Inteligencia Artificial General: una idea poderosa que todavía exige una definición

La expresión inteligencia artificial general despierta imágenes de una máquina que puede hacer cualquier cosa, pero esa imagen es demasiado imprecisa para orientar una evaluación. AGI suele referirse a una capacidad amplia para aprender, razonar y resolver tareas que hasta ahora requieren inteligencia humana. El desacuerdo empieza al decidir qué significa “amplia”, qué nivel de desempeño debe alcanzarse y cuánto apoyo externo puede recibir el sistema. Sin esas condiciones, una afirmación sobre AGI puede ser una descripción técnica o una pieza de marketing, según quién la pronuncie.

OpenAI define AGI en su Charter como sistemas altamente autónomos que superan a las personas en la mayor parte del trabajo económicamente valioso. Esa definición pone el énfasis en la autonomía y en el alcance económico. Google DeepMind, en su marco Levels of AGI, propone analizar por separado la profundidad del desempeño, la amplitud de las tareas y el grado de autonomía. Las dos perspectivas muestran por qué la palabra no debe reducirse a un examen único. Un sistema puede ser extraordinario en un dominio y limitado fuera de él.

La generalidad no significa que una máquina sea igual de competente en todo. Una persona puede aprender una tarea nueva usando instrucciones, corregir su estrategia después de un error y transferir conocimientos entre situaciones. Para evaluar algo parecido en una IA habría que observar aprendizaje, transferencia, robustez y manejo de objetivos largos. Resolver una prueba de lenguaje no demuestra que el sistema pueda mantener un proyecto durante semanas, coordinar recursos, reconocer que le falta información y actuar dentro de restricciones reales.

Los benchmarks ayudan, pero pueden quedarse pequeños frente a una capacidad que cambia rápidamente. Cuando una prueba se vuelve conocida, los sistemas pueden optimizarse para sus formatos sin adquirir una comprensión general equivalente. Un examen aislado también puede favorecer la memoria, la velocidad o la capacidad de seguir patrones específicos. La evaluación necesita tareas nuevas, ambientes interactivos, distintas modalidades, usuarios con objetivos reales y mediciones que distingan la ayuda humana de la competencia propia del sistema.

El lenguaje es una fuente especial de confusión. Un modelo puede explicar una estrategia con gran fluidez y aun así fallar al ejecutarla, verificar sus premisas o mantenerla cuando cambia una condición. Esa brecha entre describir y hacer también aparece en programación, investigación y planificación. La conversación es una interfaz poderosa, no una prueba suficiente de comprensión general. Por eso la evaluación debe incluir acciones, consecuencias, correcciones y la capacidad de expresar incertidumbre cuando el problema supera la evidencia disponible.

La AGI tendría efectos que superarían la incorporación de una herramienta más eficiente. Podría modificar la forma en que se distribuye el trabajo, acelerar investigaciones, alterar mercados y concentrar poder en quienes controlen la infraestructura. También podría abrir oportunidades para pequeñas organizaciones que hoy carecen de equipos especializados. El resultado dependería de acceso, regulación, educación, propiedad de los datos y decisiones sobre despliegue. Hablar de capacidad sin hablar de distribución conduce a una visión incompleta del impacto.

La incertidumbre sobre el calendario no elimina la necesidad de prepararse. Una institución puede diseñar procedimientos para evaluar modelos más capaces, actualizar controles de identidad, limitar permisos y proteger información sensible. También puede separar una demostración de un sistema que toma decisiones, exigir pruebas reproducibles y establecer quién autoriza un cambio. Prepararse no significa afirmar que la AGI ya existe; significa reconocer que las capacidades pueden crecer antes de que las reglas internas estén listas para administrarlas.

La pregunta madura no es únicamente cuándo llegará la AGI. También es qué capacidades se están midiendo, qué tareas quedan fuera, qué riesgos aumentan con la autonomía y quién se beneficia del despliegue. Una definición clara permite comparar avances sin exagerarlos y discutir responsabilidades sin refugiarse en una palabra misteriosa. La inteligencia general, si alguna vez se alcanza, tendrá que demostrarse en condiciones variadas y con consecuencias observables, no solo en una presentación convincente.

Fuentes consultadas: Morris et al. — Levels of AGI for Operationalizing Progress on the Path to AGI; OpenAI — OpenAI Charter; Google DeepMind — Taking a responsible path to AGI

Hashtags: #AGI #InteligenciaArtificialGeneral #EvaluacionDeIA #Autonomia #Gobernanza #FuturoDeLaIA

Prompt visual: Portada editorial fotorrealista futurista modernista, una gran matriz visual muestra distintas capacidades cognitivas conectadas —lenguaje, ciencia, planificación, aprendizaje y percepción— con una escala gradual y una investigadora examinando criterios de evaluación, atmósfera sobria y reflexiva, azul profundo, violeta y dorado, composición horizontal, sin logos, sin texto legible, sin marcas de agua.