Altman, Amodei, Hassabis y Huang hablan de AGI, pero no del mismo destino

La AGI —siglas en inglés de inteligencia artificial general— se ha convertido en una etiqueta para ideas muy distintas: un trabajador autónomo rentable, un investigador digital de nivel Nobel, una máquina con todo el abanico de capacidades cognitivas humanas o, sencillamente, un sistema que sobresale en pruebas.

Esa diferencia explica por qué pueden coexistir previsiones tan seguras y tan dispares. No están calculando necesariamente la fecha del mismo acontecimiento. Y, mientras no exista una evaluación pública e independiente, la confianza dependerá menos de los anuncios de los directivos que de las evidencias que puedan verificarse.

Cuatro líderes, cuatro umbrales

Sam Altman: AGI como autonomía con valor económico

La definición más citada de OpenAI describe la AGI como sistemas «altamente autónomos» que superan a las personas en la mayor parte del trabajo económicamente valioso. El umbral, por tanto, es ante todo práctico y económico: importa que un sistema haga trabajo útil a gran escala, no que reproduzca de forma perfecta la cognición humana.

El planteamiento público más reciente de OpenAI pone el acento en la capacidad de decisión de las personas. La empresa sostiene que busca sistemas que ayuden a cada persona a perseguir sus propios objetivos, en vez de sustituir el juicio humano sobre lo que importa; automatizarlo todo, afirma, sería peligroso y poco satisfactorio. 23 Su marco sobre empleo también advierte de que automatizar tareas no elimina automáticamente una ocupación, ya que las personas pueden seguir siendo fundamentales para prestar el servicio, supervisarlo o asumir la responsabilidad. 25

Esto deja una frontera amplia y cambiante entre herramientas avanzadas, agentes autónomos y AGI. La definición económica puede servir para observar el impacto real, pero no equivale a una prueba científica pública.

Dario Amodei: «IA potente» como un paquete de capacidades extraordinarias

El consejero delegado de Anthropic, Dario Amodei, suele preferir el término IA potente a AGI. En una propuesta de política pública de Anthropic, esa expresión se refiere a un avance importante respecto a los modelos actuales: capacidad intelectual igual o superior a la de ganadores del Nobel en la mayoría de disciplinas; habilidad para utilizar las interfaces digitales disponibles para un trabajador humano; y capacidad de ejecutar trabajo complejo de forma autónoma. 3

Anthropic ha pronosticado estos sistemas para finales de 2026 o principios de 2027. Amodei ha comparado esa posibilidad con un «país de genios en un centro de datos», una imagen con la que subraya las consecuencias económicas, geopolíticas y de seguridad de concentrar tal capacidad. 6 7

Es una definición más concreta que la etiqueta AGI, aunque agrupa exigencias difíciles: amplitud de conocimientos, uso de herramientas, autonomía y fiabilidad sostenida. Un modelo podría cumplir algunas mucho antes que todas a la vez.

Demis Hassabis: AGI como todo el repertorio cognitivo humano

Para Demis Hassabis, director ejecutivo de Google DeepMind, el listón es más alto: la AGI tendría que contar con todas las capacidades cognitivas de los seres humanos. Ha dicho que la IA de nivel humano podría llegar en esta década, pero también ha recalcado que los sistemas actuales no están «ni de lejos» cerca de una AGI de nivel humano. 33 38

Su enfoque trata la AGI menos como un hito de producto que como un umbral científico: una generalidad sólida y robusta. No bastaría con sacar buenas notas en exámenes ni con impresionar en algunos ámbitos profesionales; el sistema tendría que funcionar a través de toda la diversidad de la cognición humana.

Jensen Huang: AGI como superioridad amplia en pruebas

Jensen Huang, director ejecutivo de Nvidia, ha usado un criterio más centrado en benchmarks o pruebas comparativas. En 2024 afirmó que la AGI podría llegar en cinco años si se define como una IA capaz de superar a las personas en prácticamente cualquier prueba; informaciones de 2026 caracterizaron su posición como una declaración de AGI alcanzada bajo un estándar práctico mucho más laxo. 34

La ventaja de este criterio es su claridad: las pruebas arrojan puntuaciones. Su límite también lo es. Superar muchas evaluaciones no demuestra por sí solo autonomía fiable durante periodos largos, buen juicio ni un desempeño seguro en entornos reales y desordenados.

Por qué estas fechas no se pueden comparar directamente

Los cuatro líderes no están estimando fechas distintas para un mismo evento. Están prediciendo destinos diferentes:

• Altman / OpenAI: desempeño autónomo en la mayor parte del trabajo económicamente valioso.
• Amodei / Anthropic: trabajo intelectual de nivel Nobel en múltiples áreas, junto con ejecución digital autónoma y prolongada.
• Hassabis / DeepMind: el conjunto completo de capacidades cognitivas humanas.
• Huang / Nvidia: rendimiento superior al humano en una amplia gama de pruebas.

Una IA puede dominar numerosos benchmarks sin completar de forma independiente semanas de investigación. También podría automatizar una gran parte del trabajo digital sin exhibir todo el repertorio cognitivo de una persona. Por eso, las fechas asociadas a estas afirmaciones no deberían interpretarse como una única cuenta atrás hacia la AGI.

