Segun MarkTechPost (AI/ML News), un equipo compuesto por investigadores de Microsoft, Universidad de Shanghai Jiao Tong, Tongji y Fudan ha desarrollado SkillOpt, un sistema de optimización en espacio textual que permite transferir habilidades de inteligencia artificial entre diferentes modelos. Este enfoque permite entrenar un solo documento de competencia en lenguaje natural, mientras el modelo objetivo permanece inmutable. El modelo optimizador analiza las ejecuciones evaluadas, propone modificaciones limitadas —como añadir, eliminar o reemplazar contenido— y solo acepta cambios que mejoren significativamente el rendimiento. El resultado final se exporta como un archivo denominado best_skill.md. Los resultados se presentan en tablas que comparan tres escenarios: un nivel base sin habilidad, una aplicación directa en el modelo objetivo y la transferencia de una habilidad entrenada en otro entorno, sin ajustes adicionales.
Los datos revelan que la eficiencia de la transferencia no es uniforme. En el caso de GPT-5.4-mini, la capacidad de mantener el avance en el dominio alcanza el 82%, lo que sugiere una reutilización casi inmediata de conocimientos. Sin embargo, en el escenario de GPT-5.4-nano, el rendimiento en SpreadsheetBench cae hasta un 16%, mientras que la puntuación de la habilidad transferida se sitúa en 28.8 frente a un resultado óptimo en el modelo de dominio de 27.2. Aunque este resultado parece inferior, el estudio interpreta que ciertos procedimientos aprendidos pueden ser independientes del modelo específico. Importante destacar que todos los casos evaluados se mantienen dentro de la misma familia de modelos GPT, sin pruebas sobre transferencias entre familias como GPT y Qwen. La sección más significativa para aplicaciones prácticas se centra en el uso de diferentes entornos de ejecución. Un caso destacado muestra que una habilidad entrenada dentro del entorno Codex logra elevar el rendimiento de Claude Code de 22.1 a 81.8, superando el resultado de 80.4 que se alcanzaría mediante entrenamiento desde cero.
Para el lector peruano, este avance tiene implicaciones directas en el uso de herramientas tecnológicas en entornos de negocio. Las empresas locales que operan con sistemas de automatización de tareas, como generación de informes o cálculos financieros, podrían beneficiarse de habilidades preentrenadas que se adapten rápidamente a diferentes plataformas sin necesidad de reentrenar desde cero. Esto reduce costos y tiempos en procesos de digitalización. Aunque los resultados aún se limitan a ciertos modelos y tareas específicas, el potencial de reutilización de conocimientos en IA abre una vía para que pequeñas y medianas empresas accedan a funcionalidades avanzadas sin inversión masiva en desarrollo tecnológico. La clave está en entender que la transferencia de habilidades no es automática, pero sí representa una evolución clave en la eficiencia de los sistemas de inteligencia artificial.