¿Por qué hay opiniones divergentes sobre cuándo llegará una IA potente?
Pocos negarían que el progreso de la IA en los últimos años ha sido rápido.
Los modelos de lenguaje a gran escala (LLM) han proporcionado una vía inesperada hacia capacidades cada vez más generales. En 2019, GPT-2 de OpenAI tenía dificultades para escribir un párrafo coherente. En 2025, los LLM escriben ensayos con fluidez, superan a los expertos humanos en preguntas de ciencias de nivel de posgrado y destacan en matemáticas de competición y programación. Los modelos de IA multimodal más avanzados producen ahora imágenes y vídeo que resultan difíciles de distinguir de la realidad.
Estos modelos son impresionantes (¡y útiles!), pero aún están lejos de la meta a la que aspiran las empresas de IA de vanguardia. La inteligencia artificial general (IAG), que OpenAI describe como «un sistema altamente autónomo que supera a los humanos en la mayor parte del trabajo de valor económico», ha sido la máxima ambición de los investigadores de IA desde hace décadas.
La mayoría de los expertos coinciden en que la IAG es posible. También coinciden en que tendrá consecuencias transformadoras. Sin embargo, hay menos consenso sobre cuáles serán esas consecuencias. Algunos creen que la IAG marcará el comienzo de una era de abundancia radical. Otros creen que probablemente conducirá a la extinción humana. De lo que sí podemos estar seguros es de que un mundo post-IAG sería muy diferente de aquel en el que vivimos hoy.
Entonces, ¿está la IAG a la vuelta de la esquina? ¿O aún nos esperan problemas difíciles que tardaremos décadas en resolver, a pesar de la rapidez de los avances recientes? Este tema es objeto de un intenso debate. Si preguntas a distintos grupos cuándo creen que llegará la IAG, obtendrás respuestas muy diferentes, que van desde solo un par de años hasta más de dos décadas.
¿A qué se debe esto? Hemos intentado identificar algunos de los principales puntos de desacuerdo.
Argumentos a favor de los plazos cortos
Muchas de las personas más cercanas a la IA de vanguardia esperan que la IAG llegue antes de 2030.
Dario Amodei, director general de Anthropic, está «seguro» de que se alcanzarán capacidades muy potentes en un plazo de 2 a 3 años. Sam Altman, director general de OpenAI, ha afirmado que su empresa «sabe cómo construir la IAG», y cree que podríamos alcanzar un objetivo aún más ambicioso, la «superinteligencia», en un plazo de «miles de días». Por su parte, Demis Hassabis, director general de Google DeepMind, pronostica un plazo ligeramente más conservador (aunque todavía a corto plazo) de 3 a 5 años hasta la IAG.
Dos escenarios muy destacados, Situational Awareness y AI-2027, redactados por pronosticadores y antiguos empleados de empresas de IAG, ofrecen proyecciones similares.
Estas son algunas razones para pensar que la IAG podría estar a solo unos años de distancia:
#1 Los benchmarks se siguen saturando
El argumento más sencillo que puede esgrimir un defensor de los plazos cortos es que —al menos en las capacidades que sabemos medir— realmente no parece que nos quede mucho por recorrer.
Este gráfico muestra la rapidez con la que han mejorado las capacidades de la IA en diversos benchmarks en tan solo los últimos dos años:
Fuente: Informe internacional sobre seguridad de la IA
En los benchmarks académicos de tipo cerrado, las IA se están acercando al nivel de los expertos humanos. Los modelos insignia de OpenAI, DeepMind y Anthropic obtienen una puntuación superior al 82 % en MMLU, que contiene preguntas de opción múltiple sobre una amplia gama de disciplinas, desde las matemáticas hasta el derecho internacional, y superior al 75 % en GPQA, que contiene preguntas de nivel de posgrado en áreas de ciencia, tecnología, ingeniería y matemáticas (STEM).
