Rumbo a AGI: Tendencias y Proyecciones
AGI — Inteligencia Artificial General — es el horizonte que organiza toda la investigación de frontera en IA. No existe consenso sobre lo que exactamente significa, cuándo llegará o si es posible. Pero los indicadores técnicos de 2025-2026 sugieren que estamos más cerca de un punto de inflexión que en cualquier momento anterior en la historia del campo.
Los Índices Técnicos de una Transición Cuantitativa
La discusión sobre AGI dejó de ser especulación filosófica y se convirtió en objeto de análisis técnico serio en 2.025-2.026. Lo que impulsa este cambio no es el optimismo — es evidencia. Los modelos de la serie o1 y o3 de OpenAI demostraron capacidad de razonamiento en cadena que superal desempeño humano en competencias de matemáticas olímpicas (AIME), programación competitiva y evaluaciones de conocimiento científico avanzado (GPQA Diamond). Esto no es AGI — pero son capacidades que ningún sistema anterior había demostrado.
El concepto de comportamiento emergente — capacidades que surgen inesperadamente en modelos grandes sin haber sido explícitamente entrenadas — se convirtió en central en la discusión. Modelos que aprenden a hacer analogías en idiomas que nunca vieron durante el entrenamiento, resolver problemas de física que requieren razonamiento multietapa, o identificar errores en código que nunca procesaron. La emergencia no es magia — es escala encontrando capacidad latente en los datos de entrenamiento.
Pero las brechas son igualmente reales. LLMs aún fallan en tareas de razonamiento causal que niños de 4 años dominan. La pregunta "si yo saco esta piedra, ¿qué sucede?" requiere un world model — una simulación interna de cómo funcional mundo — que los transformers actuales no poseen. Agentes autónomos en producción frecuentemente entran en bucles, cometen errores de planificación simples y pierden contexto en tareas largas. El mapa y el territorio aún divergen significativamente.
1: Modelos de Razonamiento
Terminología prospectiva paral Pointy Rumbos. Términos utilizados con precisión epistémica — distinguiendo lo que se mide de lo que se proyecta.
| Término | Definición Editorial | Nivel |
|---|---|---|
| AGI | Inteligencia Artificial General — sistema con capacidad cognitiva equivalente a la humana en dominios abiertos; sin definición técnica consensuada | Plata |
| Cadena de Pensamiento | Razonamiento en cadena — técnica de prompting y entrenamiento que induce a los modelos a mostrar etapas intermedias | Diamante |
| Modelos de razonamiento | Modelos como o1/o3 entrenados para razonamiento interno antes de responder — mejora drástica en matemáticas y código | Oro |
| Agente Autónomo | Sistema de IA que planifica y ejecuta tareas de múltiples pasos sin supervisión humana continua | Oro |
| Modelo del Mundo | Representación interna de cómo funcional mundo — capaz de simular consecuencias de acciones; ausente en los LLMs actuales | Plata |
| Causalidad | Capacidad de distinguir correlación de causa — brecha fundamental de los modelos actuales basados en asociación estadística | Diamante |
| AutoMejoramiento | Hipótesis de un sistema de IA capaz de mejorar su propio código/pesos — central en los escenarios de toque acelerado | Plata |
| GPQA | Preguntas y respuestas de nivel de graduado, probadas por Google — benchmark de preguntas científicas de nivel PhD; o3 supera a los especialistas humanos | Oro |
| Superforecasting | Metodología de predicción probabilística calibrada — aplicada a cronologías de AGI con gran variabilidad entre especialistas | Plata |
| Toque | Velocidad de transición hacia AGI — "toque lento" (décadas) vs. "toque rápido" (meses) dividel campo | Plata |
| IA Constitucional | Enfoque de Anthropic para alinear modelos a principios explícitos — alternativa al RLHF puro | Oro |
| Convergencia instrumental | Hipótesis de que los sistemas superinteligentes convergerán hacia objetivos similares independientemente de sus metas finales | Plata |
| Aumento de memoria | Sistemas de memoria externa para agentes — RAG, graphs de memoria — paliActivos para contexto limitado | Oro |
| Sistemas multiagentes | Agentes múltiples de IA colaborando o competiendo — arquitectura para problemas que requieren especialización paralela | Plata |
| Umbral de computación | Hipótesis de que la AGI requiere solo una escala computacional suficiente — cuestionada por investigadores de arquitectura | Bronce |
Rumbos hacia la AGI: Los Índices Técnicos que Señalan la Inteligencia General
Ninguna discusión sobre la AGI es honesta sin comenzar con la admisión de que no existe una definición consensuada del término. Para Sam Altman y OpenAI, la AGI es "un sistema de IA que supera a los humanos en la mayoría de las tareas económicamente valiosas". Para Yann LeCun, la AGI requiere razonamiento causal y modelos del mundo que los transformers actuales son fundamentalmente incapaces de desarrollar. La ausencia de consenso no invalidal debate — revela que estamos discutiendo algo genuinamente nuevo.
Lo que los Benchmarks Mostran
Los modelos de la serie o1/o3 de OpenAI, lanzados en 2024-2025, representan un cambio cualitativo en los benchmarks de razonamiento. El o3 superal desempeño humano de especialistas en GPQA Diamond (preguntas de física, química y biología de nivel PhD), resuelve el 88% de los problemas del AIME 2024 (competencia matemática olímpica donde los humanos medianos aciertan menos del 10%) y realiza a nivel experto en ARC-AGI, benchmark de razonamiento abstracto creado para ser robusto contra memorización.
Las Faltas Fundamentales
Contra los avances en razonamiento formal, persisten fallos en capacidades básicas. Los LLMs cometen errores en problemas de sentido común que los niños dominan — "si lleno un vaso de agua y lo inclino, ¿qué ocurre?" — porque carecen de modelos del mundo físicos. Los agentes autónomos en producción aún fallan en tareas largas por acumulación de errores, bucles y pérdida de contexto. La alucinación — generación confiada de información falsa — permanece estructural, no eliminada por los modelos más avanzados.
El Horizonte de 5 Años
Estimaciones de investigadores internos de OpenAI, Anthropic y DeepMind que convergen — informalmente — en ventanas entre 2027 y 2032 para sistemas que podrían ser clasificados como AGI bajo definiciones operativas. La divergencia no está en la posibilidad, sino en la velocidad y en las implicaciones. Un "despegue lento" de décadas permite la adaptación institucional. Un "despegue rápido" comprimido en meses no. Los Rumbos del PrezencIA monitorean los indicadores técnicos — no las profecías.