--- title: "Inherent, fundada por exalumnos de DeepMind, dice que su «compañero» de IA superó a Anthropic y OpenAI replicando investigación" description: "El laboratorio británico Inherent asegura que Faraday, su agente construido sobre un modelo de 27.000 millones de parámetros, superó a Claude Opus 4.8 y GPT-5.5 reproduciendo hallazgos de papers científicos." slug: "inherent-faraday-modelo-27b-supera-claude-opus-gpt-5-5-26-08-23" canonical: "https://www.revenuehublatam.com/noticias/ia-ventas/inherent-faraday-modelo-27b-supera-claude-opus-gpt-5-5-26-08-23" language: "es" section: "Noticias" category: "IA en Ventas" published: "2026-08-24T01:18:00+00:00" updated: "2026-08-24T01:18:00+00:00" tags: ["Inherent", "Faraday", "agentes de IA", "Anthropic", "OpenAI", "modelos pequeños"] keywords: ["Faraday Inherent agente IA", "Claude Opus 4.8 vs GPT-5.5", "modelo pequeño supera modelo grande", "Qwen 3.6 27B parametros", "costo modelos IA empresas Chile", "agentes IA Latinoamerica", "aprendizaje por refuerzo agentes"] source_name: "TechCrunch" source_url: "https://techcrunch.com/2026/08/22/inherent-founded-by-deepmind-alumni-says-its-ai-teammate-just-outperformed-anthropic-and-openai-at-replicating-research/" publisher: "Revenue Hub Latam" publisher_url: "https://www.revenuehublatam.com" --- # Inherent, fundada por exalumnos de DeepMind, dice que su «compañero» de IA superó a Anthropic y OpenAI replicando investigación > Inherent, un laboratorio de inteligencia artificial de Londres fundado por exalumnos de Google DeepMind, publicó Faraday, un agente que según la empresa superó a Claude Opus 4.8 de Anthropic y a GPT-5.5 de OpenAI en una tarea concreta: reproducir de forma independiente los hallazgos de papers científicos publicados, sin conocer la respuesta de antemano. Lo relevante es el tamaño: Faraday corre sobre Qwen 3.6, un modelo de apenas 27.000 millones de parámetros, muy inferior a los sistemas frontera con los que se comparó. La startup levantó 50 millones de dólares en ronda semilla. **Inherent**, un laboratorio de inteligencia artificial con sede en Londres fundado por exalumnos de Google DeepMind, afirma que su agente acaba de superar a modelos mucho más grandes de Anthropic y OpenAI usando una fracción de su tamaño. Semanas después de salir del anonimato con una ronda semilla de **50 millones de dólares**, la startup británica dice que su agente recién lanzado, **Faraday**, superó a modelos más grandes y conocidos en una tarea específica: reproducir de forma independiente los hallazgos de papers científicos publicados, sin que se le entregue la respuesta de antemano. ## ¿Por qué importa que un modelo de 27.000 millones de parámetros gane? Medido contra **Claude Opus 4.8** de Anthropic y **GPT-5.5** de OpenAI, ambos sistemas de escala frontera, Faraday corre sobre un modelo comparativamente diminuto llamado **Qwen 3.6**, de apenas 27.000 millones de parámetros. Los parámetros funcionan como aproximación del tamaño de un modelo y, en general, de su costo de entrenamiento. Ese contraste es el dato de negocio de la noticia: para tareas acotadas y bien definidas, la arquitectura del agente y el método de entrenamiento pueden pesar más que el tamaño bruto del modelo base. ## ¿Qué es replicar un paper y por qué lo eligieron como prueba? Puede sonar a truco de salón dado el objetivo mucho más ambicioso de Inherent, que es construir inteligencia artificial capaz de descubrir conocimiento nuevo y no solo verificar resultados viejos. Pero la replicación de papers también es un ejercicio estándar de formación para científicos humanos, según explicó el cofundador y científico jefe **Edward Hughes**: «Muchos estudiantes de doctorado empiezan haciendo esto». Ganarles a otros sistemas de IA no era el punto, dijo Hughes; el punto era cómo llegaron ahí. «Lo que más nos interesó de esto no fue tanto el resultado de superar a esos agentes frontera, que por supuesto nos gustó, sino la forma en que construimos esto». ## ¿Cómo entrenaron el «criterio» del agente? La vara de Inherent iba más allá de la exactitud. Además de replicar resultados, la empresa quería que Faraday demostrara «criterio de investigación», es decir, un instinto sobre qué experimentos vale la pena correr y cómo diseñarlos bien. Enseñar algo tan intangible es difícil, y ahí entra el **aprendizaje por refuerzo**, un método que premia buenos resultados en lugar de detallar reglas a seguir. Esa decisión también definió lo que Inherent eligió no construir: en vez de desarrollar su propia herramienta de programación, hizo que Faraday usara GPT-5.5 Codex de OpenAI, del mismo modo en que un científico humano se apoya en software existente en lugar de construir todo desde cero. La compañía también busca