Parte 3: Tipos de IA. La guía esencial (ANI, AGI, ASI)

serie: IA de cero a experto | artículo 3 de 30

En el capítulo anterior te prometí que volvíamos al mapa, así que aquí está: qué tipos de IA existen, y por qué casi todo lo que has visto hasta ahora en esta serie, sin excepción, cae en el escalón más bajo y más aburrido de los tres. Este capítulo separa lo que ya existe de lo que todavía es, en el mejor de los casos, una hipótesis seria, y en el peor, ciencia ficción con traje de artículo académico.

En el día a día veo constantemente titulares, publicaciones y hasta conversaciones de sobremesa que mezclan sin ningún pudor un chatbot que resume correos con la idea de una máquina que sustituye a toda la humanidad. Son cosas completamente distintas, con evidencia completamente distinta detrás, y tratarlas como si fueran un mismo fenómeno en distintos grados es la forma más rápida de o bien asustarte sin motivo, o bien confiarte de más.

Débil vs fuerte: de dónde viene la distinción

La distinción entre IA débil y fuerte no es nueva, ni nació con la IA generativa. En 1980, el filósofo John Searle publicó un artículo, «Minds, Brains, and Programs», en la revista Behavioral and Brain Sciences, que se convirtió en uno de los textos más comentados de la disciplina. En él, Searle distingue entre IA fuerte, la idea de que un ordenador programado correctamente no simula una mente, sino que literalmente tiene una, y IA débil, la idea de que un ordenador solo simula pensamiento sin entender realmente nada de lo que hace. Para defender su postura, Searle propuso el experimento mental de la habitación china: una persona que no habla chino, encerrada en una habitación, sigue un manual de instrucciones para manipular símbolos chinos y responder preguntas sin entender ni una palabra de lo que lee o escribe. Desde fuera, las respuestas parecen inteligentes. Dentro, no hay comprensión alguna, solo manipulación de símbolos siguiendo reglas.

El argumento de Searle no se quedó sin respuesta: generó, según la propia Stanford Encyclopedia of Philosophy, una cantidad enorme de réplicas y comentarios académicos en las décadas siguientes, algunos defendiendo que la comprensión sí podría emerger del sistema completo (la habitación, el manual y la persona juntos) aunque ninguna parte individual entienda nada por separado. No hace falta que tomes partido en ese debate filosófico para seguir el resto de este capítulo, solo que entiendas la pregunta de fondo: ¿basta con comportarse como si se entendiera, o hace falta algo más para que cuente como inteligencia de verdad? Esa pregunta, sin resolver desde 1980, es la que separa los tres niveles que vienen a continuación.

Cuarenta y cinco años después de aquel artículo, esa distinción sigue siendo el esqueleto sobre el que se construye la clasificación moderna de tipos de IA: estrecha, general y superinteligencia. Vale la pena decir, antes de entrar en cada una, que esta clasificación de tres escalones es útil y muy citada, pero no es una taxonomía científica cerrada con criterios universalmente aceptados: es más bien un lenguaje común, popularizado por divulgación y por la propia industria, que ayuda a ordenar la conversación. Lo uso en este capítulo porque es el más extendido, no porque sea el único posible.

IA estrecha (ANI): donde vive todo lo que has visto hasta ahora

La inteligencia artificial estrecha, también llamada IA débil siguiendo la terminología de Searle, es la que está diseñada para realizar una tarea o un conjunto acotado de tareas, y es, sin ningún tipo de matiz, la forma de IA más común hoy en día. Asistentes virtuales, motores de recomendación, sistemas de detección de fraude, coches con conducción asistida, sistemas de diagnóstico por imagen, correctores ortográficos, el filtro de spam del capítulo 1, MYCIN, Deep Blue, AlexNet, y sí, también los modelos de lenguaje que vas a conocer en la fase 3 de esta serie. Toda esa lista, sin excepción, es IA estrecha, aunque a simple vista algunos de esos sistemas parezcan pertenecer a ligas completamente distintas.

Aquí conviene detenerse, porque es el punto que más confunde a la gente en 2026. Un modelo de lenguaje como los que usas a diario puede escribir código, resumir un contrato, sugerir una receta y explicarte física cuántica en el mismo minuto, y esa versatilidad de superficie hace que parezca «general». No lo es, según el consenso técnico actual. Por debajo de esa versatilidad, un modelo de lenguaje sigue resolviendo, en esencia, una única tarea subyacente: predecir la siguiente palabra de una secuencia, de forma autorregresiva, a partir de patrones aprendidos en su entrenamiento. IBM lo resume así en su propio material técnico: aunque estos modelos pueden abordar tareas diversas, siguen siendo IA especializada, porque en el fondo están resolviendo variaciones de una misma tarea, no demostrando la inteligencia flexible y adaptativa que caracteriza a la inteligencia general de verdad. La IA estrecha puede ser sorprendentemente amplia en lo que sabe hacer y seguir siendo estrecha en cómo lo hace. Amplitud de tareas no es lo mismo que generalidad de razonamiento, aunque desde fuera cueste distinguirlas.

