para orientarte
Un día leés que un modelo ya alcanzó AGI. Al siguiente, alguien dice que estamos a diez años. Las dos personas pueden estar usando la misma palabra para hablar de metas completamente distintas.
Antes de elegir un bando, necesitás separar definición, evidencia, benchmark y extrapolación.
Cada vez que aparece un modelo nuevo, vuelve la pregunta: ¿esto ya es AGI?
El problema es que AGI no tiene una única definición científica aceptada. Dos personas pueden mirar el mismo modelo y estar respondiendo preguntas distintas.
Nuestra respuesta al 6 de septiembre de 2026: estamos mucho más cerca de sistemas generales y autónomos que hace pocos años, pero no existe evidencia suficiente para declarar una línea de meta universal. En algunas definiciones económicas y benchmarks (pruebas estandarizadas), la frontera se acerca rápidamente. En confiabilidad, autonomía prolongada, transferencia robusta y mundo físico, siguen existiendo huecos importantes.
Para entender la discusión necesitamos definir primero qué estamos midiendo.
Qué significa AGI
AGI viene de Artificial General Intelligence, o inteligencia artificial general.
La palabra general es la difícil. No basta con ser extraordinaria en ajedrez, imágenes o código. La idea apunta a un sistema que pueda realizar una gama amplia de tareas, aprender o adaptarse a situaciones nuevas y transferir conocimiento entre dominios.
Pero distintas organizaciones ponen el umbral en lugares diferentes.
La definición económica de OpenAI
El Charter de OpenAI define AGI como sistemas altamente autónomos que superan a los humanos en la mayoría del trabajo económicamente valioso.
Es una definición práctica y económica. No exige conciencia, emociones ni un cuerpo humano.
Un marco por niveles
Investigadores de Google DeepMind propusieron pensar AGI por profundidad de desempeño, amplitud de tareas y autonomía, en lugar de un interruptor binario de “no AGI” a “AGI”.
Ese enfoque se parece más a cómo estamos observando el progreso: capacidades distintas avanzan a velocidades distintas.
AGI y conciencia: dos preguntas distintas
Este es uno de los errores más comunes.
Un sistema puede ser muy competente sin que tengamos evidencia de experiencia subjetiva, emociones o conciencia.
Estas preguntas son distintas:
- ¿puede resolver tareas generales?;
- ¿puede actuar con autonomía?;
- ¿comprende o solamente produce comportamiento competente?;
- ¿tiene experiencias conscientes?;
La conversación sobre AGI suele enfocarse en capacidad y autonomía. La conciencia pertenece a otro debate científico y filosófico.
Qué cambió en 2026
El progreso reciente es difícil de ignorar.
Los modelos de frontera (los sistemas más capaces disponibles en un momento) ya realizan programación, investigación, uso de computadoras, análisis profesional y tareas multimodales con un nivel que hace pocos años parecía muy lejano.
GPT 6 Astra, lanzado el 3 de septiembre, obtuvo resultados extraordinarios en ARC AGI 3. Claude Fable 5.1 está diseñado para trabajos largos y exigentes con contexto masivo. Los agentes pueden operar interfaces, buscar información y producir entregables completos.
Pero progreso grande no equivale a generalidad perfecta.
La frontera es irregular: brillante aquí, torpe allá
El Stanford AI Index 2026 resume una de las mejores razones para evitar titulares absolutos: la inteligencia actual sigue siendo irregular.
El reporte señala ejemplos donde modelos alcanzan nivel de medalla de oro en matemáticas avanzadas mientras tareas visuales simples continúan siendo sorprendentemente difíciles. En OSWorld, una prueba de tareas reales en computadora, los agentes de frontera subieron cerca de 66% de éxito, pero todavía fallan aproximadamente una de cada tres tareas estructuradas.
En robótica, la brecha es aún mayor: el reporte muestra que robots funcionan mucho mejor en simulaciones controladas que en hogares reales.
Eso no contradice el avance. Lo caracteriza.
ARC AGI 3: un salto enorme, pero no una prueba final
ARC AGI intenta medir adaptación a problemas nuevos en lugar de repetir conocimiento memorizado. Cada problema muestra ejemplos mínimos y exige inferir una regla para transformar una cuadrícula; por eso evalúa una forma específica de generalización visual, no todas las capacidades humanas.
Astra consiguió 62.7% con el Standard harness de ARC Prize y 99.9% con un Provider Adapter que preserva estado y administra contexto de una forma diseñada por el proveedor.
ARC Prize calificó el resultado como un gran hito, pero también dijo explícitamente que saturar esa prueba no demuestra AGI.
¿Por qué? Porque un benchmark cubre una parte del espacio de capacidades. Cuando se satura, necesitamos nuevas pruebas.
Autonomía: cuánto tiempo puede trabajar sin romperse
Otra forma de medir progreso es preguntar: ¿qué tan larga es una tarea que un agente puede completar con cierta confiabilidad?
METR publica mediciones de “task completion time horizons”. Su métrica estima la duración, medida según cuánto tardaría una persona experta, de tareas que un agente puede completar con una probabilidad dada.
La tendencia histórica ha crecido rápidamente, especialmente en software. Pero METR también advierte que extrapolar la curva tiene mucha incertidumbre y que las mediciones se basan en suites de tareas particulares.
Una hora de autonomía en benchmarks no equivale automáticamente a una hora manejando tu empresa.
