La inteligencia artificial general (IA) es aquella capaz de realizar prácticamente cualquier tarea intelectual humana, incluso aquellas para las que nunca fue entrenada. Su importancia radica en que quien la afirme con credibilidad podrá redefinir las normas sobre empleo, dinero y seguridad. Y la respuesta honesta a la pregunta de “¿cuán cerca estamos?” depende por completo de la perspectiva desde la que se mire.
Conclusiones clave
- La inteligencia artificial general no tiene una definición única y consensuada, por lo que cada fecha de lanzamiento presupone implícitamente una prueba en particular.
- Los modelos lingüísticos parecen amplios debido a un entrenamiento intensivo, pero su peso generalmente permanece congelado una vez que finaliza dicho entrenamiento.
- En ARC-AGI-3 con el máximo nivel de razonamiento, GPT-6.2 Astra obtuvo una puntuación del 70,3 % en el entorno estándar y del 99,8 % con el estado de razonamiento persistente.
- Los investigadores de IA encuestados prevén que las máquinas superarán a los humanos en ciertas tareas décadas antes de que puedan automatizar todas las ocupaciones.
- La estructura de soporte que añade memoria a los modelos cierra brechas reales, difuminando la línea entre un modelo y un sistema.
¿Qué es la inteligencia artificial general y qué tan cerca estamos de lograrlo?
La inteligencia artificial general, o IAG, es la IA largamente prometida que no requiere un nuevo equipo de producto para cada nueva tarea. Los chatbots actuales escriben código, redactan contratos y explican la legislación fiscal, lo cual ya suena bastante general.
No, del todo.
He aquí la distinción que la mayoría de los análisis pasan por alto: saber mucho no es lo mismo que aprender algo. Un modelo entrenado con la mayor parte de la información pública de internet es amplio, como lo es una enciclopedia. La inteligencia general es la capacidad de enfrentarse a algo que no está cubierto por ningún dato de entrenamiento, resolverlo y retener lo aprendido.
La amplitud es lo que un modelo aporta a la conversación. La generalidad es lo que se lleva consigo.
¿Qué tan cerca estamos? Más cerca de lo que esperaban los escépticos de 2023, más lejos de lo que sugieren las presentaciones, y la brecha más evidente se encuentra en un lugar sorprendentemente poco atractivo: la memoria. Cada titular sobre IA general es, en realidad, una afirmación sobre una prueba específica, y saber cuál es esa prueba nos indica si debemos encogernos de hombros o prestar atención.
¿Por qué la IA actual parece tan general cuando no lo es?
La clave está en cómo se construyen los modelos de lenguaje a gran escala. Se entrenan una sola vez con una enorme cantidad de texto, y luego sus pesos (los miles de millones de números internos que almacenan lo que el modelo aprendió) se congelan. Cualquier aprendizaje posterior ocurre dentro de la conversación y se pierde al finalizar la sesión, a menos que un sistema externo lo guarde.
Por eso ChatGPT cambió la percepción pública de una manera que las IA anteriores nunca lograron. Deep Blue jugaba al ajedrez y AlphaGo al Go, pero ChatGPT hablaba de cualquier cosa, y desde fuera, la amplitud se parece exactamente a la generalidad.
Mira dentro y el perfil se vuelve irregular. Cuando Definición de IAG (Inglés Agudo Bruto), Un marco de trabajo desarrollado por un grupo liderado por Dan Hendrycks, con coautores como Yoshua Bengio y Gary Marcus, evaluó los modelos en las baterías de pruebas cognitivas que los psicólogos utilizan con las personas. El GPT-4 alcanzó el 27% y el GPT-5 el 57%. Los autores describieron el perfil como “irregular”, con un alto nivel de conocimiento y déficits críticos en el almacenamiento de la memoria a largo plazo.
Imagínese a un consultor brillante con amnesia: deslumbrante en la reunión, un completo desconocido a la mañana siguiente. Enormemente útil, pero aún no generalizado. Para usted, esto significa que lo que un chatbot sabe es impresionante, mientras que lo que recuerda sobre su interacción con usted depende del producto que lo integra.