Los benchmarks se están saturando tan rápidamente que los investigadores se apresuran a crear otros nuevos que sigan suponiendo un reto para los modelos de vanguardia. Por ejemplo, Humanity’s Last Exam (HLE) contiene 2500 preguntas aportadas por más de 1000 expertos en distintas materias, diseñadas para situarse en la frontera del conocimiento humano en la mayoría de los campos, y los LLM ya están empezando a avanzar. El modelo o3 de OpenAI obtuvo una puntuación del 20 % en HLE, frente al 8 % de su predecesor, o1, que se había lanzado apenas unos meses antes. Sus creadores consideran «plausible» que una IA alcance más del 50 % en HLE para finales de 2025.
Es importante destacar que los modelos de IA no se limitan a «memorizar» las respuestas a las preguntas de benchmarks como GPQA y HLE: los investigadores mantienen conjuntos de pruebas privados para asegurarse de que las soluciones no se cuelen en los datos de entrenamiento de los modelos.
Si el progreso continúa al ritmo de los últimos años, no tardaremos mucho en tener dificultades para formular preguntas cerradas que los modelos de IA no puedan responder. Llegado ese momento, lo único que faltará serán las propiedades necesarias para sacar partido a toda esa inteligencia en bruto, como la capacidad de actuar por iniciativa propia y de hacer planes a largo plazo. Convenientemente para quienes creen en los plazos cortos, también existe evidencia de avances en estas métricas, lo que nos lleva a nuestro siguiente punto.
#2 Las IA son capaces de completar tareas cada vez más largas
Las impresionantes puntuaciones en los benchmarks no se traducen directamente en un impacto en el mundo real. Una de las razones es que, actualmente, los modelos de IA no pueden completar tareas en horizontes temporales prolongados. Aunque puedan resolver cualquier paso individual de forma más fiable que la mayoría de los humanos, no son capaces de llevar a cabo de forma autónoma tareas que a una persona le llevarían días o semanas.
Pero eso podría cambiar pronto. Un estudio reciente de METR, una organización que desarrolla y realiza evaluaciones de modelos de IA de vanguardia, descubrió que la duración de las tareas que pueden completar con éxito se duplica cada siete meses:
Si esta tendencia continúa, las IA serán capaces de realizar proyectos de un mes de duración para finales de la década. Incluso podría acelerarse. En concreto, en 2024-25, el tiempo de duplicación fue de 4 meses, lo que llevaría a predecir que para 2027 las IA podrán llevar a cabo tareas de un mes de duración.
#3 La investigación en IA podría ser la única capacidad que necesitemos automatizar para alcanzar la IAG
El objetivo de las empresas de IA de vanguardia es desarrollar sistemas de IA que puedan automatizar todas las tareas de valor económico. Una de esas tareas es la propia investigación en IA. Si logramos automatizar —o acelerar significativamente— el proceso para desarrollar una mejor IA, entonces cualquier obstáculo restante para la IAG podría superarse poco después.
Si una empresa de IA desarrollara internamente un sistema de IA que superara a sus mejores ingenieros en la tarea de hacer avanzar la frontera de la IA, tendría un enorme incentivo para automatizar una parte significativa de su propia investigación. Los investigadores de IA automatizados podrían trabajar día y noche sin descanso, e incluso autorreplicarse para desarrollar lo que Geoffrey Hinton (uno de los pioneros del paradigma del aprendizaje profundo que dio inicio a la actual aceleración de las capacidades de la IA) denomina una «mente colmena digital».
Se necesita mucho más poder de cómputo para entrenar un nuevo modelo de IA que para ejecutarlo. Un investigador de IA estima que para 2027 seremos capaces de ejecutar millones de investigadores automatizados en paralelo, comprimiendo así años de progreso en tan solo unos días.
