Mythos y el salto cualitativo que cambia nuestra relación con la IA.

A principios de junio de 2026, Ethan Mollick —investigador de referencia en el uso práctico de la inteligencia artificial— publicó sus impresiones tras probar en primicia el primer modelo de la nueva clase Mythos. Sus conclusiones merecen atención, no por el entusiasmo que generan, sino por la incomodidad que también describen.

Un modelo que trabaja durante horas, no segundos

Lo primero que llama la atención en su análisis es la escala temporal. El modelo fue capaz de ejecutar tareas complejas durante hasta doce horas seguidas, partiendo de especificaciones de varias páginas.

Eso no es una mejora incremental. Es un cambio de categoría. Hasta ahora, los modelos de lenguaje respondían. Este planifica, ejecuta y entrega.

En todos los experimentos que realizó, el modelo superó con claridad a cualquier otro sistema público que hubiera probado antes. Y lo hizo en dominios muy distintos: desde redacción académica hasta generación de juegos interactivos.

Lo que los juegos nos dicen sobre la capacidad real

Para ilustrar el salto sin perderse en tecnicismos, Mollick encargó al modelo varios juegos funcionales. Cada uno partió de un único mensaje inicial, con alguna indicación mínima de mejora posterior.

Lo relevante no es que los juegos sean entretenidos —que lo son—, sino las condiciones en las que se crearon: sin imágenes externas, sin recursos gráficos prediseñados. Toda la representación visual se construyó mediante cálculo matemático puro.

Eso es exactamente el tipo de resultado que resulta difícil de comunicar en un artículo: cuando lo ves funcionar, parece magia. Cuando intentas explicarlo, parece exageración.

El problema de comunicar lo que no cabe en capturas de pantalla

Mollick reconoce abiertamente una limitación editorial: los resultados más impresionantes solo interesan a una fracción pequeña de lectores. Un artículo académico de ciencias sociales generado desde un único mensaje puede ser extraordinario para quien trabaja en investigación, y completamente irrelevante para quien no.

Hemos visto este problema antes con cada generación de modelos. La brecha entre lo que un sistema puede hacer y lo que la mayoría de personas sabe pedirle sigue siendo enorme. Y esa brecha no la cierra la tecnología sola.

Delicia e incomodidad: dos caras del mismo cambio

La parte más honesta del análisis de Mollick es también la más incómoda. Describe su experiencia con el modelo como algo situado entre lo delicioso y lo perturbador.

«Delicioso porque pedí algo y ocurrió. Perturbador porque pedí algo y ocurrió.»

La misma frase, dos lecturas opuestas. Eso resume bien el momento en que estamos.

Cuando una herramienta hace exactamente lo que le pides sin fricción visible, la sensación de control se vuelve extraña. Ya no negocias con el sistema, no iteras sobre un borrador, no corriges errores evidentes. Simplemente recibes.

Qué implica esto para quienes trabajamos con IA a diario

No estamos ante una herramienta que hace lo mismo de antes pero más rápido. Estamos ante un cambio en la naturaleza de la colaboración entre persona y modelo.

Hasta ahora, trabajar con un modelo de lenguaje requería cierta habilidad para guiarlo, corregirlo y compensar sus limitaciones. Ese proceso tenía fricción, pero también transparencia: veías dónde fallaba y podías intervenir.

Si los nuevos modelos reducen esa fricción de forma drástica, también reducen los puntos donde el criterio humano entra en juego. Eso no es necesariamente malo, pero sí exige que seamos más conscientes de cuándo queremos mantener ese control y cuándo tiene sentido cederlo.

Una nota sobre lo que este artículo no puede confirmar

Somos cuidadosos con las fuentes. El análisis de Mollick es riguroso y su historial de evaluación de modelos es sólido, pero se trata de una experiencia individual con acceso anticipado. Los resultados en condiciones de uso masivo pueden diferir.

Lo que sí podemos decir con seguridad: si incluso una parte de lo que describe se mantiene en uso general, las implicaciones para el trabajo creativo, la investigación y la producción de contenido son considerables. Y conviene estar pensando en ellas ahora, no cuando ya sean evidentes para todo el mundo.

Fuente original

One Useful Thing: What it feels like to work with Mythos