Si desea conocer el funcionamiento interno de cómo un modelo convierte su solicitud en una respuesta, consulte nuestra explicación sobre cómo la IA toma decisiones lo atraviesa.
Las tres líneas de meta de la inteligencia artificial general
Nadie se pone de acuerdo en una fecha, en parte porque cada uno persigue objetivos diferentes. Agrupamos las definiciones más importantes en tres, a las que llamamos las Tres Metas: Conocer, Aprender y Trabajar.
La línea Know pregunta si la IA iguala a un adulto bien educado en diez dominios cognitivos, que es el estándar de Hendrycks. La línea Learn pregunta si puede adquirir cualquier habilidad nueva con la misma eficiencia que una persona, que es exactamente cómo El premio ARC define la IAG (Información General Aguda). La línea de trabajo es la comercial, escrita en el Carta de OpenAI como “sistemas altamente autónomos que superan a los humanos en la mayoría de los trabajos económicamente valiosos”.”
| Línea de meta | ¿Quién lo dibuja? | Lo que prueba | Situación actual de la IA en noviembre de 2026 |
|---|---|---|---|
| Saber | Hendrycks y coautores | Amplitud en diez dominios cognitivos | Fuerte en conocimientos, débil en memoria a largo plazo |
| Aprender | Premio ARC | Adquirir nuevas habilidades con la misma eficiencia que los humanos | ARC-AGI-3 solo se puede completar con herramientas de memoria del proveedor. |
| Trabajar | Carta de OpenAI | Superar a los humanos en los trabajos más valiosos desde el punto de vista económico. | Los expertos prevén que la automatización total del trabajo se produzca décadas después de alcanzar la paridad de tareas. |
Las líneas no están jerarquizadas, y cruzar una no afecta a las demás. Los investigadores de Google DeepMind, entre ellos el cofundador Shane Legg, han llevado este mismo instinto aún más lejos al proponer niveles de IA general en lugar de una única respuesta de sí o no.
La próxima vez que un director ejecutivo diga que la IA general estará disponible en dos años, pregúntele a qué frase se refiere. La respuesta suele revelar más sobre el modelo de negocio que sobre la tecnología.
¿Qué tan cerca está la IA de la inteligencia artificial general en este momento?
La línea de aprendizaje solía ser la académica, la prueba que se podía ignorar mientras los chatbots mejoraban en los exámenes. Eso cambió cuando los agentes de IA comenzaron a realizar tareas complejas por sí solos, porque un agente que no puede aprender sobre la marcha necesita que se le guíe paso a paso en cada nueva situación.
ARC-AGI-3, Lanzado en marzo de 2026, coloca agentes de IA en pequeños mundos de juego sin instrucciones, sin reglas y sin un objetivo declarado, y los humanos pueden resolver cada uno de ellos. El 17 de noviembre, Resultados verificados de GPT-6.2 Astra El modelo de OpenAI, con el máximo razonamiento, obtuvo una puntuación del 70,3 % en el entorno estándar de ARC (el software que conecta el modelo con la prueba), donde el modelo decide qué notas conservar, y del 99,8 % en el entorno del Adaptador del Proveedor, que conserva su estado de razonamiento oculto entre pasos.
Mismo modelo, mismos juegos, misma configuración de razonamiento. La diferencia entre el 70% y casi el 100% radicaba en la memoria.
Cuando el anterior GPT-6 Astra obtuvo puntuaciones casi perfectas en septiembre, ARC Prize afirmó claramente que “no pretendía ser una IA general” y señaló que sus juegos tienen reglas cerradas y deterministas, a diferencia del complejo mundo real. Creemos que es la decisión acertada y el informe de progreso más honesto en este campo: la IA ahora puede aprender un mundo nuevo en una sola sesión, y la cuestión pendiente es el aprendizaje continuo (habilidades que persisten y se acumulan después de que finaliza la sesión).
Para ti, eso se convierte en una prueba concreta. Observa si tus herramientas de IA mejoran en tu trabajo específico cuanto más tiempo lo realizan, sin necesidad de que nadie las vuelva a entrenar.
