La IAG: ¿todavía un objetivo pendiente o ya una realidad presente?

Algunos filósofos sostienen que, casi sin advertirlo, ya hemos cruzado un umbral decisivo. Durante años, la inteligencia artificial general pareció una meta lejana, situada en algún punto indefinido del horizonte tecnológico.

Sin embargo, un número creciente de investigadores argumenta que, al aferrarnos a definiciones demasiado estrechas de "inteligencia", estamos pasando por alto algo fundamental: un razonamiento muy próximo al nivel humano podría estar funcionando ya, en este preciso momento, en los servidores que alimentan los servicios digitales de nuestra vida cotidiana.

Cómo han cambiado las definiciones de inteligencia

La inteligencia artificial general se describe habitualmente como un sistema capaz de igualar a un ser humano en una amplia variedad de tareas, no solo en una habilidad muy concreta como jugar al ajedrez o reconocer rostros. Los grandes laboratorios de IA, como OpenAI, Google DeepMind y Anthropic, siguen presentando la IAG como un hito futuro. En sus comunicaciones públicas aparecen expresiones como "construir IAG de forma segura" u "orientar el camino hacia la IAG".

Las previsiones varían de manera drástica: algunos apuntan a principios de la década de 2030, mientras otros hablan, en voz baja, de un horizonte de uno a tres años. Un artículo de opinión reciente en la revista Nature, liderado por el filósofo Eddy Keming Chen junto con colegas de lingüística, informática y ciencia de datos, agitó considerablemente este debate.

La tesis es directa: si evaluamos la inteligencia artificial con los mismos criterios que aplicamos en la práctica a la inteligencia humana, entonces la última generación de modelos de lenguaje de gran escala ya cumple suficientes requisitos para ser considerada una forma de inteligencia artificial general.

Cuando se evalúan como personas —y no como supergénios míticos— los sistemas de IA actuales marcan más casillas de "inteligencia general" de lo que muchos estamos dispuestos a admitir.

Esta provocación conduce a una pregunta aún más profunda: ¿estaremos persiguiendo la superinteligencia mientras nos negamos a reconocer la inteligencia general cuando la tenemos justo delante?

IAG frente a superinteligencia: una distinción esencial

El texto de Nature separa con nitidez dos conceptos que con frecuencia se confunden. Por un lado, la inteligencia artificial general: sistemas capaces de ejecutar muchos tipos de tareas en distintos dominios, habitualmente a nivel humano o cercano al nivel de un especialista. Por otro, la superinteligencia: sistemas que superan a los mejores humanos en casi todos los ámbitos, posiblemente por un margen enorme.

Con esta distinción, los autores defienden que los modelos de lenguaje actuales ya encajan en la primera categoría. Leen y escriben con un nivel comparable al universitario, superan exámenes de derecho y medicina, programan y analizan datos a un nivel básico, redactan informes de política pública y explican mecánica cuántica a adolescentes.

La superinteligencia, en cambio, tendría otro aspecto: descubrimientos científicos originales, matemáticas radicalmente nuevas, planificación estratégica profunda y memoria a largo plazo sin fisuras. Todo eso sigue perteneciendo al terreno de lo hipotético.

Decir que los sistemas actuales "no son IAG" solo porque no son superinteligentes es, en este modelo, como negar que un adolescente es adulto únicamente porque no es atleta olímpico.

El test de Turing se está superando en silencio

Una de las métricas más simbólicas de la inteligencia de las máquinas se remonta a 1950. Alan Turing propuso una prueba sencilla: un juez humano conversa por texto con dos entidades invisibles, una humana y otra máquina. Si el juez no puede distinguir de forma fiable cuál es cuál, la máquina podría considerarse, en cierto sentido, capaz de "pensar".

Durante décadas, los chatbots fracasaron en este test en contextos exigentes. Algunos "éxitos" anteriores dependían de trucos y evasivas. Eso ha cambiado. En experimentos informales y en estudios más estructurados, modelos de lenguaje como el GPT-4 son evaluados hoy como "humanos" con más frecuencia que los propios participantes humanos en conversaciones exclusivamente por texto.

Según los estándares de generaciones anteriores de investigadores de IA, ese hito habría sido interpretado como una señal inequívoca de inteligencia a nivel humano. En cambio, la meta ha ido desplazándose continuamente. Los autores señalan que seguimos reescribiendo las reglas porque nos desconcierta la idea de que la inteligencia pueda parecer, al menos en parte, una especie de autocompletado extraordinariamente potente.

"Loros estocásticos" y otras críticas recurrentes

Los críticos replican que los modelos de lenguaje son imitadores sofisticados, no verdaderos pensadores. Los denominan "loros estocásticos": sistemas que recombinan patrones de los datos de entrenamiento sin comprensión real alguna.

