Superinteligencia artificial: qué sabemos y qué no

¿Estamos avanzando hacia una superinteligencia artificial?

¿Qué es la superinteligencia artificial? Analizamos qué sabemos sobre AGI, ASI, agentes y autonomía, qué evidencia existe y qué sigue siendo hipótesis.

¿Estamos avanzando hacia una superinteligencia artificial? Analizamos la evidencia sobre las capacidades actuales, AGI, agentes y autonomía, y separamos lo que sabemos de las hipótesis sobre el futuro de la IA.

De la inteligencia artificial a la superinteligencia: qué sabemos y qué todavía no sabemos

La inteligencia artificial ya puede resolver problemas matemáticos complejos, programar, analizar información científica, trabajar con diferentes modalidades y utilizar herramientas para ejecutar tareas. Los agentes de IA, además, empiezan a combinar modelos, memoria, navegación, herramientas y planificación para perseguir objetivos con una autonomía limitada.

Estos avances plantean una pregunta inevitable:

¿Estamos avanzando hacia sistemas de inteligencia artificial general y, eventualmente, hacia una superinteligencia artificial?

La respuesta científicamente responsable es menos espectacular que muchos titulares:

no lo sabemos.

La inteligencia artificial general (AGI) continúa siendo un concepto sobre el que no existe una única definición aceptada. La superinteligencia artificial (ASI) sigue siendo hipotética. Y el extraordinario rendimiento de los modelos actuales en determinadas pruebas no significa que posean una inteligencia general comparable o superior a la humana.

Pero esto no significa que la superinteligencia pertenezca únicamente a la ciencia ficción.

En 2026, Google DeepMind publicó From AGI to ASI, un trabajo dedicado específicamente a estudiar cómo podría producirse una transición desde una hipotética inteligencia artificial general de nivel humano hacia sistemas mucho más capaces. El trabajo analiza cuatro posibles vías: escalado de sistemas AGI, cambios de paradigma en inteligencia artificial, mejora recursiva y grandes colectivos de agentes.

La superinteligencia se ha convertido así en una pregunta legítima de investigación.

Pero una pregunta no es una predicción.

Para entender qué sabemos realmente debemos empezar mucho antes.

De máquinas especializadas a sistemas de propósito general

Durante gran parte de la historia de la inteligencia artificial, los sistemas fueron construidos para resolver problemas relativamente delimitados.

Jugar al ajedrez, reconocer determinados patrones, recomendar productos o clasificar imágenes podían requerir sistemas diferentes.

La situación actual es distinta.

Los sistemas de inteligencia artificial de propósito general pueden realizar una gran variedad de tareas: producir y analizar texto, imágenes, audio o vídeo; escribir programas; resolver problemas matemáticos y científicos; y, combinados con herramientas, actuar sobre entornos digitales.

El International AI Safety Report 2026, elaborado bajo la dirección de Yoshua Bengio con participación de más de cien especialistas, documenta importantes mejoras recientes en matemáticas, programación, razonamiento científico y operación autónoma.

Pero el mismo informe destaca una característica fundamental:

las capacidades actuales son irregulares.

Un sistema puede obtener resultados extraordinarios en una prueba científica avanzada y, al mismo tiempo, cometer errores aparentemente elementales en otras situaciones. Puede resolver correctamente problemas complejos y posteriormente producir información falsa o no recuperarse adecuadamente de un error durante una secuencia prolongada de acciones.

Por tanto:

capacidad extraordinaria en determinadas tareas no equivale automáticamente a inteligencia general.

Esta distinción será fundamental para entender todo lo que viene después.

¿Qué es la inteligencia artificial general?

No existe una definición universalmente aceptada de inteligencia artificial general (AGI, por sus siglas en inglés).

De manera aproximada, el concepto intenta describir sistemas capaces de desempeñarse competentemente en una variedad suficientemente amplia de tareas cognitivas, en lugar de estar especializados en una función concreta.

Pero esta definición abre inmediatamente nuevos problemas.

¿Qué significa competentemente?

¿Qué tareas debemos considerar?

¿Debemos comparar una IA con una persona promedio, con especialistas o con los mejores humanos de cada disciplina?

¿Es necesaria la autonomía?

¿Debe poder aprender continuamente?

¿Necesita desenvolverse en el mundo físico?

¿Puede hablarse de inteligencia general cuando existen grandes diferencias entre capacidades?

