Fundamentosagi
Qué es la inteligencia artificial general: límites y usos
Entiende qué significa inteligencia artificial general, cómo se diferencia de la IA generativa y qué preguntas siguen abiertas sobre sus capacidades actuales.
- Autor: humAIns
- 7 min de lectura
índice · 6 apartados
Qué es AGI y por qué no existe una definición única
La inteligencia artificial general, o AGI por sus siglas en inglés, es el nombre que suele darse a una inteligencia artificial hipotética capaz de desenvolverse en un conjunto amplio de tareas, en vez de estar limitada a una función estrecha. No hay una definición operativa universal ni una prueba única que permita afirmar, sin matices, que un sistema ya es AGI. Por eso, cuando un titular usa el término, la pregunta útil es qué capacidades concretas incluye y cómo se han medido.
La palabra «general» no significa omnisciente ni infalible. En distintos debates puede referirse a transferencia entre tareas, aprendizaje de habilidades nuevas, autonomía o rendimiento comparable al humano en muchos dominios. Cambiar el criterio cambia lo que se contaría como evidencia. Una demostración llamativa en una tarea no resuelve por sí sola esa discusión.
La OCDE mantiene un observatorio de políticas, datos y análisis sobre IA, y su definición de sistema de IA se refiere a sistemas basados en máquinas que infieren cómo producir resultados —como predicciones, contenido, recomendaciones o decisiones— a partir de objetivos explícitos o implícitos. Esa definición sirve para hablar de sistemas de IA en general; no establece que exista AGI ni que un producto concreto la haya alcanzado. Es importante no atribuir a una institución una definición específica de AGI que su página no formula.
En cambio, Google DeepMind presenta sus modelos por familias y capacidades observables en su catálogo de modelos. Esa clasificación ayuda a entender qué ofrece cada sistema, pero una etiqueta de producto o una capacidad avanzada tampoco equivale automáticamente a una declaración de inteligencia general.
IA general frente a IA estrecha y generativa
«Estrecha», «generativa» y «general» describen dimensiones distintas. La IA estrecha se diseña o aplica para un conjunto acotado de tareas; la IA generativa se caracteriza por producir contenido; la AGI es una hipótesis sobre amplitud de capacidades. No son tres peldaños que se puedan deducir solo mirando el tipo de salida.
| Concepto | Alcance de las tareas | Forma de producir o actuar | Qué no demuestra por sí solo |
|---|---|---|---|
| IA estrecha | Tarea o dominio acotado | Clasifica, predice, recomienda o ejecuta una función definida | Capacidad para transferir habilidades a dominios nuevos |
| IA generativa | Puede aplicarse a tareas de generación específicas | Produce texto, imágenes, audio, vídeo o código a partir de entradas e instrucciones | Inteligencia general, veracidad o autonomía robusta |
| IA general (AGI) | Hipótesis de competencia amplia en tareas diversas | No hay una forma única acordada de medirla | No es una categoría que se confirme por una demo o una etiqueta comercial |
La IA generativa puede redactar un correo y resumir un documento, pero eso no implica que comprenda cada contexto como lo haría una persona ni que pueda hacerse cargo de todo el trabajo relacionado. El resultado depende de la tarea, los datos, la interfaz, las herramientas conectadas y la supervisión.
Para distinguir conceptos cercanos, consulta también qué es la inteligencia artificial débil. La distinción práctica no es «antigua frente a nueva», sino qué problema resuelve el sistema y qué evidencia respalda su rendimiento.
Por qué un modelo multimodal no demuestra por sí solo inteligencia general
Un modelo multimodal puede recibir o producir más de un tipo de señal: por ejemplo, texto e imagen, o voz y texto. Eso amplía la interacción y permite resolver flujos que antes exigían varias herramientas. No prueba por sí mismo que el sistema pueda aprender cualquier tarea, planificar de forma fiable durante periodos largos o transferir lo aprendido a entornos distintos.
Imagina que un profesional carga una captura de una presentación y pide extraer el texto, resumirlo y proponer un guion oral. El sistema puede combinar visión y lenguaje en esa secuencia. Para saber si es fiable hay que comprobar cada salida; para afirmar que es general haría falta evidencia mucho más amplia que ese caso. La guía sobre IA multimodal y sus usos explica qué significa combinar modalidades sin confundir esa capacidad con una inteligencia universal.