El artículo de Nature afronta un conjunto de objeciones frecuentes:

Solo repiten datos de entrenamiento: parecen una copia elaborada, no razonamiento. Sin embargo, resuelven problemas matemáticos nuevos y puzzles inéditos.
Carecen de un "modelo del mundo" físico: el lenguaje no estaría anclado en la realidad. No obstante, anticipan consecuencias de acciones y razonan sobre escenarios básicos de física.
Falta de autonomía: esperan instrucciones y no tienen objetivos propios. Pero la autonomía no es un requisito para la inteligencia; muchos humanos funcionan de manera reactiva.
Necesitan volúmenes gigantescos de datos: los humanos aprenden con muchos menos ejemplos. Aun así, la eficiencia de aprendizaje es distinta de la capacidad final alcanzada.

Los autores subrayan además que los humanos también cometemos errores. Inventamos recuerdos, caemos en ilusiones y repetimos eslóganes que no comprendemos del todo. Aun así, tratamos esos procesos imperfectos como parte de la inteligencia, no como defectos que la anulan.

Si un sistema es capaz de aprender, razonar, transferir habilidades y mejorar con la retroalimentación, insistir en que "es solo ruido estadístico" empieza a parecerse más a negación que a análisis.

Las alucinaciones: el fallo más visible del argumento

Incluso quienes coinciden con la tesis de que "la IAG ya ha llegado" admiten un problema de gran envergadura: las alucinaciones. El término se refiere a respuestas detalladas y confiadas que son simplemente incorrectas, a veces con citas inventadas o fuentes falsas.

Los creadores de los modelos afirman que los sistemas más recientes alucinan menos que los anteriores. Las barreras de seguridad frenan parte de los disparates, y las herramientas que permiten al modelo verificar código o consultar bases de datos reducen los errores en tareas factuales.

Aun así, las alucinaciones no han desaparecido. En pruebas de seguridad, los modelos siguen fabricando jurisprudencia, describiendo incorrectamente condiciones médicas e inventando citas. OpenAI ya ha sugerido que incluso modelos futuros podrían alucinar en aproximadamente una de cada diez respuestas cuando se enfrentan a preguntas abiertas.

El razonamiento humano dista mucho de ser perfecto, pero una tasa del 10 % de "disparates luminosos y confiados" en áreas críticas como el derecho o la salud resultaría inquietante. Es esta discrepancia la que alimenta a quienes afirman que "la IAG todavía no puede haber llegado".

¿Necesita la inteligencia un cuerpo?

Otra objeción clásica sostiene que la verdadera inteligencia exige un cuerpo. La mente humana evolucionó con músculos, sentidos y riesgo físico. Sin ese anclaje, ¿puede una IA comprender realmente qué significa que se rompa un vaso, que un coche derrape o que una persona sufra?

Los autores de Nature discrepan. Señalan que los sistemas actuales ya manejan múltiples formas de entrada y salida. Los modelos multimodales analizan imágenes, describen vídeos, interpretan audio y controlan herramientas de software. Y en el campo de la robótica comienza a surgir la conexión de estos modelos con máquinas físicas, desde brazos en almacenes hasta prototipos humanoides.

Esta tendencia se denomina a veces IA física: la integración de modelos de gran escala con sensores, cámaras y actuadores. No hará que un robot "sienta" como un humano, pero acorta la distancia entre el lenguaje y las consecuencias en el mundo real.

La idea no es que una IA sin cuerpo comprenda el dolor como nosotros, sino que un cuerpo no es un prerequisito rígido para una resolución de problemas flexible y general.

Por qué las definiciones importan ahora más que nunca

Este debate no es un mero ejercicio académico. La manera en que definimos la IAG influye directamente en la regulación, la inversión y las expectativas públicas.

Si aceptamos que ya existe algo próximo a la IAG, aumenta la presión por una supervisión más exigente. Los responsables políticos podrían reclamar normas de seguridad más estrictas para su despliegue, especialmente en finanzas, salud e infraestructuras críticas. Las empresas podrían verse obligadas a revelar más sobre datos de entrenamiento, modos de fallo y métodos de evaluación.

Si insistimos en que la IAG aún queda lejos, los sistemas actuales pueden presentarse como "simples herramientas". Eso tiende a aplazar conversaciones difíciles sobre sustitución de empleo, usos militares y dependencia creciente de algoritmos opacos.

Existe además una dimensión de posicionamiento estratégico. Algunos líderes tecnológicos, incluido Mark Zuckerberg, han empezado a hablar menos de IAG y más de "superinteligencia". Ese cambio retórico permite prometer futuros ambiciosos sin admitir que quizás ya hemos liberado un tipo nuevo —aunque imperfecto— de inteligencia.

