Inherent, un laboratorio de IA londinense fundado por ex alumnos de Google DeepMind, dice que su agente de IA acaba de superar a modelos mucho más grandes de Anthropic y OpenAI usando una fracción de su tamaño.

De todas las startups lanzadas por ex alumnos de DeepMind, Inherent ha recibido relativamente poca atención. Pero mientras rivales mejor financiados todavía no han mostrado nada concreto al mundo, el equipo londinense está empezando a compartir lo que ha estado construyendo.

Semanas después de salir del stealth con una ronda semilla de 50 millones de dólares, la startup británica afirma que su agente de IA recién lanzado, Faraday, ha superado a modelos más grandes y conocidos en una tarea específica: reproducir de forma independiente los hallazgos de papers científicos publicados, sin que se le diga la respuesta de antemano.

Puede sonar a truco de feria, dado el objetivo mucho más ambicioso de Inherent — construir IA capaz de descubrir nuevo conocimiento científico y no solo verificar resultados antiguos. Pero la replicación de papers es un ejercicio de entrenamiento estándar también para científicos humanos, dijo el cofundador y chief scientist Edward Hughes. “Muchos estudiantes de doctorado empiezan precisamente haciendo esto”.

“Lo más interesante para nosotros no fue tanto el resultado de superar a esos agentes frontier — que por supuesto nos gustó — sino la forma en que lo construimos.”

Cómo un modelo pequeño le gana a los gigantes

Ganarle a otros sistemas de IA en la tarea no era el punto, dijo Hughes a TechCrunch; lo importante era cómo llegaron ahí. “Lo más interesante para nosotros no fue tanto el resultado de superar a esos agentes frontier — que por supuesto nos gustó — sino la forma en que lo construimos”.

Esta es la parte que debería llamar la atención de un inversor: medido contra el Claude Opus 4.8 de Anthropic y el GPT-5.5 de OpenAI — ambos sistemas mucho más grandes, a escala frontier — Faraday corre sobre un modelo comparativamente pequeño llamado Qwen 3.6, de apenas 27 mil millones de parámetros. (A grandes rasgos, los “parámetros” son un proxy del tamaño de un modelo y, típicamente, también de sus costos de entrenamiento.)

El estándar de éxito de Inherent también era más alto que la simple precisión. Más allá de replicar resultados, quería que Faraday demostrara “research taste” — un instinto para saber qué experimentos valen la pena correr y cómo diseñarlos bien.

Enseñando “gusto” con reinforcement learning

Enseñar algo tan intangible como el gusto es difícil, y ahí entra el reinforcement learning. Es un método de entrenamiento que recompensa a un sistema de IA por buenos resultados en lugar de dictarle reglas a seguir. En lugar de entrenar a sus agentes principalmente en el estudio de cómo se conduce la ciencia misma, Inherent apuesta por este enfoque basado en recompensas, confiando en que generalizará mejor hacia su meta de largo plazo: agentes capaces de contribuir en muchos campos científicos.

“Nos guiamos siempre por esa estrella del norte: construir un agente científico y dotar a nuestros agentes de gusto”, dijo Hughes. Ese enfoque también moldea lo que Inherent decide no construir. En lugar de desarrollar su propia herramienta de código, hizo que Faraday usara el GPT-5.5 Codex de OpenAI, tal como los científicos humanos dependen de software existente en lugar de construir todo ellos mismos.

Inherent también intenta evitar construir agentes que simplemente le digan a los usuarios lo que quieren escuchar. En cambio, dijo Hughes, el objetivo está modelado a partir de su tipo favorito de compañero de equipo — el que vuelve y dice: “Me dio curiosidad esto, fui e hice estos experimentos. ¿Qué opinas de estos resultados?”.

Londres como hub de IA

Ese instinto colaborativo se extiende a cómo opera Inherent como empresa. Sus doce empleados trabajan todos en persona en una oficina en King’s Cross — el barrio londinense antes venido a menos que la presencia de Google DeepMind ayudó a convertir en uno de los principales hubs de IA del mundo. “Creemos que Londres es el lugar para estar”, dijo Hughes.

Hughes es optimista sobre la densidad de talento IA en Londres, pero también ha sumado su voz a los llamados para eliminar la “garden leave” — la práctica, común en el Reino Unido, de impedir que empleados que se van se unan o funden una empresa rival durante meses después de renunciar. Es una restricción que los investigadores estadounidenses generalmente no enfrentan, lo que da a las startups de EE.UU. una ventaja inicial para contratar talento que dejó un rol previo. “Es una opinión personal más que de la empresa, pero yo fui afectado por el problema de la garden leave”, dijo a TechCrunch.

Hughes eventualmente sorteó esa restricción y fundó Inherent junto a otros dos ex alumnos de DeepMind y un cuarto cofundador. La startup no se está frenando: planea crecer hasta “unos 20 a 25” empleados para fin de año. Dadas sus ambiciones en world models y con el nuevo rol de Demis Hassabis dejando a parte del staff de DeepMind intranquilo, la campaña de contratación de Inherent podría convertirlo en un destino atractivo para empleados de DeepMind que evalúan moverse.

En la foto, de izquierda a derecha: los cofundadores de Inherent Louis Kirsch, Kaloyan Aleksiev, Tantum Collins y Edward Hughes.

Para quienes construyen agentes de IA en Latinoamérica, la lección de Inherent es clara: el tamaño del modelo importa menos que el diseño del sistema de recompensas y la calidad de la evaluación. Sigue explorando estos temas en el blog de DojoFullStack.