También conviene separar capacidad del modelo y capacidad del producto completo. Una aplicación puede conectar el modelo a buscadores, archivos o herramientas externas. Si resuelve una tarea, el resultado puede depender de toda esa arquitectura y no de una facultad general que resida en un único modelo.
Qué pueden y qué no pueden decir los benchmarks
Un benchmark es una evaluación con tareas, preguntas y reglas determinadas. Puede comparar sistemas bajo unas condiciones descritas y mostrar fortalezas o límites en ese conjunto. No es un certificado automático de inteligencia general.
Antes de interpretar un resultado, pregunta:
- ¿Qué tareas incluye y cuáles deja fuera?
- ¿Se mide exactitud, velocidad, coste, seguridad o una combinación?
- ¿Las condiciones se parecen a las del trabajo real?
- ¿Hay riesgo de contaminación entre los datos de evaluación y el entrenamiento?
- ¿Se ha repetido la prueba y se informa de errores, no solo de aciertos?
- ¿El resultado se mantiene ante cambios de formato, idioma o contexto?
Una puntuación agregada puede ocultar fallos relevantes. Un sistema puede rendir muy bien en preguntas de opción múltiple y fallar al seguir instrucciones ambiguas, citar fuentes o recuperarse de un error. Por eso son necesarios evaluaciones complementarias, pruebas en el contexto real y revisión de consecuencias.
El marco AI Risk Management Framework del NIST ofrece una estructura voluntaria para gestionar riesgos de IA durante diseño, desarrollo, uso y evaluación. No define AGI ni certifica un sistema como seguro: aporta un marco de gestión de riesgos. En una organización, su utilidad es cambiar la conversación de «¿es inteligente?» a «¿para qué lo usamos, qué puede salir mal y cómo lo detectamos?».
Qué implica para decisiones de formación y uso profesional
No hace falta esperar a una definición final de AGI para tomar decisiones razonables. Para elegir una herramienta profesional, empieza por la tarea concreta y los criterios de calidad, privacidad y supervisión. Comprueba con ejemplos propios si el sistema ahorra tiempo sin degradar el resultado; define quién revisa y qué información no debe introducirse.
Una ruta práctica:
- Delimita el trabajo. Sustituye «usar IA» por una tarea observable: resumir reuniones, preparar un primer borrador o clasificar solicitudes.
- Prueba con casos representativos. Incluye ejemplos rutinarios y excepciones, no solo la demostración más fácil.
- Verifica el resultado. Contrasta hechos, referencias y cálculos; documenta los errores que podrían causar daño.
- Decide con límites explícitos. Determina qué puede automatizarse, qué requiere aprobación y cómo se detiene el proceso.
- Forma al equipo en criterio. Practicar instrucciones, comprobación y uso responsable aporta valor aunque las capacidades futuras sigan siendo inciertas.
La formación no consiste en adivinar qué tecnología dominará dentro de unos años. Consiste en aprender a evaluar herramientas y adaptarlas a tareas reales. Si trabajas en audiovisual y necesitas aplicar IA a guion, imagen o vídeo, puedes consultar el curso de IA para el sector audiovisual; si buscas identificar tu siguiente paso, haz el test ¿Cuánto te queda?.
La conclusión prudente es sencilla: AGI es un concepto discutido sobre amplitud de capacidades, no un sinónimo de IA generativa, multimodalidad ni de una puntuación alta en un benchmark. Para valorar afirmaciones sobre sistemas actuales, pide una definición, evidencia reproducible y límites claros. Mientras tanto, las decisiones profesionales pueden basarse en tareas verificables y riesgos gestionables, sin convertir pronósticos en certezas.
Preguntas frecuentes sobre inteligencia artificial general
¿Es AGI lo mismo que IA generativa?
No. La IA generativa produce contenido; AGI alude a una capacidad amplia en distintas tareas. Un sistema puede generar contenido sin ser general.
¿Un modelo multimodal ya es AGI?
No necesariamente. Procesar texto e imágenes, por ejemplo, es una capacidad multimodal, pero no demuestra competencia amplia y fiable en tareas nuevas.
¿Cuándo llegará la IA general?
No se puede dar una fecha verificable. Las previsiones dependen de la definición adoptada y de supuestos futuros; deben leerse como estimaciones, no hechos.
¿Por qué no basta una prueba para demostrarla?
Porque cada evaluación cubre tareas y condiciones concretas. Para sostener una afirmación más amplia hacen falta pruebas diversas, transferencia, robustez y análisis de fallos.