Frente a los modelos que intentan responder a cualquier pregunta, este proyecto español propone otra dirección: una inteligencia artificial diseñada para detectar sus propios límites, comprobar antes de afirmar y preferir un “no lo sé” a una respuesta inventada.
Hay algo extraño en la inteligencia artificial actual. Puede escribir código, analizar documentos o mantener una conversación aparentemente sofisticada y, segundos después, inventarse con absoluta seguridad un dato que nunca existió.
Lo llamamos alucinación, aunque quizá el término suaviza demasiado el problema. La máquina no está viendo cosas: sencillamente está generando una respuesta plausible sin tener suficientes evidencias para saber si es verdadera.
¿Y si cambiáramos la prioridad?
¿Y si el objetivo no fuera conseguir una inteligencia artificial que siempre tenga una respuesta, sino una que sepa cuándo no debería responder todavía?
Ese es el punto de partida de Extrematoria.
¿Qué es Extrematoria?
Extrematoria se define como un proyecto de “inteligencia natural sobre silicio”. Detrás está Extrematoria Inteligencia Natural sobre Silicio, SLU y José María Hernández Valiente, al que la propia compañía presenta como científico ambiental y creador del método.
Su propuesta no consiste simplemente en construir un modelo de lenguaje más grande. De hecho, la filosofía parece ir en dirección contraria: utilizar diferentes sistemas y herramientas dependiendo del problema y reservar el razonamiento generativo para aquellos casos en los que realmente es necesario.
La arquitectura que describe Extrematoria combina tres redes neuronales y una capa de cómputo: una coordina, otra actúa, otra reflexiona e imagina y una cuarta se ocupa de operaciones exactas. La empresa resume la idea con una frase bastante más importante de lo que parece: “errar menos, no acertar más”.
La idea central: una IA que pueda dudar
El concepto técnico que hay detrás es la metacognición: simplificando mucho, pensar sobre el propio pensamiento.
Aplicada a una inteligencia artificial significaría que el sistema no se limita a producir una respuesta, sino que también intenta evaluar la calidad de esa respuesta, detectar incertidumbre y decidir cuándo necesita buscar información, utilizar otra herramienta o abstenerse.
Extrematoria lo explica de una forma mucho más sencilla: una IA que sabe cuándo no sabe.
Y aquí conviene hacer una distinción importante. Extrematoria no se ha inventado el concepto de metacognición artificial. Existe ya una línea académica de investigación dedicada precisamente a desarrollar sistemas capaces de supervisar y regular sus propios procesos internos.
En 2026 incluso se han publicado trabajos específicos sobre cómo medir la capacidad de una IA para distinguir cuándo probablemente está acertando y cuándo debería desconfiar de su propia respuesta. Una revisión académica publicada en julio de este mismo año describe la metacognición de los LLM como un campo emergente y prometedor, pero reconoce también que todavía existen muchas preguntas abiertas sobre hasta qué punto estos sistemas pueden desarrollar realmente esas capacidades.
Extrematoria es interesante porque intenta llevar esa filosofía a una implementación concreta.
El mecánico que admite que no sabe qué falla
Podemos imaginar dos mecánicos.
El primero escucha un ruido extraño en nuestro coche y, aunque no tiene ni idea de qué lo provoca, improvisa una explicación convincente. Su diagnóstico suena profesional. El problema es que se lo acaba de inventar.
El segundo escucha exactamente el mismo ruido y responde: “No tengo suficientes datos”. Después abre el capó, conecta una herramienta de diagnóstico, consulta las especificaciones del fabricante y solo entonces formula una conclusión.
Los grandes modelos de lenguaje han sido tradicionalmente muy buenos interpretando el primer papel.
La ambición de Extrematoria es construir algo mucho más parecido al segundo.
No utilizar una GPU para hacer una multiplicación
Una de las ideas más sensatas del proyecto es también una de las menos espectaculares: no todo necesita una red neuronal.
Si necesitamos realizar una operación matemática exacta, una calculadora es mejor herramienta que un modelo generativo. Si necesitamos conocer un dato factual actualizado, tiene más sentido consultar una fuente que pedirle al modelo que lo reconstruya desde sus pesos.
Según Extrematoria, su sistema intenta identificar estas situaciones y enviar cada problema a la herramienta adecuada: cómputo exacto cuando se necesita exactitud, recuperación de información cuando se necesita un dato y razonamiento generativo cuando realmente hay que razonar.