Estas preguntas explican por qué resulta problemático afirmar simplemente que un determinado modelo «es AGI».

Investigadores de Google DeepMind propusieron en 2024 un marco denominado Levels of AGI que intenta separar dos dimensiones: la profundidad, entendida como nivel de rendimiento, y la amplitud o generalidad de las capacidades. El objetivo es sustituir una frontera binaria —AGI/no AGI— por niveles que permitan estudiar progresivamente el avance de los sistemas.

Esta aproximación resulta especialmente útil para Superinteligencia.dev.

En lugar de preguntarnos únicamente:

«¿Ya existe la AGI?»

podemos formular una pregunta experimentalmente mucho más productiva:

«¿Cómo están evolucionando la amplitud, profundidad y autonomía de las capacidades de los sistemas de inteligencia artificial?»

Rendimiento no es lo mismo que inteligencia

Existe otra dificultad.

¿Cómo medimos la inteligencia de una máquina?

El problema no es nuevo.

En 1950, Alan Turing comenzaba su histórico artículo Computing Machinery and Intelligence preguntándose si las máquinas podían pensar. En lugar de intentar resolver directamente una cuestión cargada de problemas conceptuales, propuso sustituirla por otra susceptible de evaluación mediante comportamiento observable.

Más de setenta años después seguimos enfrentándonos a una dificultad parecida.

Los actuales sistemas pueden evaluarse mediante exámenes, problemas matemáticos, programación, pruebas científicas y multitud de bancos de evaluación.

Pero obtener una puntuación elevada no demuestra por sí solo que exista una capacidad general subyacente.

El International AI Safety Report 2026 identifica precisamente una brecha de evaluación: los resultados obtenidos en pruebas controladas pueden sobreestimar la utilidad práctica porque no reproducen toda la complejidad de las tareas reales.

Esto nos obliga a estudiar la inteligencia artificial desde múltiples dimensiones.

No solo:

¿cuántos problemas resuelve?

También:

¿qué tipos de problemas puede resolver?

¿puede adaptarse cuando cambia el contexto?

¿detecta sus propios errores?

¿puede recuperarse de ellos?

¿mantiene su rendimiento durante tareas prolongadas?

¿puede utilizar herramientas?

¿puede aprender?

¿puede perseguir objetivos con autonomía?

La evolución hacia sistemas más generales probablemente no pueda comprenderse mediante una única puntuación.

El salto hacia los agentes

Uno de los cambios más importantes de los últimos años consiste en pasar de modelos que generan respuestas a sistemas capaces de realizar acciones.

Un agente de inteligencia artificial combina normalmente un modelo con herramientas y mecanismos que le permiten perseguir objetivos: memoria, navegación, acceso a programas, ejecución de código o interacción con interfaces digitales, entre otros recursos.

El sistema puede entonces desarrollar ciclos del tipo:

observar → razonar → planificar → actuar → comprobar → corregir → continuar.

El informe internacional de 2026 señala que los agentes se han vuelto progresivamente más capaces y autónomos, aunque la fiabilidad continúa siendo una limitación importante.

Esta evolución introduce algo fundamental para nuestra investigación.

La capacidad de contestar correctamente una pregunta y la capacidad de perseguir correctamente un objetivo durante mucho tiempo no son equivalentes.

El horizonte temporal de los agentes

Una línea de investigación particularmente interesante intenta medir durante cuánto tiempo puede una IA ejecutar de manera fiable tareas que requieren múltiples pasos.

Investigadores de METR propusieron medir el denominado horizonte temporal de las tareas: aproximadamente, cuánto tiempo necesitaría una persona experta para realizar tareas que un sistema de IA puede completar con determinada probabilidad de éxito.

Su investigación encontró un rápido aumento histórico del horizonte temporal en tareas principalmente relacionadas con software. Los autores estimaron que el horizonte correspondiente al 50 % de éxito se había duplicado aproximadamente cada siete meses en los sistemas estudiados.

Es un resultado importante.

Pero debemos interpretarlo correctamente.

No demuestra que dentro de determinado número de años exista AGI.

Los propios autores advierten de las limitaciones de extrapolar estos resultados a todo el trabajo real. Las tareas estudiadas representan únicamente una parte del universo de actividades humanas.

Lo que sí proporciona es algo valioso:

una manera cuantitativa de estudiar cómo evoluciona una dimensión concreta de la autonomía.

