Durante años, la manera de mejorar un modelo fue invertir más cómputo en entrenarlo (leyes de escalamiento). El cómputo en inferencia es el otro grifo: gastar más cálculo cada vez que el modelo responde. Como cada token generado es una pasada completa por la red, escribir más antes de responder equivale a pensar más. La cadena de pensamiento ya funcionaba así: permite distribuir más cálculo sobre el proceso de razonamiento (Alammar y Grootendorst, 2024, p. 185). Otra variante es la autoconsistencia: generar varias respuestas con muestreo y quedarse con la que más se repite (Alammar y Grootendorst, 2024, p. 188).
El giro de 2024 fue entrenar modelos para aprovechar esta vía. Al presentar o1, OpenAI informó que su desempeño mejora de forma consistente con más aprendizaje por refuerzo (cómputo de entrenamiento) y con más tiempo de pensamiento (cómputo en inferencia) (OpenAI, 2024). DeepSeek mostró en abierto algo parecido: R1-Zero, entrenado solo con refuerzo sobre problemas con respuestas verificables, aprendió por sí solo a escribir razonamientos cada vez más largos, de cientos a miles de tokens, e incluso tuvo un «aha moment» (momento eureka) en el que empezó a usar la palabra wait para revisar lo que venía haciendo (Guo et al., 2025). Ver Modelo de razonamiento (o1, R1).
La idea tiene consecuencias prácticas: responder cuesta más, y el costo pasa del laboratorio que entrena al usuario que pregunta. Y tiene una lectura filosófica tentadora: Alammar y Grootendorst (2024) asocian la generación directa con el pensamiento rápido e intuitivo («Sistema 1») y el razonamiento explícito con el lento y deliberado («Sistema 2») (2024, p. 185). Pero la analogía tiene un límite. Que el texto intermedio mejore la respuesta no prueba que sea el razonamiento que la produce; y un modelo que «piensa más» no sabe más, solo explora más. ¿Es la deliberación una cuestión de cantidad de cálculo?