Esto tiene otra consecuencia potencial: reducir el uso innecesario de GPU.
Las cifras que llaman la atención
Extrematoria publica algunos resultados propios llamativos.
En uno de sus experimentos, el sistema debía resistirse a aceptar una causa falsa cuando se le presionaba para confirmarla. Según sus pruebas, el modelo base lo conseguía en el 27 % de los casos y el sistema con su núcleo de razonamiento alcanzaba el 72 %.
Hay un detalle especialmente interesante: Extrematoria había publicado inicialmente un resultado del 85 %. Al repetir la medición, ese dato no se sostuvo y fue sustituido públicamente por el 72 %.
En otro conjunto de preguntas difíciles, la compañía asegura haber obtenido un 0 % de datos inventados, frente a tasas de entre el 24 % y el 82 % de los modelos utilizados sin su método. También afirma haber conseguido mejorar la resistencia a determinadas trampas añadiendo únicamente un 0,13 % de parámetros adicionales al modelo.
Son cifras interesantes, pero hay que ponerles un asterisco importante.
Son pruebas realizadas y publicadas por la propia Extrematoria. A fecha de agosto de 2026 no hemos encontrado una validación académica independiente de estos benchmarks concretos. Esto no significa que sean falsos; significa simplemente que debemos distinguir entre resultados internos reproducibles y resultados que hayan sido evaluados de manera independiente.
Del laboratorio digital al mundo real
Aquí es donde Extrematoria se vuelve especialmente peculiar.
En lugar de limitar el sistema a responder preguntas, sus creadores están utilizándolo para investigar problemas de ámbitos muy diferentes: incendios forestales, inundaciones, estabilidad de la red eléctrica, diseño de proteínas, física o ciberseguridad.
Y encontramos probablemente una de las mejores decisiones de comunicación de todo el proyecto: en bastantes casos la propia Extrematoria explica qué no ha demostrado.
Incendios: buscar dónde actuar antes de que arda
Extrematoria ha analizado datos de incendios de las provincias españolas para estudiar la relación entre despoblación, abandono del territorio, vegetación y fuego.
Su análisis sostiene que la sencilla cadena “despoblación → abandono → incendios” no explica por sí sola los datos agregados y encuentra una relación mucho más fuerte con el tipo de vegetación. La compañía afirma haber contrastado su modelo con datos oficiales de incendios obteniendo una correlación de r=0,87.
También ha desarrollado un modelo de priorización de cortafuegos para Mallorca que divide la isla en áreas de 90 metros y combina combustible, probabilidad de ignición, continuidad vegetal y abandono. Según el proyecto, alrededor del 15 % del territorio quedaría dentro de la zona de prioridad alta.
Eso es bastante diferente de decir que Extrematoria ya está evitando incendios.
Lo que existe actualmente es una metodología para generar mapas y prioridades que después tendrían que validarse y aplicarse sobre el terreno.
La red eléctrica: una idea que la propia IA corrigió
Otro caso interesante comienza con una intuición sobre el cierre de la central nuclear de Almaraz y la pérdida de estabilidad que puede provocar la retirada de grandes generadores síncronos.
El informe de Extrematoria parte de la idea de un “rotor bidireccional” capaz de absorber y entregar energía frente a fluctuaciones de la red.
Pero durante el análisis el propio método corrige el planteamiento inicial: el problema relevante no era exactamente la tensión, sino la inercia y la frecuencia; y la inercia puede cubrir los primeros segundos de una perturbación, pero no sustituye al almacenamiento energético necesario durante minutos u horas.
Esto nos parece más significativo que si la IA hubiera confirmado simplemente la hipótesis inicial.
Una herramienta científica debería estar diseñada precisamente para poder decirle a su creador: tu pregunta estaba mal planteada.
Proteínas: también saber destruir una buena idea
En biología computacional Extrematoria utiliza diferentes modelos para comprobar hipótesis sobre proteínas.
Uno de sus experimentos estudió una PETasa marina, una enzima potencialmente relacionada con la degradación del plástico. Una primera evaluación parecía prometedora, pero un segundo modelo independiente cuestionó el resultado.
La propia Extrematoria presenta el caso como un falso positivo detectado, no como un descubrimiento. Y recuerda explícitamente que ninguna predicción computacional sustituye la validación en laboratorio.