Esta filosofía —medir capacidades específicas en lugar de proclamar categorías generales— será también central en los experimentos de Superinteligencia.dev.

De la AGI a la superinteligencia

Supongamos ahora, únicamente como hipótesis, que llegamos a desarrollar sistemas genuinamente generales.

¿Qué ocurriría después?

Aquí aparece la superinteligencia artificial (ASI, por sus siglas en inglés).

En From AGI to ASI, Google DeepMind caracteriza la superinteligencia general como sistemas situados significativamente por encima de la cognición humana y estudia una posible continuidad desde AGI de nivel humano hacia sistemas superiores.

La diferencia conceptual es importante:

AGI intenta describir inteligencia artificial con capacidades generales amplias.

ASI implicaría superar ampliamente las capacidades cognitivas humanas de referencia.

Pero incluso esta definición plantea enormes dificultades.

La inteligencia humana no constituye una magnitud única.

Una persona puede destacar extraordinariamente en matemáticas y tener capacidades normales en otros ámbitos. Las organizaciones humanas pueden resolver problemas imposibles para individuos aislados. Y las máquinas ya superan ampliamente a los humanos en determinadas capacidades específicas sin que por ello las consideremos superinteligencias.

Por eso hablar rigurosamente de ASI exige preguntarnos:

¿superior a quién?

¿en qué capacidades?

¿con qué grado de generalidad?

¿con qué autonomía?

¿individualmente o comparada con organizaciones humanas completas?

Estas preguntas todavía están abiertas.

Cuatro posibles caminos hacia la superinteligencia

El trabajo de DeepMind de 2026 resulta particularmente interesante porque no presenta un único camino inevitable desde AGI hacia ASI.

Analiza cuatro posibilidades.

1. Escalar sistemas de AGI

Una posibilidad sería continuar aumentando recursos, eficiencia, datos, capacidad de inferencia y otras dimensiones de sistemas ya generales.

En este escenario no sería necesaria una ruptura radical: sistemas cada vez más capaces podrían emerger mediante mejoras acumulativas.

2. Nuevos paradigmas

Otra posibilidad es que las arquitecturas actuales encuentren límites importantes y sea necesario desarrollar nuevos métodos.

La historia de la inteligencia artificial contiene numerosos cambios de paradigma. No existe garantía de que las tecnologías dominantes actualmente sean las que permitan alcanzar capacidades radicalmente superiores.

3. Mejora recursiva

Una hipótesis especialmente relevante consiste en que sistemas suficientemente capaces contribuyan a mejorar la propia inteligencia artificial.

Esto podría producir un ciclo:

IA mejora investigación en IA → aparecen sistemas mejores → esos sistemas aceleran nuevamente la investigación → aparecen sistemas todavía mejores.

La inteligencia artificial ya se utiliza en determinadas tareas relacionadas con investigación científica y desarrollo tecnológico, pero pasar de esa realidad a un proceso autónomo y sostenido de mejora recursiva constituye un salto considerable.

Por ahora debemos tratarlo como hipótesis sobre una posible trayectoria futura, no como una capacidad demostrada de los sistemas actuales.

4. Colectivos de agentes

La superinteligencia podría no aparecer como una única máquina extraordinariamente inteligente.

Otra posibilidad sería que emergieran capacidades superiores mediante grandes organizaciones de agentes especializados capaces de colaborar, distribuir problemas, verificar resultados y coordinarse.

Esta hipótesis resulta particularmente interesante porque también obliga a reconsiderar qué entendemos por inteligencia.

Una empresa, universidad o comunidad científica puede resolver problemas que ninguna persona podría resolver individualmente.

Quizá debamos estudiar las futuras inteligencias artificiales de manera similar:

no solo como individuos, sino como organizaciones de inteligencias.

¿Puede una IA mejorarse a sí misma?

Esta pregunta ocupa un lugar central en muchas narrativas sobre superinteligencia.

Pero necesitamos distinguir varios fenómenos.

Un modelo puede revisar una respuesta.

Puede criticar un resultado anterior.

Puede utilizar herramientas.

Puede producir código.

Puede ayudar a investigadores humanos a desarrollar otros sistemas.

Y determinados sistemas pueden participar en procesos de investigación científica.

Nada de esto implica automáticamente automejora recursiva autónoma.