Esto podría desencadenar lo que a veces se denomina una explosión de inteligencia: un bucle de realimentación recursivo en el que IA cada vez más potentes crean sus propios sucesores. Una explosión de inteligencia podría dar lugar rápidamente a sistemas de IA mucho más capaces que los humanos.
Las IA ya están mejorando en las habilidades necesarias para automatizar la investigación en IA. El año pasado, METR evaluó modelos de vanguardia, incluidos Claude Sonnet 3.5 de Anthropic y o1-preview de OpenAI, frente a más de 50 expertos humanos. Los resultados mostraron que los modelos ya superan a los humanos en tareas de I+D en IA en horizontes temporales de dos horas.
#4 Podríamos entrenar modelos mucho más grandes antes de 2030
Los sistemas de IA más potentes de la actualidad se entrenan utilizando tres insumos: datos (en su mayoría, textos de Internet), algoritmos (instrucciones para aprender a partir de estos datos) y poder de cómputo (los chips de última generación que impulsan todo el proceso).
En los últimos años, hemos observado que la cantidad de poder de cómputo utilizada para entrenar los modelos suele estar correlacionada con su capacidad. Hay quienes incluso han llegado a la conclusión de que el poder de cómputo es el ingrediente más importante en el proceso de desarrollo de la IA. Afirman que no se trata de diseñar algoritmos ingeniosos o arquitecturas llamativas, sino simplemente de añadir más y más hardware.
Epoch estima que, para 2030, será posible entrenar modelos de IA utilizando 10 000 veces más poder de cómputo que el empleado para GPT-4 de OpenAI. Se trata de un salto similar al que observamos entre GPT-2 —que apenas podía producir un párrafo coherente sin desviarse del tema— y GPT-4, capaz de realizar razonamientos complejos, programar, aprobar exámenes estandarizados y mantener conversaciones detalladas y ricas en contexto.
Si (como hemos venido argumentando hasta ahora) no queda mucho por recorrer antes de alcanzar la IAG o automatizar la investigación en IA, cuesta imaginar que ampliar la escala otras 10 000 veces no nos lleve hasta allí.
#5 Los plazos que prevé la gente no dejan de acortarse
La opinión de los expertos es un dato importante en el debate sobre los plazos de la IAG, pero resulta impreciso. Por un lado, existe un espectro de opiniones extremadamente amplio —¡que es precisamente el tema central de este artículo!—. Por otro, no está claro qué califica a alguien para realizar un pronóstico sobre la llegada de la IAG. Varios tipos de experticia podrían aportar información valiosa, desde la experiencia en la creación de modelos de vanguardia hasta un historial impresionante de pronósticos.
Si no podemos identificar a una única autoridad en cuyas predicciones debamos confiar, resulta complicado saber cómo debería influir la opinión de los expertos en nuestros pronósticos. Pero lo que sí podemos hacer es observar cómo han evolucionado las predicciones a lo largo del tiempo. ¿Parecen converger en un periodo determinado?
Adoptar esta perspectiva aporta cierta credibilidad al argumento de los plazos cortos. En una encuesta de 2023 realizada por AI Impacts a investigadores en aprendizaje automático, los participantes dijeron que la IAG llegaría en 2047, lo cual se consideraría «plazos largos» según los estándares actuales. Sin embargo, en la encuesta de 2022, el año era 2060. En la plataforma de pronosticación Metaculus, la fecha prevista para el desarrollo de la IAG se ha adelantado más de dos décadas desde 2022:
El coro a favor del acortamiento de los plazos resuena con fuerza. Tomemos como ejemplo a Geoffrey Hinton y Yoshua Bengio, ganadores del Premio Turing de 2018 por su trabajo en aprendizaje profundo y apodados «los padrinos de la IA». Ambos acortaron sus plazos de varias décadas a tan solo cinco años tras el lanzamiento de ChatGPT (un momento decisivo para muchos observadores del progreso de la IA). En una reciente publicación en Substack, la exmiembro de la junta directiva de OpenAI, Helen Toner, reflexiona sobre esta epidemia de reducción de plazos y cita varios ejemplos de antiguos escépticos que ahora creen que la IAG podría llegar en un plazo de 10 años.