Puede parecer una derrota, pero científicamente es exactamente lo contrario.
Un sistema que descarta una hipótesis atractiva pero incorrecta puede ser más útil que otro que genera cien hipótesis espectaculares.
Ciberseguridad: “goodware” en lugar de armas
Extrematoria también está aplicando su método al análisis de software científico.
La compañía afirma haber reproducido dos fallos diferentes en HDF5 2.2.0 y explica que su proceso de investigación incluye revisión humana antes de comunicar cualquier vulnerabilidad a los mantenedores.
Según su política, las pruebas de concepto potencialmente explotables se mantienen en local y los problemas encontrados se comunican mediante divulgación responsable. También está aplicando el método a FFmpeg, aunque ese trabajo aparece expresamente como todavía en curso.
De nuevo, la diferencia entre estas afirmaciones y decir que Extrematoria ofrece una “ciberseguridad con una tasa de error prácticamente inexistente” es enorme.
Lo primero es un proyecto de investigación interesante. Lo segundo, hoy por hoy, no está demostrado.
Lo más interesante de Extrematoria no es que “sepa más”
Después de recorrer el proyecto, quizá su aspecto más interesante no sean los modelos, los parámetros ni los benchmarks.
Es su filosofía.
Durante los últimos años hemos medido el progreso de la inteligencia artificial utilizando una pregunta fundamental: ¿cuántas cosas puede hacer?
Extrematoria introduce otra:
¿cuántas veces sabe que no debería fiarse de sí misma?
Puede parecer una diferencia semántica, pero podría ser fundamental cuando la inteligencia artificial salga definitivamente del chatbot y empiece a participar en procesos científicos, industriales o críticos.
Lo que nos gusta y lo que todavía falta
Nos gusta que Extrematoria publique resultados negativos. Nos gusta que explique que algunas de sus demostraciones reproducen física conocida y no constituyen descubrimientos. Nos gusta que una hipótesis sobre una proteína pueda terminar descartada y aparecer igualmente en la web. Y nos gusta especialmente que hayan corregido públicamente una métrica propia cuando una nueva medición no reprodujo el resultado anterior.
Pero precisamente porque la propuesta habla constantemente de verificabilidad, el siguiente paso debería ser inevitable: validación externa.
Benchmarks publicados con metodología completa, código y datasets cuando sea posible; reproducción por terceros; publicaciones científicas; comparaciones controladas con otras arquitecturas; y pruebas realizadas fuera del entorno construido por sus propios creadores.
Hay afirmaciones especialmente ambiciosas —como que 40,5 mil millones de parámetros pueden rendir como un modelo de 740.000 millones— que necesitan conocer exactamente el benchmark, las condiciones y el criterio utilizado antes de poder tratarlas como una comparación general entre modelos. La cifra aparece actualmente en la portada del proyecto.
Entonces, ¿qué es Extrematoria hoy?
No parece correcto presentarla todavía como una nueva inteligencia artificial que ya está revolucionando la medicina, evitando incendios o controlando nuestra red eléctrica.
Tampoco sería justo reducirla a otra página que promete haber solucionado las alucinaciones de la IA.
A fecha de 9 de agosto de 2026, Extrematoria nos parece algo más concreto y, precisamente por eso, más interesante: un proyecto experimental español que intenta convertir la metacognición, la verificación y la capacidad de abstenerse en parte del diseño de una inteligencia artificial.
Está temprano. Gran parte de sus resultados siguen siendo propios. Algunas aplicaciones son prototipos o hipótesis. Otras requieren todavía validación física, experimental o independiente.
Pero quizá merece la pena seguirlo precisamente porque persigue una dirección diferente.
Mientras buena parte de la industria compite por construir una IA capaz de responder a más cosas, Extrematoria está intentando resolver una pregunta bastante menos espectacular:
¿Podemos construir una máquina suficientemente inteligente como para reconocer cuándo todavía no tiene derecho a afirmar algo?
Puede que esa capacidad termine siendo mucho más importante que tener siempre una respuesta.
Fuentes y metodología
Para esta review hemos contrastado la documentación pública de Extrematoria, sus páginas sobre metacognición y casos de aplicación, sus informes técnicos disponibles y literatura académica reciente sobre metacognición artificial. Las cifras específicas atribuidas a Extrematoria deben entenderse como resultados publicados por el propio proyecto salvo cuando se indique una fuente externa.