Para que la palabra «estrecha» no se quede en abstracto, un ejercicio rápido: Deep Blue, del capítulo 1, jugaba al ajedrez mejor que cualquier humano vivo, pero no sabía sumar dos números si no era en el contexto de evaluar una posición de ajedrez, y desde luego no podía escribir una frase con sentido. AlexNet, del capítulo 2, clasificaba fotografías con una precisión que superaba a sistemas anteriores por un margen enorme, pero no tenía ni la más remota capacidad de jugar al ajedrez, conducir un coche o mantener una conversación. Un modelo de lenguaje actual puede mantener esa conversación y hasta jugar una partida de ajedrez razonable, pero no puede, por ejemplo, aprender a base de la experiencia física de tocar un tablero real, ni acumula memoria genuina entre una conversación y la siguiente salvo que alguien se lo programe por fuera. Cada sistema es extraordinariamente bueno en su terreno y completamente inútil, o directamente inexistente, fuera de él. Esa es la frontera exacta que separa «estrecha» de «general»: no cuánto sabe hacer un sistema, sino si esa capacidad se transfiere sola a terrenos que nadie previó de antemano.

IA general (AGI): la meta que nadie ha alcanzado

La inteligencia artificial general, o AGI por sus siglas en inglés (también llamada IA fuerte), es, a día de hoy, un concepto puramente teórico. Según IBM, ningún sistema actual cumple realmente los criterios de la AGI: la capacidad de usar aprendizajes y habilidades previas para abordar tareas nuevas en contextos distintos, sin que un humano tenga que reentrenar el modelo para cada caso, igual que hace una persona. El filósofo Nick Bostrom, en su libro «Superintelligence» (2014), la describe como inteligencia que abarca todo el rango de capacidades intelectuales humanas: aprender, interpretar datos en bruto para sacar conclusiones útiles, tomar decisiones, reconocer riesgos e incertidumbres, y actuar razonablemente bajo esa incertidumbre. Ningún sistema existente hace todo eso a la vez, en cualquier dominio, sin ayuda humana constante.

Vale la pena remarcar algo que rara vez se dice con suficiente claridad: ni siquiera existe un consenso cerrado sobre qué contaría exactamente como AGI si apareciera mañana. No hay un examen único, un umbral numérico o una fecha oficial de «aprobado», y ni siquiera las organizaciones que más dinero invierten en perseguirla se ponen de acuerdo en la definición. OpenAI, en su propio charter fundacional de 2018, define la AGI en términos económicos: sistemas altamente autónomos que superan a los humanos en la mayoría del trabajo con valor económico. Bostrom, en cambio, la define en términos cognitivos: el rango completo de capacidades intelectuales humanas, sin reducirlo a productividad laboral. Son dos varas de medir distintas, y un sistema podría cumplir una sin cumplir la otra. Investigadores del propio IBM han defendido públicamente que el deep learning por sí solo, aunque se le añada más escala, no basta para llegar a ninguna de las dos: haría falta integrar razonamiento estructurado y una comprensión real de causa y efecto, no solo predicción de patrones. Es un objetivo en movimiento con varias metas distintas superpuestas, y cualquiera que te dé una definición demasiado precisa y cerrada probablemente te está vendiendo algo.

Superinteligencia (ASI): la idea que lleva sesenta años esperando

La superinteligencia artificial, o ASI, es un escalón más arriba, y aquí es donde el terreno pasa de teórico a francamente especulativo, aunque con una genealogía intelectual más larga de lo que parece. La idea no nació con Bostrom en 2014. En 1965, el matemático británico I. J. Good, que había trabajado junto a Alan Turing como criptólogo en Bletchley Park durante la Segunda Guerra Mundial, publicó un ensayo titulado «Speculations Concerning the First Ultraintelligent Machine», donde planteaba que una máquina ultrainteligente superaría todas las actividades intelectuales humanas, y como diseñar mejores máquinas es una de esas actividades, esa máquina podría diseñar máquinas todavía mejores que ella misma, desencadenando lo que llamó una «explosión de inteligencia» que dejaría atrás la inteligencia humana. Es, literalmente, la misma idea central que casi sesenta años después popularizaría Bostrom.

Bostrom define la superinteligencia como cualquier intelecto que supera ampliamente el rendimiento cognitivo humano en prácticamente todos los dominios de interés: no solo más rápido calculando, sino superior en creatividad científica, habilidades sociales y sabiduría general. En su libro retoma directamente la idea de Good: un sistema capaz de mejorarse a sí mismo de forma recursiva, reescribiendo su propia arquitectura para volverse más inteligente en cada iteración, hasta cruzar un umbral que desencadenaría esa misma explosión de inteligencia, superando la comprensión y el control humanos a una velocidad difícil de imaginar.