Aunque sin duda hay un límite en cuanto a lo que podemos aprender de las predicciones (especialmente dada la naturaleza sin precedentes de la IAG), vale la pena señalar que es mucho más fácil encontrar ejemplos de plazos que se acortan que de plazos que se alargan.
Argumentos a favor de los plazos largos
A pesar del gran entusiasmo (y alarma) que suscita la IAG a corto plazo, no todo el mundo está convencido. Aunque muchos profesionales del sector confían en que llegará pronto, las encuestas realizadas a grupos más amplios de expertos siguen arrojando plazos más largos, a pesar de la tendencia a la baja antes mencionada.
Los escépticos apuntan a los errores absurdos que siguen cometiendo los LLM, subrayan las barreras que existen para utilizar la IA en tareas del mundo real y dudan de la plausibilidad de una explosión de inteligencia.
Estas son algunas razones para pensar que la IAG aún podría estar a décadas de distancia:
#1 Los benchmarks solo nos informan sobre capacidades que son fáciles de medir
Los benchmarks sirven para evaluar tareas claramente definidas, en las que el éxito es fácil de verificar. Los modelos de IA son especialmente buenos en este tipo de tareas. Esto es particularmente cierto en el caso de los modelos de razonamiento más recientes, como o1 de OpenAI, que se basan en gran medida en el aprendizaje por refuerzo.
Durante el aprendizaje por refuerzo, un modelo aprende a maximizar la recompensa mediante ensayo y error. Esto ha dado lugar a sistemas de IA sobrehumanos en ámbitos específicos, como AlphaGo y AlphaFold de DeepMind, y los investigadores han descubierto recientemente que también funciona mejor de lo esperado en los LLM de uso general. Es mucho más fácil para una IA aprender mediante el aprendizaje por refuerzo cuando lo que constituye un «buen desempeño» frente a un «mal desempeño» es indiscutible. Si le damos a una IA una meta que alcanzar, lo hará. Esta es una de las explicaciones de por qué los modelos de razonamiento han mostrado mejoras extremadamente impresionantes en sus capacidades en ámbitos como las matemáticas y la programación.
Pero los escépticos respecto a la IAG señalan que el mundo real no es tan ordenado. Piensa en lo que vives a diario en tu trabajo. Es posible que recibas comentarios variados (o incluso contradictorios) de diversas personas. Probablemente haya más de una forma «correcta» de entregar un resultado. Aprenderás qué funciona y qué no al observar los efectos de tu trabajo en el mundo real, que pueden ser dispares.
Esta línea de argumentación constituyó gran parte de las críticas al estudio de METR que se mencionó anteriormente. El estudio se utilizó para demostrar que las IA son capaces de actuar en horizontes temporales cada vez más largos, pero midió exclusivamente el desempeño en tareas de ingeniería de software. ¡Justo el tipo de tarea en el que esperaríamos que las IA fueran buenas! No está claro hasta qué punto esta tendencia se generalizará a otros tipos de trabajo de valor económico.
Tampoco es fácil dividir los trabajos del mundo real en tareas distintas y bien definidas. Estas tienden a solaparse y dependen de mucho contexto que resulta difícil proporcionarle a una IA. Por esta razón, no es tan fácil delegar ni siquiera las más breves a los modelos de IA. Los LLM son expertos en redactar correos electrónicos, ¡pero pedirle a uno que haga un seguimiento con un compañero sobre una conversación anterior es bastante difícil cuando la IA no sabe de qué estuvieron hablando!
#2 Las tareas que son fáciles para los humanos son difíciles para las IA, y viceversa
Históricamente, la gente esperaba que el trabajo manual se automatizara mucho antes que el trabajo de oficina. Sin embargo, en 2025 contamos con modelos de lenguaje capaces de resolver preguntas científicas de nivel de doctorado, pero no con robots que puedan armar muebles de manera confiable.