Cinco dimensiones que observaría antes de decir AGI
1. Generalidad
¿Puede pasar de código a estrategia, visuales, negociación, planificación y aprendizaje nuevo sin una reingeniería completa?
2. Confiabilidad
¿Funciona 99 de 100 veces cuando una falla importa, o solamente impresiona en el caso perfecto?
3. Transferencia
¿Puede aplicar una idea aprendida en un dominio a otro problema realmente nuevo?
4. Autonomía
¿Puede sostener objetivos largos, recuperarse de errores y saber cuándo pedir ayuda?
5. Robustez en el mundo real
¿Sigue funcionando cuando los datos son incompletos, las interfaces cambian, las personas son ambiguas y aparecen consecuencias no previstas?
Un benchmark aislado no responde las cinco.
Entonces, ¿qué tan cerca estamos?
La respuesta depende de la definición.
| Definición | Dónde estamos en 2026 |
|---|---|
| Superar humanos en muchas tareas intelectuales | ya ocurre en dominios concretos |
| Ser útil en la mayoría del trabajo de conocimiento con supervisión | cada vez más plausible y visible |
| Hacer la mayoría del trabajo económicamente valioso de forma altamente autónoma | todavía no demostrado de forma general y confiable |
| Competencia humana robusta en cualquier entorno nuevo | no demostrado |
| Inteligencia con conciencia humana | no tenemos una prueba científica equivalente |
Por eso no te daría una fecha tipo “AGI llega en 18 meses”. Sería precisión falsa.
Lo que sí podemos decir sin humo
Estamos viendo convergencia de capacidades
Modelos que antes eran buenos en una sola superficie ahora combinan texto, imágenes, código, web y acciones.
El cuello se mueve hacia confiabilidad y control
Cuando el sistema ya puede actuar, el problema cambia de “¿puede hacerlo?” a “¿puede hacerlo consistentemente, con permisos correctos y sin consecuencias inesperadas?”.
Los benchmarks envejecen rápido
Cuando una prueba se satura, deja de discriminar la frontera. Necesitamos benchmarks nuevos, entornos reales y evaluaciones longitudinales.
La economía puede sentir AGI antes de que la filosofía esté de acuerdo
Un sistema no necesita resolver la conciencia para transformar profesiones. Si automatiza una parte creciente del trabajo, el impacto económico llega aunque sigamos discutiendo la etiqueta.
Cómo leer titulares de AGI sin perder la cabeza
Cada vez que alguien diga “AGI está aquí”, buscá cinco cosas:
- Definición: ¿qué significa AGI para esa persona?
- Prueba: ¿qué capacidad está midiendo y cuál deja fuera?
- Configuración: ¿qué herramientas, memoria o ayuda recibió el modelo?
- Confiabilidad: ¿cuántas veces falla al repetir el intento?
- Mundo real: ¿hay evidencia fuera de una evaluación controlada?
Si esas cinco piezas faltan, probablemente estás leyendo una predicción o una campaña, no una conclusión científica.
Qué significa para vos hoy
No necesitás esperar a AGI para cambiar la forma en que trabajás.
La tecnología actual ya justifica tres hábitos:
- volverte independiente de una herramienta, entendiendo modelos, contexto y capacidades transferibles;
- diseñar flujos donde la IA haga más trabajo pero la aprobación humana permanezca donde importa;
- aprender a evaluar resultados en lugar de medir inteligencia por lo convincente que suena una conversación.
Empezá con Fundamentos de IA, luego mirá GPT 6 Astra y Claude Fable 5.1 como ejemplos concretos de por qué la frontera se está moviendo.
Fuentes
- OpenAI Charter
- Google DeepMind: Levels of AGI
- Stanford HAI: 2026 AI Index Report
- METR: Task Completion Time Horizons
- ARC Prize: GPT 6 Astra on ARC AGI 3
Revisión editorial: actualizada y verificada el 6 de septiembre de 2026.
Pasá de leer a hacer
Probalo esta semana
La habilidad que te llevás: Leer noticias de IA sin convertir un benchmark en una conclusión exagerada
Tu prueba, paso a paso
Tomá un titular que diga que un modelo alcanzó o está cerca de AGI.
Buscá qué definición de AGI está usando la persona o empresa.
Identificá qué benchmark se midió, bajo qué herramientas y con qué ayuda externa.
Separá la habilidad demostrada de la confiabilidad, autonomía y generalidad que todavía no fueron probadas.
Ideas, recursos y límites para hacerlo bien
Dónde usarlo
Empezá donde ya hay fricción
En tu trabajo
- Preparar briefings de IA para líderes sin repetir marketing como hecho.
- Evaluar claims de proveedores antes de comprar una herramienta.
- Explicar a un equipo qué significa realmente un benchmark nuevo.
También en tu día a día
- Leer noticias de IA con menos ansiedad y más contexto.
- Distinguir progreso técnico de predicciones sobre empleo, conciencia o sociedad.
Para profundizar
Cuándo pedir otra mirada
Conservá revisión humana cuando el error pueda afectar dinero, derechos, privacidad, reputación o una acción difícil de revertir.
Tu siguiente movimientoUsá el mismo marco cada vez que un titular declare una nueva frontera de capacidad.
Transparencia editorial
Este artículo fue investigado y preparado con ayuda de IA. Nina revisó fuentes, contexto, criterio editorial y versión final.