> ## Content Index > Fetch the complete content index at: https://www.digitalbrain.news/llms.txt > Use this file to discover other available public pages before exploring further. # Una investigadora del MIT deja que Codex calibre sus qubits y decida el siguiente experimento - URL: https://www.digitalbrain.news/noticias/gpt-5-6-sol-calibra-qubits-mit-codex/ - Published: 2026-09-09T07:16:49.000Z - Updated: 2026-09-10T07:59:43.000Z - Description: OpenAI ha publicado un caso donde una investigadora del MIT conecta Codex al software de su laboratorio y deja que el modelo ejecute experimentos… - Author: Ramón Pérez Coronado - Tags: #noticias, openai, codex, agentes-ia, ia-ciencia [OpenAI](https://www.digitalbrain.news/glosario/#openai) ha publicado un caso donde una investigadora del MIT conecta [Codex](https://www.digitalbrain.news/glosario/#codex) al software de su laboratorio y deja que el modelo ejecute experimentos de computación cuántica por su cuenta, incluida la calibración de qubits. [El caso está aquí](https://openai.com/index/codex-quantum-computing-experiments/?ref=digitalbrain.news). El detalle interesante no es que funcione, es qué tipo de trabajo automatiza. ## Puntos clave - La investigadora pertenece al grupo EQuS del MIT, dedicado a sistemas cuánticos de ingeniería. - Conectó Codex, con [GPT-5.6](https://www.digitalbrain.news/glosario/#gpt) Sol detrás, al software que coordina los experimentos del laboratorio. - El modelo lanza mediciones, analiza los resultados y decide qué medir después. - La prueba se hizo sobre un chip de seis qubits sin calibrar, del tipo estándar que el grupo usa para evaluar su proceso de fabricación. - GPT-5.6 Sol completaba de forma autónoma los flujos de medición rutinarios. ## Por qué calibrar qubits es un buen caso Un qubit no viene listo de fábrica. Hay que caracterizarlo con una secuencia de mediciones donde cada resultado determina cuál es la siguiente medición sensata. Si la frecuencia de resonancia sale donde no esperabas, el barrido siguiente cambia. Eso lo hace mal candidato para un script clásico. No puedes escribir un procedimiento fijo porque el árbol de decisiones es demasiado ancho y depende de valores que no conoces hasta medirlos. Y lo hace buen candidato para un agente. Tienes un objetivo claro, un instrumento que responde con números y una regla de decisión que un experto sabe aplicar pero que nadie ha escrito entera. Es el patrón de tarea que mejor se le da a estos modelos: repetitiva en la forma, variable en el contenido, con criterio de éxito medible. ## Lo que la investigadora recupera El resultado que se cuenta es de tiempo. Los flujos rutinarios corren sin supervisión constante, y ella dedica ese hueco a analizar resultados, diseñar experimentos y planificar los siguientes pasos. Esa es la parte que merece atención. No es un modelo descubriendo física. Es un modelo haciendo el trabajo de instrumentación que se lleva las tardes de un doctorando, y devolviendo esas tardes a la parte donde hace falta una persona. Encaja con lo que se vio con [Claude reproduciendo la mitad de los resultados de un artículo en 24 horas](https://www.digitalbrain.news/noticias/claude-reproduce-mitad-resultados-astra-24-horas/). El patrón se repite: la IA está entrando en la ciencia por el lado del trabajo pesado y repetible, no por el de las ideas. ## La cautela obvia Esto es material publicado por OpenAI sobre un uso de OpenAI. No hay revisión independiente ni comparación con un procedimiento de calibración automatizado clásico, que también existe y funciona razonablemente bien en muchos laboratorios. Lo que aporta el modelo frente a esos sistemas es flexibilidad: no hay que programar el árbol de decisiones para cada chip nuevo. Cuánto vale eso frente a una rutina especializada bien ajustada es una pregunta que el caso no responde. ## Por qué importa Cambia "laboratorio de física" por "tu operación" y el patrón es idéntico. Hay tareas en tu empresa que nadie ha automatizado porque cada caso es un poco distinto y escribir todas las ramas del if es imposible. Conciliar una factura de proveedor con el albarán cuando el formato cambia cada vez. Revisar un packing list contra el pedido. Decidir qué falta pedirle a un cliente para cerrar un expediente. Son tareas con objetivo claro, datos consultables y criterio experto sin escribir. Exactamente el hueco donde funciona esto. El requisito es el mismo que en el MIT: que el agente pueda consultar el sistema de verdad y ver el resultado de lo que hace. Un agente sin acceso a tus datos y sin poder comprobar el efecto de sus acciones no calibra nada, solo redacta. Fuente original: [OpenAI](https://openai.com/index/codex-quantum-computing-experiments/?ref=digitalbrain.news) --- **Relacionado** [![ChatGPT Work aprende tu estilo leyendo tu Gmail y tu Slack](https://storage.ghost.io/c/6d/e3/6de31f63-d0a8-45df-9c6a-481016520347/content/images/size/w300/format/webp/2026/09/chatgpt-work-estilo-escritura-gmail-slack-drive.jpg)ChatGPT Work aprende tu estilo leyendo tu Gmail y tu Slack](https://www.digitalbrain.news/noticias/chatgpt-work-estilo-escritura-gmail-slack-drive/)[![Asana liquidó en dos semanas y 12.000 dólares una migración que estimó en cinco años y 6 millones](https://storage.ghost.io/c/6d/e3/6de31f63-d0a8-45df-9c6a-481016520347/content/images/size/w300/format/webp/2026/08/asana-codex-enzyme-12000-dolares-dos-semanas.png)Asana liquidó en dos semanas y 12.000 dólares una migración que estimó en cinco años y 6 millones](https://www.digitalbrain.news/noticias/asana-codex-enzyme-12000-dolares-dos-semanas/)[![Meta lanza Muse, el agente que compra y reserva por ti, desde 20 dólares al mes](https://storage.ghost.io/c/6d/e3/6de31f63-d0a8-45df-9c6a-481016520347/content/images/size/w300/format/webp/2026/09/meta-lanza-muse-agente-personal-20-100-dolares.png)Meta lanza Muse, el agente que compra y reserva por ti, desde 20 dólares al mes](https://www.digitalbrain.news/noticias/meta-lanza-muse-agente-personal-20-100-dolares/)