Artificial General Intelligence (AGI)

La inteligencia artificial general (AGI) es una forma hipotética de inteligencia artificial (IA) que iguala o supera la capacidad humana en prácticamente todas las tareas cognitivas y aprende tareas nuevas sin que se haya diseñado o reentrenado para cada una. Según la mayoría de las definiciones, todos los sistemas de IA que se usan hoy son inteligencia artificial estrecha (ANI): solo son competentes dentro del ámbito para el que se entrenaron, aunque los modelos de lenguaje grandes (LLM), capaces de escribir, programar y razonar en muchos ámbitos, han convertido ese límite en objeto de debate activo. En el uso moderno, la IA fuerte es sinónimo de AGI. Mark Gubrud utilizó el término en 1997, y los investigadores Shane Legg y Ben Goertzel lo popularizaron alrededor de 2002.

Definición de AGI#

No existe una definición única y consensuada de AGI, y las principales propuestas miden aspectos distintos:

• Producción económica: La Carta de OpenAI define la AGI como «sistemas altamente autónomos que superan a los humanos en la mayoría de los trabajos de valor económico».
• Rendimiento y generalidad: Un equipo de Google DeepMind propuso los niveles de AGI, que evalúan un sistema en dos ejes: su rendimiento en comparación con adultos cualificados, desde emergente (igual o algo superior al de una persona sin cualificación) hasta sobrehumano (superior al de todas las personas), y si alcanza ese nivel en una sola tarea o en una amplia variedad de tareas no físicas, incluido el aprendizaje de nuevas habilidades.
• Eficiencia del aprendizaje: «On the Measure of Intelligence» (2019), de François Chollet, define la inteligencia como la eficiencia en la adquisición de habilidades: la rapidez con que un sistema domina tareas que nunca ha visto, con datos y conocimientos previos limitados, en lugar de medir cuántas habilidades ha acumulado ya.
• Mente y comprensión: La cuestión filosófica es si una máquina entendería de verdad y tendría una mente, el sentido original de la IA fuerte en el argumento de la Habitación China de John Searle de 1980.

El marco de los niveles de AGI clasifica un sistema mediante hasta tres preguntas, empezando por la generalidad:

Los autores situaron los chatbots de 2023, como ChatGPT, Bard y Llama 2, en el nivel de AGI emergente, y señalaron que aún no se había alcanzado ningún nivel general superior. En cambio, los sistemas especializados ya abarcan la escala hasta el nivel sobrehumano, donde incluyeron AlphaFold, AlphaZero y Stockfish.

AGI frente a IA especializada y superinteligencia#

• ANI: Destaca dentro de un ámbito definido y necesita datos nuevos y un reentrenamiento para hacer cualquier cosa fuera de él. Un detector Ultralytics YOLO26 entrenado con COCO se sitúa en la columna de sistemas especializados del marco de niveles: detecta y etiqueta 80 clases de objetos en milisegundos por imagen, pero no puede aprender una clase nueva, responder a una pregunta ni planificar una acción sin reentrenarse o recurrir a otros sistemas.
• AGI: Iguala a las personas expertas en la mayoría de las tareas cognitivas y aplica lo que aprende a ámbitos para los que nunca se entrenó; es una capacidad que el aprendizaje por transferencia solo ofrece hoy entre tareas estrechamente relacionadas.
• Superinteligencia artificial (ASI): Supera a las mejores personas en prácticamente todos los ámbitos. Un sistema que mejora su propia inteligencia más rápido de lo que las personas pueden seguir el ritmo es el escenario que hay detrás de la singularidad tecnológica.
• IA fuerte: Sinónimo de AGI en el uso moderno. En el sentido original de Searle, es una máquina que tiene literalmente una mente, una afirmación sobre la comprensión que las pruebas de capacidad no abordan.

Los LLM de vanguardia ponen a prueba estas categorías. Un modelo puede redactar contratos, resolver problemas de matemáticas de competición y describir imágenes, pero sus capacidades son desiguales —un patrón llamado inteligencia irregular— y sus pesos dejan de aprender cuando termina el entrenamiento.

Problemas abiertos#

• Aprendizaje continuo: Los modelos desplegados solo se adaptan dentro de su ventana de contexto, y seguir entrenándolos con datos nuevos puede provocar el olvido catastrófico de habilidades anteriores.
• Fiabilidad: Los modelos que superan exámenes de nivel experto siguen cometiendo errores con seguridad, como las alucinaciones, y fallan de forma impredecible ante variaciones sencillas de tareas que sí resuelven.
• El mundo físico: Los sistemas de IA corpórea deben percibir, planificar y actuar en entornos reales, y los modelos del mundo que predicen cómo cambian las escenas son una de las vías propuestas para dotarlos del sentido común necesario.
• Alineación y control: La investigación sobre seguridad de la IA, incluida la superalineación, estudia cómo conseguir que un sistema que podría superar a quienes lo supervisan persiga los objetivos que las personas pretendían.

Medir el progreso hacia la AGI#

Como las definiciones son distintas, también lo son las pruebas. Las pruebas de referencia ARC-AGI siguen la definición de Chollet con puzles novedosos que las personas resuelven fácilmente, evaluados con conjuntos de prueba ocultos para que no se puedan memorizar las respuestas. ARC-AGI-3, lanzado en marzo de 2026, sustituyó los puzles estáticos de cuadrícula por cientos de entornos de juego interactivos sin instrucciones ni objetivos explícitos, por lo que un agente debe explorar, deducir las reglas y planificar; en el lanzamiento, los evaluadores humanos obtuvieron un 100 % y los sistemas de IA de vanguardia, un 0,51 %. En septiembre de 2026, la ARC Prize Foundation informó de que GPT-6 Astra de OpenAI obtuvo un 62,7 % con su banco de pruebas estándar y un 99,9 % con uno que conserva el estado de razonamiento del modelo entre movimientos, y afirmó que saturar la prueba de referencia no demostraría la AGI. En cambio, pruebas con gran carga de conocimientos, como Humanity's Last Exam, evalúan la respuesta a preguntas de nivel experto.

Las previsiones sobre cuándo podría llegar la AGI varían mucho. En una encuesta a 2.778 investigadores que habían publicado en los principales congresos de IA, publicada en 2024, la previsión agregada asignaba un 50 % de probabilidad a que las máquinas sin ayuda superasen a las personas en cualquier tarea posible para 2047, 13 años antes que en la encuesta del mismo equipo del año anterior.