Mark Chen y Jakub Pachocki, cerebros detrás de OpenAI: "Nuestra IA está empezando a idear soluciones que nadie había contemplado"
Elígenos como tu fuente preferida en Google.
Ambos investigadores lideran la evolución de los modelos de IA de OpenAI, que están centrados en ofrecer capacidades como razonamiento, codificación y matemáticas avanzadas.
Aunque Sam Altman representa públicamente el rumbo de OpenAI, el núcleo de la compañía está en manos de Mark Chen y Jakub Pachocki. Son ellos quienes marcan el ritmo real del avance, quienes diseñan los modelos que ahora impulsan desde ChatGPT hasta DALL·E, y quienes llevan sobre sus hombros la ambición de construir una inteligencia artificial general avanzada.
La compañía ha dejado de ser el laboratorio enfocado en especular sobre el futuro, pero hoy compite con gigantes como Google o Meta, lanza productos de uso masivo y acumula millones de usuarios semanales. Esa transformación ha sido liderada internamente por estos dos investigadores.
Ambos están convencidos de que la clave del progreso real no está en la apariencia de los sistemas inteligentes, sino en lo que estos son capaces de razonar, programar y resolver cuando se enfrentan a problemas complejos.
A través de su propio trabajo, los dos ingenieros explican cómo gestionan la tensión permanente entre lanzar productos útiles y mantener una investigación que no pierda ambición. Su visión es clara, donde la inteligencia general no llegará por intuición, sino por dominar las habilidades que definen el pensamiento computacional avanzado.
Detrás de OpenAI hay más que Sam Altman
Mientras Altman defiende la misión de la empresa en foros públicos, Mark Chen y Jakub Pachocki son los responsables de lo que ocurre dentro de los modelos de IA. Chen, es investigador clave en los primeros sistemas de visión por IA como DALL·E.
Pachocki, por su parte, es hoy director de investigación, y juntos lideran los equipos que entrenan los modelos más avanzados de OpenAI, incluidos los últimos sistemas de codificación y razonamiento que han dado el salto a herramientas como o1 y o3.
Para ellos, el discurso público es secundario, lo relevante ocurre en el rendimiento técnico, en la consistencia matemática y en la forma en la que la IA es capaz de comprender, estructurar y resolver problemas. Su objetivo no es construir algo que impresione, sino algo que funcione.
Cuando un modelo de OpenAI obtiene una medalla de oro en la Olimpiada Internacional de Matemáticas o queda segundo en la plataforma de programación AtCoder, no se trata de una anécdota. Son pruebas reales de que los modelos empiezan a resolver tareas de alto nivel con una precisión comparable —e incluso superior— a la humana.
Tanto Chen como Pachocki ven en estos logros señales de algo más profundo, que la IA está aprendiendo a pensar desde estructuras formales, no solo desde ejemplos. Ellos mismos han participado en competiciones de este tipo y valoran su exigencia como métrica para medir avances concretos.
El salto de OpenAI hacia los productos de consumo masivo no ha diluido su vocación investigadora. Hoy sus modelos están integrados en plataformas empresariales, asistentes de código, motores gráficos e incluso en soluciones educativas. Pero nada de eso ha desplazado su objetivo de crear sistemas capaces de resolver problemas que exigen razonamiento profundo.
Para ambos ingenieros, lanzar productos es también una forma de entrenar mejor a los modelos, las interacciones reales sirven para detectar límites, ajustar comportamientos y perfeccionar capacidades. Lo importante, aseguran, es mantener el equilibrio, desarrollar herramientas útiles sin perder el horizonte de lo que aún está por descubrir.
Qué significa construir una IA realmente capaz
En su visión, la inteligencia general no es una promesa vaga, es el resultado de dominar habilidades específicas, como codificación estructurada, lógica matemática y comprensión contextual. Las capacidades más valiosas no son las que generan texto, sino las que permiten resolver ecuaciones, analizar código, encontrar errores o demostrar teoremas.
La diferencia clave, afirman, es que los modelos ya no solo imitan patrones, sino que empiezan a generar soluciones que nadie les ha mostrado. Respuestas originales que nacen de deducciones internas, no de copiar ejemplos previos. Eso, según ellos, es el comienzo real de una IA creativa.
Durante un tiempo, OpenAI mantuvo un equipo separado dedicado a estudiar los riesgos de una superinteligencia desalineada, liderado por Ilya Sutskever. Pero ese grupo ya no existe, según Chen y Pachocki, el nuevo enfoque consiste en integrar la seguridad dentro del desarrollo como parte del diseño del sistema desde su base.
¿Qué falta para alcanzar la AGI? A pesar del progreso, reconocen que los modelos actuales aún fallan en encadenar pasos complejos sin ayuda. Falta continuidad lógica, persistencia, pero sobre todo capacidad de dedicar tiempo autónomo a resolver un mismo problema durante varias fases.
Chen y Pachocki creen que están justo al inicio de una nueva etapa, una donde los modelos no solo produzcan respuestas rápidas, sino que aprendan a reflexionar en ciclos más largos. Esa capacidad —no el número de tokens— marcará la frontera entre una IA avanzada y una AGI.