Para hablar rigurosamente de un proceso de ese tipo necesitaríamos observar sistemas capaces de contribuir sustancialmente a producir versiones mejores de sí mismos o de sus sucesores y repetir ese proceso de manera que las mejoras posteriores aumentaran nuevamente su capacidad para continuar mejorando.

Ese posible mecanismo merece investigación.

Pero no debemos confundir sus primeros componentes con el fenómeno completo.

¿Qué sabemos hoy?

Podemos establecer algunas conclusiones relativamente sólidas.

Sabemos que las capacidades están aumentando

Los sistemas de propósito general han mejorado sustancialmente en matemáticas, programación, ciencia, multimodalidad y utilización de herramientas.

Estado del conocimiento: evidencia consolidada.

Sabemos que las capacidades siguen siendo irregulares

Los sistemas pueden destacar en problemas muy difíciles y fallar en otros aparentemente sencillos. Continúan existiendo problemas de fiabilidad, información falsa y desempeño durante tareas prolongadas.

Estado del conocimiento: evidencia consolidada.

Sabemos que los agentes están aumentando su autonomía

La combinación de modelos con herramientas, memoria y mecanismos de planificación permite ejecutar tareas cada vez más complejas con menor intervención humana.

Estado del conocimiento: evidencia emergente con resultados empíricos sólidos en determinados dominios.

Sabemos que medir estas capacidades es difícil

Los bancos de evaluación no representan perfectamente el desempeño en situaciones reales y ninguna prueba única permite establecer de manera indiscutible que un sistema posee inteligencia general.

Estado del conocimiento: evidencia consolidada.

¿Qué no sabemos?

Aquí comienza la parte probablemente más importante.

No sabemos si las arquitecturas actuales conducirán a AGI

Puede que el escalado y las mejoras actuales sean suficientes.

Puede que necesitemos innovaciones fundamentales.

No disponemos de evidencia para resolver todavía esta cuestión.

Estado del conocimiento: pregunta abierta.

No sabemos cuándo podría alcanzarse una AGI

Existen predicciones realizadas por investigadores, empresarios, mercados de predicción y diferentes modelos prospectivos.

No constituyen evidencia de que el acontecimiento vaya a producirse en una fecha determinada.

Estado del conocimiento: incertidumbre elevada.

No sabemos si una AGI conduciría rápidamente a ASI

El escalado, los nuevos paradigmas, la mejora recursiva y los colectivos de agentes constituyen posibles caminos estudiados teóricamente.

No sabemos cuál funcionaría, si alguno lo hará ni con qué velocidad.

Estado del conocimiento: hipótesis.

No sabemos cómo se comportaría una superinteligencia

No existe actualmente una ASI que podamos estudiar experimentalmente.

Las afirmaciones sobre su comportamiento, objetivos o consecuencias necesariamente contienen componentes hipotéticos.

Estado del conocimiento: especulación fundamentable mediante teoría, pero sin observación directa.

Capacidad y seguridad no pueden estudiarse por separado

La posibilidad de sistemas más autónomos y capaces también introduce preguntas sobre control.

¿Cómo supervisamos un sistema que realiza miles de acciones?

¿Qué ocurre cuando resulta difícil para una persona comprobar una solución producida por una máquina?

¿Cómo podemos detectar comportamientos inesperados?

¿Podemos comprender por qué un sistema adopta determinadas decisiones?

Un grupo internacional de investigadores argumentó en Science que los avances en capacidad y autonomía hacen necesario desarrollar simultáneamente investigación técnica sobre seguridad y mecanismos adaptativos de gobernanza. Los propios autores reconocían también importantes desacuerdos e incertidumbres sobre cómo podrían materializarse los riesgos extremos.

El International AI Safety Report 2026 adopta precisamente un enfoque basado en distinguir riesgos ya documentados de otros más inciertos que podrían adquirir importancia a medida que aumenten las capacidades.

Esta distinción es esencial.

No debemos asumir que todos los escenarios extremos ocurrirán.

Tampoco debemos asumir que son imposibles porque todavía no hayan ocurrido.

La incertidumbre también puede ser objeto de investigación.

El papel de los humanos puede ser más importante, no menos

Existe además una posibilidad que se pierde cuando planteamos el futuro únicamente como una competición entre humanos y máquinas.

La inteligencia artificial puede aumentar las capacidades humanas.

Investigadores pueden utilizar IA para analizar información.