Una persona que sí vio venir esto fue el informático Hans Moravec. En 1988 observó que es mucho más fácil conseguir que una computadora muestre un rendimiento de nivel experto en un juego como las damas que dotarla de la percepción y movilidad básicas de un niño de un año. Este principio se conoció como la Paradoja de Moravec: el razonamiento requiere mucho menos poder de cómputo que las habilidades sensoriomotoras.
Moravec planteó la hipótesis de que habilidades como agarrar objetos o sortear obstáculos son más difíciles de replicar porque han tardado mucho más tiempo en surgir a través de la evolución biológica. Por otro lado, los seres humanos adquirieron las habilidades de razonamiento abstracto hace relativamente poco tiempo. Cuanto más antigua es una habilidad, se requieren más recursos de cómputo para aplicarle ingeniería inversa.
Quizá este fenómeno nos haya dado una percepción distorsionada de lo capaces que son realmente los sistemas de IA actuales. La capacidad de resolver un problema matemático de nivel de doctorado nos parece impresionante, porque la mayoría de los seres humanos no puede hacerlo. Por otro lado, cargar una lavavajillas parece una tarea trivial y sencilla, porque la mayoría de nosotros podemos hacerlo. Pero el argumento de Moravec diría que esto, en realidad, no nos dice mucho sobre la dificultad absoluta de ninguna de las dos tareas. Esto implica que hemos desbloqueado las capacidades de IA más fáciles, y que la parte más difícil aún podría estar por delante.
#3 Puede que una explosión de inteligencia no sea posible
Hasta ahora, hemos estado argumentando que los plazos para alcanzar la IAG podrían ser largos porque queda mucho más camino por recorrer de lo que sugieren los benchmarks.
Sin embargo, esto pasa por alto el argumento de la explosión de inteligencia que se planteó anteriormente. Aunque haya muchos obstáculos que debamos superar antes de alcanzar la verdadera IAG, la automatización de la investigación en IA podría significar que la alcancemos muy pronto. El hecho de que las IA sean especialmente buenas en tareas fáciles de medir, como las matemáticas y la programación, no hace más que respaldar esta idea, pues son precisamente las habilidades que necesitarán para acelerar el progreso de la IA.
Pero el que una explosión de inteligencia sea realmente posible o no es una pregunta abierta. Como explicamos antes, la IA se entrena utilizando tres insumos: datos, algoritmos y poder de cómputo. Es este segundo ingrediente, los algoritmos, el que depende del trabajo cognitivo. Hoy en día, este trabajo lo realizan investigadores humanos, y en el futuro podrían realizarlo investigadores automatizados.
Esto significa que la probabilidad de una explosión de inteligencia depende de una cuestión clave: ¿cuánto progreso algorítmico podría lograr un equipo de investigadores automatizados mientras el poder de cómputo y los datos permanecen estáticos? Fabricar nuevos chips y construir centros de datos lleva tiempo, al igual que recopilar datos (o generar datos sintéticos, ¡lo cual podría ser fundamental si nos quedamos sin texto escrito por humanos!).
Un estudio reveló que, históricamente, los mayores avances algorítmicos han dependido del poder de cómputo: requirieron ampliar enormemente la escala del hardware para su desarrollo y validación. Si esto sigue siendo así en el futuro, entonces una explosión de inteligencia parece menos plausible.
Desde luego, esto es mucho suponer. Es difícil predecir lo que podrían lograr muchos investigadores de IA automatizados y superinteligentes trabajando en paralelo. Podrían encontrar varias formas ingeniosas de realizar experimentos con un suministro fijo de poder de cómputo, como usar técnicas de scaffolding para obtener más capacidad de los modelos existentes. Los escépticos reconocen que una explosión de inteligencia es una posibilidad real, pero señalan que es especulativa.