Quiero ser muy clara aquí, porque es fácil que este párrafo suene a titular de ciencia ficción: esto es una hipótesis filosófica seria, discutida por gente seria desde hace sesenta años, pero sigue siendo una hipótesis. No existe ningún sistema, ni siquiera un prototipo, que se acerque remotamente a la superinteligencia tal y como la definen Good o Bostrom. Nada de lo que hemos visto en los capítulos anteriores de esta serie, ni nada de lo que vas a ver en el resto, se acerca a esto.

Qué dice quien trabaja en esto

Entonces, ¿qué dice la gente que realmente trabaja en esto, más allá de la filosofía? En octubre de 2023, la organización AI Impacts encuestó a 2.778 investigadores de inteligencia artificial sobre cuándo esperan que llegue lo que llaman «inteligencia de máquina de alto nivel», su forma de referirse a algo parecido a la AGI. El resultado: una probabilidad del 10% de que llegue para 2027, y del 50% para 2047. El dato interesante no es solo la cifra, es lo rápido que cambió: la misma encuesta, repetida un año antes en 2022 con preguntas casi idénticas, situaba esa probabilidad del 50% en el año 2060. Un salto de trece años en las expectativas de la comunidad investigadora en solo doce meses, coincidiendo con la explosión de los modelos de lenguaje modernos.

La misma encuesta preguntó también por otro hito distinto: la automatización completa del trabajo humano, es decir, el punto en el que las máquinas pudieran hacer cualquier tarea laboral mejor y más barato que una persona. Ahí la mediana fue mucho más conservadora: 2116, con un 50% de probabilidad, apenas 48 años antes que la estimación de 2022 (2164). Interesante contraste: la expectativa sobre cuándo aparece algo parecido a la AGI se movió trece años en un solo año, pero la expectativa sobre cuándo esa inteligencia se traduce en sustituir trabajo humano de forma generalizada apenas se movió, y sigue estando a un siglo de distancia según los mismos investigadores. Tener una capacidad cognitiva y desplegarla de forma generalizada en el mundo real son, otra vez, dos cosas distintas.

Ese salto de trece años en un año no es un dato tranquilizador sobre la precisión de estas predicciones, es más bien una confirmación de lo contrario. Si la opinión colectiva de casi tres mil investigadores especializados puede moverse trece años en doce meses, la fecha exacta que te dé cualquier persona, por cualificada que esté, dice más sobre el momento en que se hizo la pregunta que sobre cuándo va a ocurrir realmente. Recuerda el capítulo 2: Herbert Simon y Marvin Minsky también eran gente seria, con credenciales impecables, y sus fechas tampoco se cumplieron.

Ilustración pixel art de una escalera de tres peldaños ascendentes, el primero etiquetado ANI sobre suelo firme, el segundo AGI entre niebla, el tercero ASI entre estrellas, representando de lo real a lo especulativo — [De lo verificable a lo especulativo: tres escalones, no un continuo]

Cómo usar este mapa

Con esto en la mano, la foto completa de 2026 queda así: vivimos completamente rodeados de IA estrecha, cada vez más capaz y más versátil en superficie, pero estrecha al fin y al cabo, desde tu corrector ortográfico hasta el modelo de lenguaje más avanzado del mercado. La AGI sigue siendo un objetivo, no un logro, con una definición todavía en discusión entre quienes la persiguen activamente y la financian con miles de millones. Y la superinteligencia sigue siendo, por ahora, territorio de la filosofía y la especulación informada, heredera directa de una idea de 1965, no de ningún laboratorio con un producto que enseñar. Cuando leas titulares que mezclan estos tres niveles como si fueran lo mismo, o que usan la palabra «IA» a secas para hablar indistintamente de un corrector ortográfico y de una hipotética superinteligencia, ya tienes las herramientas para separar el hecho de la hipótesis.

Cuando algo describa una capacidad concreta y verificable en un dominio concreto, probablemente estás ante IA estrecha, por impresionante que sea. Cuando algo hable de una inteligencia que iguala a la humana en general, sin especificar en qué tarea ni bajo qué condiciones, estás en terreno de AGI, todavía sin ocupar. Y cuando algo hable de superar a la humanidad entera en todos los dominios a la vez, estás leyendo sobre superinteligencia, una idea con sesenta años de historia intelectual seria detrás, pero cero implementaciones.

En el próximo capítulo dejamos la teoría de los tipos de IA y cerramos la fase 0 con las matemáticas mínimas para entender IA: vectores, matrices y probabilidad, la caja de herramientas que hace falta antes de entrar en la fase 1, el machine learning clásico.

Parte 3: Tipos de IA: Estrecha, General y Superinteligencia