Por qué los expertos no se ponen de acuerdo sobre la fecha del AGI (Ingreso Bruto Ajustado)
Si se pregunta cuándo llegará la IA general, la respuesta depende de la línea de pronóstico que esté siguiendo el analista, razón por la cual los plazos más serios abarcan desde unos pocos años hasta el próximo siglo.
La prueba más clara proviene de un solo estudio. En el Encuesta sobre el impacto de la IA De los 2778 investigadores de IA que han publicado sus trabajos, los encuestados dieron las mismas probabilidades de que las máquinas superen a los humanos en todas las tareas posibles para 2047, pero también las mismas probabilidades de que todas las ocupaciones humanas se vuelvan totalmente automatizables recién para 2116.
Los mismos expertos, la misma encuesta, una brecha de 69 años entre realizar tareas y realizar trabajos.
Las definiciones de negocios son aún más escurridizas. En octubre de 2025, OpenAI y Microsoft acordaron que un panel de expertos independientes verificaría cualquier declaración de AGI y para abril de 2026 Anuncio de Microsoft En un acuerdo modificado se indicaba que los pagos de participación en los ingresos continuarían hasta 2030 “independientemente del progreso tecnológico de OpenAI ”. En otras palabras, una fecha para la IA general es una definición disfrazada de calendario.
Lo útil es traducir cada pronóstico a su línea de meta antes de decidir cuán preocupado o entusiasmado debemos estar.
¿Importa que la IA aprenda realmente si realiza el trabajo?
La objeción más contundente a todo lo anterior es directa: si un sistema escribe el código, cierra los tickets y archiva el informe, ¿a quién le importa si “realmente” aprende? Esa es, en esencia, la línea de trabajo, y es un desafío válido.
Lo admitiremos donde sea cierto. Para un profesional independiente que automatiza facturas o una empresa que gestiona agentes de codificación, una estructura que añade memoria a un modelo es tan buena como tener memoria integrada en el modelo, y los resultados de ARC demuestran que estas estructuras cubren necesidades reales.
El problema radica en la parte imprevista del trabajo, que es la mayor parte. El cliente que cambia de opinión, el proceso que cambió el martes pasado, la regla no escrita que todos conocen: un sistema que no puede integrar esos cambios se queda como un simple empleado temporal en lugar de un compañero de trabajo.
El mundo físico es una prueba adicional que ninguna de las tres líneas cubre por completo. empresas de robots humanoides Ahora bien, colocar máquinas en las plantas de producción permite comprobar la veracidad de las afirmaciones sobre la IAG (Inglés Generalizado Ajustado) realizadas desde dentro de una ventana de chat.
Traductor de jerga
Pesos: Los miles de millones de números dentro de un modelo almacenan todo lo que aprendió durante el entrenamiento. En la mayoría de los productos actuales, estos números se congelan después del lanzamiento, razón por la cual los chatbots no se vuelven más inteligentes al interactuar con el usuario.
Aprovechar: El software que conecta un modelo con una tarea, decidiendo qué ve, qué herramientas utiliza y qué información puede recordar. El mismo modelo, con una interfaz diferente, da como resultado puntuaciones muy distintas.
Inteligencia irregular: Un perfil de capacidades con picos altísimos y bajones repentinos, como sacar una nota excelente en un examen de derecho y olvidar la conversación de ayer. Por eso, las puntuaciones de referencia individuales suelen ser tan engañosas.
Aprendizaje continuo: La capacidad de seguir adquiriendo habilidades una vez finalizada la formación, con lecciones que perduran y se complementan entre sí. Es el aspecto que la mayoría de los investigadores señalan como ausente en los sistemas actuales.
Preguntas frecuentes sobre la inteligencia artificial general
Nos entusiasma enormemente la rapidez con la que se están reduciendo las barreras entre el conocimiento y el aprendizaje. Aun así, nos fíaríamos más de una predicción que de cualquier discurso: la IA general llegará cuando una IA mejore en tu trabajo practicándolo y recuerde el porqué. Hasta entonces, trabajamos con el colega olvidadizo más brillante jamás creado, y eso ya es mucho.

Leave A Comment