evitar agentes que simplemente digan al usuario lo que quiere escuchar. El modelo, según Hughes, es su tipo favorito de colega: el que vuelve y dice «me dio curiosidad esto, fui e hice estos experimentos, ¿qué te parecen estos resultados?». ## ¿Qué se lleva un equipo comercial de Chile y Latinoamérica? Inherent opera con una docena de empleados, todos presenciales en una oficina de King's Cross, y planea crecer a «entre 20 y 25» a fin de año. Hughes también se sumó a los llamados a terminar con el «garden leave», la práctica británica de impedir que un empleado que renuncia se sume a un competidor durante meses, una restricción que los investigadores estadounidenses en general no enfrentan. Para las empresas B2B en Chile y Latinoamérica, el titular útil no es quién ganó el benchmark, sino que un equipo de doce personas con un modelo base pequeño pueda competir en una tarea específica contra laboratorios con miles de millones en cómputo. ## Análisis de Revenue Hub Este resultado ataca directamente el supuesto más caro que tienen hoy muchos comités de tecnología en la región: que para obtener buen desempeño de inteligencia artificial hay que pagar el modelo más grande disponible. Faraday sugiere lo contrario para tareas acotadas. Y casi todo lo que un equipo comercial necesita automatizar (calificar leads, resumir llamadas, limpiar datos de CRM, redactar seguimientos) es exactamente una tarea acotada, no un problema de razonamiento abierto. La decisión práctica es empezar a separar el portafolio de casos de uso en dos cajas. En la primera, tareas repetitivas de alto volumen donde un modelo chico bien orquestado baja el costo unitario en un orden de magnitud. En la segunda, un puñado de tareas de razonamiento complejo donde sí conviene pagar frontera. Hoy la mayoría de las empresas paga precio de frontera para las dos cajas, sin haberlas separado nunca. La advertencia honesta: un resultado autoreportado por la propia startup, sobre un benchmark que ella misma diseñó, no es evidencia independiente. Trátalo como una hipótesis a probar en tu operación, no como un hecho. La forma correcta de validarlo es un piloto con tus propios datos y tu propia métrica de negocio. Puedes revisar más criterios de evaluación en nuestro [blog](/blog) y seguir la cobertura en [IA en ventas](/noticias/ia-ventas). ## Preguntas frecuentes ### ¿Qué es Faraday de Inherent? Es un agente de inteligencia artificial lanzado por Inherent, un laboratorio de Londres fundado por exalumnos de Google DeepMind, diseñado para reproducir de forma independiente los hallazgos de papers científicos publicados sin conocer la respuesta previamente. ### ¿Faraday es mejor que Claude Opus 4.8 y GPT-5.5? Según Inherent, Faraday superó a ambos en la tarea específica de replicar hallazgos de papers. No es una comparación de capacidad general, y el resultado es autoreportado por la propia empresa, no verificado de forma independiente. ### ¿Sobre qué modelo corre Faraday? Corre sobre Qwen 3.6, un modelo de 27.000 millones de parámetros, considerablemente más pequeño que los sistemas frontera con los que se comparó. Para programar, Faraday usa GPT-5.5 Codex de OpenAI. ### ¿Qué significan los parámetros de un modelo de IA? Son una aproximación del tamaño del modelo y, típicamente, de su costo de entrenamiento y de inferencia. Más parámetros no garantizan mejor desempeño en tareas específicas y bien acotadas. ### ¿Cuánto financiamiento levantó Inherent? Levantó una ronda semilla de 50 millones de dólares antes de salir del anonimato. La empresa tiene alrededor de una docena de empleados y planea crecer a entre 20 y 25 hacia fin de año. ### ¿Qué es el aprendizaje por refuerzo en este contexto? Es un método de entrenamiento que premia al sistema por buenos resultados en lugar de darle reglas explícitas. Inherent lo usa para intentar que sus agentes desarrollen «criterio de investigación», es decir, qué experimentos vale la pena correr. ### ¿Un modelo pequeño sirve para tareas de ventas y marketing? Para tareas acotadas y repetitivas como calificar leads, resumir llamadas o limpiar datos de CRM, un modelo pequeño bien orquestado suele ser suficiente y mucho más barato. Las tareas de razonamiento abierto siguen favoreciendo a los modelos frontera. ### ¿Cómo debería evaluar esto una empresa en Chile o Latinoamérica? Con un piloto acotado sobre datos propios y una métrica de negocio definida. Los benchmarks autoreportados de un proveedor son una hipótesis a probar, no evidencia aplicable directamente a tu operación. --- Fuente original: [TechCrunch](https://techcrunch.com/2026/08/22/inherent-founded-by-deepmind-alumni-says-its-ai-teammate-just-outperformed-anthropic-and-openai-at-replicating-research/) (techcrunch.com)