#4 La inteligencia en bruto podría no ser el principal motor de los descubrimientos
En el escenario de plazos cortos, desarrollamos lo que Dario Amodei denomina un «país de genios en un centro de datos» que transforma el mundo realizando una gran cantidad de investigación y desarrollo (I+D). Por ejemplo, se podría encomendar a estos genios de la IA desarrollar nuevos medicamentos, encontrar soluciones energéticas sostenibles o crear mecanismos de coordinación que nos ayuden a evitar conflictos futuros (o, en un escenario adverso, la investigación potenciada por la IA se volvería en nuestra contra).
Que las cosas realmente se desarrollen de esta manera depende de qué es lo que en verdad impulsa los descubrimientos en el mundo real. Los escépticos señalarán que la I+D es mucho más que personas muy inteligentes pensando arduamente. Prueba de ello es el fenómeno del descubrimiento simultáneo: a menudo, varias personas tienen la misma idea de forma independiente, más o menos al mismo tiempo. Por ejemplo, Isaac Newton y Gottfried Leibniz descubrieron el cálculo en las décadas de 1660 y 1670, y Charles Darwin y Alfred Russel Wallace describieron la selección natural en 1858.
Existen muchas teorías sobre por qué se producen descubrimientos simultáneos. Una de ellas es que la cultura avanza más rápido que el descubrimiento científico, lo que genera un desfase para el cual las personas luego buscan soluciones o explicaciones técnicas. Esto contradice la idea de que la capacidad intelectual bruta de un «país de genios en un centro de datos» podría realmente provocar una aceleración masiva en la I+D.
También se ha señalado que el proceso de I+D requiere un conjunto de habilidades mucho más amplio que el mero razonamiento abstracto (el pan de cada día de los modelos de razonamiento). Los investigadores humanos dirigen equipos de investigación, recopilan evidencia de experimentos, etc. Quizá esto signifique que la I+D científica no es más fácil de automatizar que cualquier otra cosa. Esto implicaría que no deberíamos esperar una transformación rápida impulsada por la IA sino hasta después de que se haya automatizado una amplia gama de trabajos más rutinarios en toda la economía.
Entonces… ¿quién tiene razón?
Muchas personas inteligentes y calificadas llevan mucho tiempo reflexionando sobre cuándo llegará la IAG, y han llegado a conclusiones muy diferentes. Por desgracia, ¡no hay evidencia concluyente en ningún sentido!
Pronto lo sabremos. Muchos creen que la IAG se hará realidad antes de 2030 o que tardará mucho más. Esto se debe a que probablemente no podamos mantener nuestro ritmo actual de escalamiento más allá de este punto. Dentro de cinco años podríamos construir clústeres de poder de cómputo que cuesten un billón de dólares. Es probable que esto se acerque al límite de lo que la economía estadounidense podría soportar. Esto sugiere que, si llegamos a 2030 sin una IAG, la probabilidad anual comenzará a disminuir.
Hay todo tipo de razones para pensar que el ritmo actual de progreso podría estancarse, pero no podemos estar seguros de ello. Existen suficientes argumentos de que la IAG podría llegar pronto como para tomarnos esta posibilidad muy en serio, pero el mundo no está preparado, ni de lejos, para ese escenario. No sabemos cómo garantizar que los sistemas de IA sigan nuestras instrucciones de forma fiable. No entendemos cómo funcionan. No sabemos cómo evitaremos las peores consecuencias del desarrollo de la IAG, que podrían incluir la extinción humana.
La IA se está volviendo cada vez más potente, y a gran velocidad. Todavía no sabemos cómo garantizaremos que los modelos muy avanzados sean seguros.
Hemos diseñado un curso gratuito de dos horas para ayudarte a comprender cómo la IA podría transformar el mundo en tan solo unos años. Empieza a aprender hoy mismo para unirte a la conversación.