Lilian Weng anunció el martes 29 de julio que dejaba Thinking Machines Lab, el laboratorio que cofundó con Mira Murati, la ex-CTO de OpenAI. La razón declarada: estrés y enfermedad. Había estado enferma más veces en los últimos siete meses que en ningún otro momento de su vida, escribió en X. «La carga de trabajo y el estrés consistentes me han llevado más allá de lo que mi salud puede sostener físicamente.» Quería algo «más predecible y acotado» mientras seguía en IA. El miércoles, OpenAI confirmó que se reincorporaba para trabajar en mejora autónoma recursiva — el área que busca usar modelos de IA para construir mejores modelos de IA.
La ironía es tan evidente que el propio artículo de TNW la señala: «Weng quería un carril más lento. Consiguió el problema más veloz del campo.»
Quién es Lilian Weng y por qué importa su movimiento
Lilian Weng no es una figura secundaria. Fue jefa de investigación de seguridad en OpenAI durante años antes de cofundar Thinking Machines. Su trabajo incluye contribuciones a la investigación de RL (reinforcement learning) que tienen decenas de miles de citas en la literatura académica. Su blog de ML — lileianweng.github.io — es uno de los recursos más seguidos en la comunidad de investigadores de IA para entender técnicas avanzadas desde primeros principios.
El trabajo de mejora autónoma recursiva (recursive self-improvement) al que vuelve en OpenAI es uno de los problemas más estratégicamente críticos del campo: cómo diseñar sistemas de IA que sean capaces de mejorar su propio rendimiento sin requerir constantemente intervención humana para rediseñar la arquitectura o los objetivos. Es el camino hacia modelos que se vuelven más capaces de forma continua, no en saltos discretos definidos por lanzamientos de los labs.
El patrón de salud que la industria no estaba esperando
Weng no es la única. La misma semana, Fidji Simo — que había asumido el papel de número dos en OpenAI — también dejó su puesto, citando un brote de enfermedad crónica. En enero de 2026, Greg Yang, cofundador de xAI (el lab de IA de Elon Musk), pasó a un rol asesor tras un diagnóstico de enfermedad de Lyme, diciendo que necesitaba «ir al modo founder» con su salud.
El patrón es notable: son mayoritariamente personas que ocupan el nivel inmediatamente por debajo del CEO, las que llevan el peso operativo de labs que corren en modo de máxima aceleración. Los CEOs — Altman, Murati, Amodei — siguen en su puesto. Los que asumen la carga de implementar esa visión son los que colapsan.
Los labs de IA en California operan habitualmente en lo que se llama «996»: de 9am a 9pm, seis días a la semana. No todos los equipos, pero sí los de proyectos de mayor prioridad. Claude Sonnet 5 de Anthropic, lanzado como modelo agentivo de nueva generación, es parte del contexto de aceleración que define el ritmo de trabajo: cada trimestre hay que lanzar algo significativo o quedar atrás.
Thinking Machines: el laboratorio que se queda sin fundadores
Para mayo de 2026, 13 de los 42 miembros fundadores de Thinking Machines Lab habían abandonado, incluyendo 3 de sus 6 cofundadores. Meta y OpenAI llevaban meses haciendo «raids» de talento con paquetes salariales muy generosos. Con la salida de Weng, la lab pierde a una cofundadora clave.
Thinking Machines lanzó su primer modelo open-weight llamado Inkling mientras Weng estaba en el proceso de salida — al modelo lo sacó el equipo mientras ella intentaba descansar sin conseguirlo. Mira Murati respondió al anuncio de Weng con: «Te vamos a echar de menos. Me alegra que estés priorizando tu salud.»
El modelo de Thinking Machines puede sobrevivir la pérdida de Weng — Murati sigue ahí, y el equipo restante es extraordinariamente capacitado. Pero el patrón de pérdidas de talent revela la presión que existe sobre quienes construyen en estos labs. DeepSeek, que cerró en junio de 2026 una ronda de $7.400 millones, y Kimi K3 de Moonshot AI, el modelo open-weight que compite con los mejores americanos, son ejemplos de la carrera de talento global que hace que los labs americanos trabajen sin pausa. La carrera por el talento es global y los costes personales son reales.
Mi valoración
Lo que más me incomoda de la historia de Lilian Weng no es que haya salido de Thinking Machines — era su decisión y parece correcta para ella. Es que volvió a OpenAI en dos días para trabajar en el problema más exigente del campo después de declarar que el ritmo era insostenible. Eso no parece el resultado de una negociación por un rol «más predecible y acotado». Parece el resultado de un campo que no tiene espacio para la salida duradera de personas en su nivel.
Lo que más me convence es que al menos Weng hizo pública la razón de su salida. La cultura del sector tecnológico tiende a normalizar el burnout hasta que alguien colapsa en privado. Nombrar el problema públicamente crea presión para que se hable de él.
Preguntas frecuentes
¿Qué es la mejora autónoma recursiva en IA?
Recursive self-improvement es el área que estudia cómo diseñar sistemas de IA que puedan mejorar sus propias capacidades sin que los investigadores humanos tengan que rediseñar manualmente la arquitectura o los objetivos. En la práctica, incluye técnicas como el autoaprendizaje a partir de feedbacks del propio modelo, el uso de un modelo para generar datos de entrenamiento que mejoran versiones futuras del mismo modelo, y la búsqueda de arquitecturas de red neuronal más eficientes de forma automatizada. Es uno de los campos más activos y estratégicamente más importantes de la investigación de IA frontera.
¿Thinking Machines Lab seguirá operando sin Weng?
Sí. Mira Murati sigue como fundadora y CEO. La lab conserva un equipo técnico significativo y ha lanzado ya su primer modelo (Inkling) durante la salida de Weng. La pérdida es real — Weng era una de las investigadoras más reconocidas del campo — pero Thinking Machines tiene suficiente base como para continuar. La pregunta más estratégica es si puede evitar que más talent siga el mismo camino hacia labs con paquetes más generosos.
¿Cuánto llevan abiertos los laboratorios como Thinking Machines?
Thinking Machines Lab se fundó en 2024. En ese tiempo ha pasado de cero a un equipo de docenas de personas, ha lanzado un modelo open-weight y ha conseguido financiación significativa. Por comparación, Anthropic se fundó en 2021 y tardó dos años en lanzar su primer modelo comercial. SSI (Safe Superintelligence de Ilya Sutskever) se fundó en 2024 y lleva dos años en sigilo total. Thinking Machines ha ido rápido dado el ritmo de la industria.