Por qué la AGI se considera a veces un concepto imposible de comprobar

La objeción no es que las capacidades de la IA no se puedan medir: sí se pueden medir. El problema es que no existe una regla compartida, independiente y públicamente gobernada que determine si un sistema aprueba o suspende como AGI.

Una propuesta académica define la AGI como un concepto importante y controvertido, y lo operacionaliza como una IA al menos tan capaz como un humano en la mayoría de las tareas. La formulación revela tanto el intento de hacer medible el término como las decisiones todavía abiertas: qué tareas se incluyen, con qué personas se compara, qué nivel de fiabilidad se exige y bajo qué condiciones. 50

Una prueba pública creíble necesitaría, como mínimo:

1. Una distribución de tareas definida con claridad, no una colección cambiante de demostraciones.
2. Umbrales de rendimiento y fiabilidad, incluidos los porcentajes de fallos.
3. Pruebas de autonomía de largo plazo y uso de herramientas, no solo respuestas aisladas.
4. Protecciones contra el entrenamiento específico para superar la evaluación.
5. Acceso independiente suficiente para reproducir o auditar el resultado.

Sin esa infraestructura, AGI puede convertirse en una afirmación de estatus formulada por las organizaciones con mayor incentivo para decidir dónde está la meta. El AI Now Institute ha criticado muchas métricas disponibles por ser estrechas, vagas y favorables a quienes las proponen. 62

El problema de confianza detrás de la etiqueta

La discusión sobre la AGI expresa también un problema más amplio de credibilidad. Las empresas pueden hacer grandes afirmaciones sobre capacidades transformadoras mientras trabajadores y clientes se topan con sistemas desiguales, propensos a errores o difíciles de implantar de manera fiable. Eso no demuestra que todas las previsiones a largo plazo sean erróneas, pero sí implica que las afirmaciones extraordinarias requieren evidencia observable y predicciones sujetas a rendición de cuentas.

El debate laboral ilustra esa tensión. OpenAI afirma que la IA transformará el trabajo, que algunos empleos desaparecerán y que, por ahora, la evidencia apunta a que funciona más como habilitadora que como sustituta. 17 No tiene por qué haber contradicción: automatizar tareas, transformar ocupaciones y eliminar puestos son resultados distintos. Pero la confianza pública se resiente si las proyecciones de cambios profundos no van acompañadas de mediciones transparentes de sus efectos reales sobre el mercado laboral.

De las etiquetas de AGI a la supervisión por capacidades

Un modelo de gobernanza más sólido se centraría menos en decidir si un sistema ya alcanzó la AGI y más en las capacidades y riesgos específicos que presenta.

El enfoque de Niveles de Seguridad de la IA de Anthropic plantea una estructura condicional explícita: si un modelo posee una capacidad peligrosa definida, deben existir determinadas salvaguardas antes de desplegarlo o de seguir ampliándolo. 5 Su marco de política posterior pide transparencia, evaluación independiente y autoridad gubernamental para bloquear o disuadir despliegues peligrosos. 10

Altman también ha defendido la validación externa y las evaluaciones independientes de riesgo para modelos potentes, incluidas pruebas antes de su lanzamiento y la publicación de resultados de evaluación. 49

Hassabis ha propuesto un organismo estadounidense de estándares para IA de frontera inspirado en FINRA, la entidad autorreguladora del sector financiero estadounidense: un organismo financiado por la industria pero bajo supervisión pública, encargado de evaluar de forma independiente los modelos de frontera antes de su lanzamiento. 52 Diversos líderes de los laboratorios de frontera coinciden, según informaciones publicadas, en que terceros deben probar los sistemas avanzados y contribuir a desarrollar estándares para las políticas públicas. 51

Sin embargo, sigue habiendo una distancia importante entre las propuestas y las normas exigibles. El AI Safety Index 2026 del Future of Life Institute señaló que no existían regulaciones ni estándares nacionales vinculantes que abordaran expresamente los riesgos de la IA de frontera y sus procesos de evaluación correspondientes. 59

Cómo serían las afirmaciones creíbles sobre IA

La pregunta útil para el público no es «¿ha llegado la AGI?», sino: ¿qué puede hacer este modelo, con qué fiabilidad, qué puede salir mal y quién ha comprobado esas respuestas de forma independiente?

Eso apunta a exigencias ligadas a capacidades concretas:

• protocolos públicos de evaluación para capacidades de alto riesgo en ciberseguridad, biología y engaño;
• pruebas independientes y ejercicios de búsqueda de fallos antes del despliegue;
• informes sobre fiabilidad, incidentes y cambios relevantes en las condiciones de uso;
• salvaguardas y límites de acceso vinculados a umbrales de riesgo demostrados; y
• consecuencias legales por incumplimiento, en lugar de depender solo de compromisos voluntarios.

La AGI puede seguir siendo una aspiración poderosa, un término de marketing y una cuestión filosófica. Pero es un mal disparador regulatorio si su declaración no está respaldada por pruebas públicas. La confianza se ganará cuando los desarrolladores no puedan redefinir el hito, anunciar que lo han alcanzado y certificar por sí mismos su seguridad.