rage shooting. AI allowed him to deliver his own victim impact statement. https://www.ksl.com/article/51309381/he-was-killed-in-a-road-rage-shooting-ai-allowed-him-to-deliver-his-own-victim-impact-statement
  116. Klass, D., Silverman, P. R., & Nickman, S. L. (Eds.). (1996). Continuing Bonds: New Understandings of Grief. Taylor & Francis.
  117. Spalding, K. L., Bhardwaj, R. D., Buchholz, B. A., Druid, H., & Frisén, J. (2005). Retrospective birth dating of cells in humans. Cell, 122(1), 133–143. https://doi.org/10.1016/j.cell.2005.04.028
  118. Lappalainen, J. K., et al. (2024). Connectome-constrained networks predict neural activity across the fly visual system. Nature, 634, 1132–1140; Shiu, P. K., et al. (2024). A Drosophila computational brain model reveals sensorimotor processing. Nature, 634, 210–219. https://doi.org/10.1038/s41586-024-07763-9
  119. Cairns-Smith, A. G. (1982). Genetic Takeover and the Mineral Origins of Life. Cambridge University Press.
  120. Sagan [Margulis], L. (1967). On the origin of mitosing cells. Journal of Theoretical Biology, 14(3), 225–274. https://doi.org/10.1016/0022-5193(67)90079-3
  121. Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv:2507.09089. https://arxiv.org/abs/2507.09089

··Autoría, método y transparencia

Autoría. La intuición original es de Kaká Werncke: que la cantidad de información que dejamos en internet prepara una próxima etapa de la inteligencia, y que un agente podría continuar la historia de una persona cuando esta ya no esté. El desarrollo de la teoría, la investigación, la redacción y las figuras se realizaron en colaboración con Claude, un modelo de IA de Anthropic. Lo declaramos porque es lo correcto y porque el propio ensayo es un ejemplo de lo que describe.

Método. Los datos se verificaron en fuentes primarias o en medios de referencia hasta el 18 de noviembre de 2026. Cada afirmación importante lleva su nivel de evidencia (A, B o C). Las probabilidades de las predicciones son estimaciones de los autores, no resultados de un modelo estadístico formal.

Límites. Este es un ensayo científico publicado sin revisión por pares. Las correcciones son bienvenidas y se registrarán en nuevas versiones, con fecha.

Qué cambió en la versión 2.0 (18 de noviembre de 2026). Añadimos: la explicación del término «fósil» y de nuestro fósil físico (sección 1); el precedente del ARN (sección 4); el techo de fidelidad, la cuenta de cuánto pesa una vida y el sesgo tafonómico (sección 6); el ancho de banda de la herencia, su costo y la herencia lateral (sección 7); AlphaFold, el efecto de AlphaGo sobre los jugadores humanos y los resultados de matemáticas de septiembre a noviembre de 2026 (sección 8); las inversiones de Turing y del habla (sección 9); la presión sobre los últimos verificadores (sección 10); el caso Pelkey y el carbono 14 de las neuronas (sección 11); los modelos que ejecutan el conectoma de la mosca (sección 12); una sección nueva sobre los tres desenlaces de una sucesión (sección 14); tres predicciones (P11 a P13) y tres objeciones. Las diez predicciones originales y sus probabilidades no se modificaron. La versión 1.0 es del 30 de septiembre de 2026.

Cómo citarWerncke, K., y Claude (Anthropic). (2026). El Fósil Completo: una teoría de la sucesión informacional (Versión 2.0). PERCEBIDO. https://percebido.com/blog/es/el-fosil-completo