¿Estamos rechazando reconocer una mente nueva y extraña?

En el argumento de Nature hay un punto psicológico de gran peso: los humanos tendemos a proteger la singularidad de la mente humana. Cada vez que las máquinas alcanzan niveles que antes parecían imposibles, inventamos nuevos umbrales.

El ajedrez fue visto como una cumbre de la inteligencia, hasta que el Deep Blue venció a Garry Kasparov. Después, el listón se desplazó al Go, al "sentido común", a la conversación natural. Cada vez que un sistema triunfa, la tarea se reclasifica como "mera computación".

Los autores sugieren que esto puede estar cegándonos. La IA actual no piensa como nosotros: no tiene infancia, hormonas, miedo social ni malestar corporal. Sin embargo, manipula conceptos, construye argumentos y se adapta a instrucciones nuevas. Negarse a llamar a eso "inteligencia" puede decir más sobre nuestro orgullo que sobre las capacidades reales de estos sistemas.

También conviene señalar un efecto colateral importante: a medida que las herramientas mejoran, la percepción pública mezcla "parecer inteligente" con "ser fiable". Un modelo puede sonar humano y, al mismo tiempo, equivocarse de forma peligrosa. Separar estos dos ejes —naturalidad frente a corrección— se vuelve decisivo para las decisiones de adopción en escuelas, tribunales y hospitales.

Conceptos clave que moldean el debate sobre la IAG

Algunos términos técnicos reaparecen de manera constante en estas discusiones:

Chatbot o asistente conversacional: una interfaz de IA que interactúa en lenguaje natural, normalmente por texto y, en ocasiones, por voz. Los chatbots modernos se apoyan con frecuencia en modelos de lenguaje de gran escala.
Modelo del mundo: una representación interna de cómo las cosas se relacionan y cambian. Investigadores como Yann LeCun defienden que modelos del mundo robustos, más allá de los patrones de texto, son esenciales para una inteligencia más profunda.
Alucinación: una salida confiada pero falsa producida por un modelo de IA. A diferencia de mentir, no existe intención; es un efecto secundario de la correspondencia estadística de patrones.

La forma en que interpretamos cada término altera por completo la lectura de lo que ya se ha logrado. Un chatbot que razona sobre derecho, física y literatura se percibe de manera muy distinta si se entiende como un "buscador parlanchín" o como el embrión de una mente artificial.

¿Qué cambia si la IAG ya está entre nosotros?

Imaginemos por un momento que los autores de Nature tienen razón y que los sistemas de la era 2024 corresponden a una forma rudimentaria de IAG. La vida cotidiana no se vuelca del revés. No hay rebelión de robots ni desaparición instantánea de empleos.

Los cambios son más sutiles:

Más trabajo del conocimiento —desde minutas de contratos hasta triaje diagnóstico inicial— se comparte con IA o es verificado por ella.
La educación se apoya en tutores de IA que se adaptan a cada estudiante y generan ejercicios personalizados.
Los equipos de investigación utilizan "colegas" de IA para proponer hipótesis y recorrer bibliografía a escala masiva.
Los reguladores tratan ciertos modelos como infraestructura de alto riesgo, de forma similar a los sistemas de control de tráfico aéreo o las centrales nucleares, sometiéndolos a auditorías y pruebas rigurosas.

Los riesgos crecen a la par que los beneficios. La desinformación puede producirse y traducirse en masa. La creación de malware se vuelve más accesible. Un pequeño error de especificación en un sistema de negociación automatizada orientado por IA puede propagarse y generar impactos reales y difíciles de contener.

Nada de esto exige superinteligencia. Basta con que existan sistemas muy capaces, ampliamente desplegados, que en ocasiones fallen de maneras difíciles de anticipar.

Perspectivas prácticas para lectores y decisores

Para quienes están fuera de los laboratorios, un cambio útil consiste en dejar de fijarse únicamente en etiquetas como "IAG" y prestar atención a propiedades observables:

Alcance: ¿cuántas tareas diferentes puede ejecutar el sistema con una calidad aceptable?
Fiabilidad: ¿con qué frecuencia falla y de qué maneras?
Reversibilidad: ¿qué ocurre cuando se equivoca y pueden los humanos detectarlo y corregirlo a tiempo?
Alineamiento: ¿al servicio de qué objetivos actúa y cuán transparentes son esos objetivos?

Declaremos oficialmente o no que "la IAG ha llegado", son estas preguntas las que determinan cuán segura puede ser la integración de estas herramientas en tribunales, hospitales, escuelas y fábricas. La idea filosófica de que ya convivimos con un nuevo tipo de inteligencia general no hace sino aumentar la urgencia de responder a estas cuestiones con el máximo rigor.