Programadores pueden trabajar con agentes.

Profesionales pueden combinar experiencia con modelos especializados.

Equipos humanos pueden coordinar múltiples sistemas.

Esto introduce una pregunta diferente:

¿y si algunas de las inteligencias más poderosas del futuro fueran sistemas híbridos formados por personas e inteligencia artificial?

La evolución de la inteligencia artificial no tiene por qué consistir simplemente en sustituir progresivamente capacidades humanas.

También puede transformar qué puede hacer una persona cuando trabaja con máquinas capaces.

Esta será otra de las grandes áreas de investigación de Superinteligencia.dev.

Por qué necesitamos experimentar

Las grandes preguntas sobre AGI y superinteligencia pueden parecer demasiado lejanas para un pequeño laboratorio independiente.

Pero muchas de sus piezas pueden estudiarse ahora.

Podemos investigar:

razonamiento

autoevaluación

planificación

memoria

utilización de herramientas

agentes

sistemas multiagente

duración de tareas autónomas

colaboración humano-IA

supervisión

Cada una representa una pequeña parte de un problema mucho mayor.

Nuestro objetivo no será afirmar que un experimento demuestra o refuta la llegada de la superinteligencia.

Será construir evidencia acumulativa sobre cómo evolucionan las capacidades que podrían formar parte de sistemas futuros mucho más avanzados.

Una frontera que se mueve

La historia de la inteligencia artificial contiene una paradoja recurrente.

Cuando una capacidad parecía extraordinariamente difícil y las máquinas finalmente conseguían realizarla, dejaba rápidamente de parecernos una prueba suficiente de inteligencia.

Jugar al ajedrez.

Reconocer imágenes.

Traducir.

Generar lenguaje.

Programar.

Resolver determinados problemas científicos.

Cada avance desplaza nuevamente la frontera.

Por eso quizá la pregunta más interesante no sea:

¿Cuándo llegará la superinteligencia?

Sino:

¿cómo podemos medir rigurosamente hacia dónde está evolucionando la inteligencia artificial?

Esa pregunta sí podemos empezar a responder hoy.

Lo que sabemos y lo que todavía no sabemos

La inteligencia artificial está avanzando rápidamente en determinadas capacidades.

Los sistemas son más generales que las generaciones anteriores.

Los agentes permiten grados crecientes de autonomía.

La capacidad para resolver determinadas tareas complejas ha aumentado.

La inteligencia artificial empieza además a participar en actividades de investigación y desarrollo.

Todo esto es observable.

Pero todavía existe una enorme distancia conceptual entre estas observaciones y afirmar que hemos alcanzado una inteligencia artificial general o que la superinteligencia sea inevitable.

No sabemos si llegará.

No sabemos cuándo.

No sabemos mediante qué arquitectura.

No sabemos qué forma adoptaría.

Y precisamente por eso merece ser investigada.

Superinteligencia.dev nace en ese espacio entre lo que ya podemos medir y lo que todavía solo podemos formular como hipótesis.

No para anunciar la llegada de la superinteligencia.

Sino para estudiar, paso a paso, cómo está evolucionando la inteligencia artificial y hasta dónde pueden llegar sus capacidades.

La frontera está abierta.

Y nuestro trabajo empieza aquí.


Estado del conocimiento

Última revisión: octubre de 2026.

Evidencia consolidada: mejora significativa de capacidades de sistemas de IA de propósito general; capacidades irregulares; limitaciones de las evaluaciones actuales.

Evidencia emergente: aumento de autonomía y duración de las tareas que pueden ejecutar agentes en determinados entornos.

Hipótesis: posibles trayectorias desde AGI hacia ASI mediante escalado, nuevos paradigmas, mejora recursiva o colectivos de agentes.

Pregunta abierta: si alcanzaremos AGI o ASI, mediante qué tecnologías y en qué horizonte temporal.

Principales incertidumbres: definición y medición de inteligencia general; extrapolación de capacidades actuales; fiabilidad y autonomía a largo plazo; posibilidad de mejora recursiva; comportamiento y control de sistemas hipotéticamente superinteligentes.


Referencias y fuentes principales

Google DeepMind (2026). From AGI to ASI. Investigación sobre la caracterización de la superinteligencia artificial y cuatro posibles vías desde AGI hacia ASI.

Bengio, Y. et al. (2026). International AI Safety Report 2026. Revisión internacional de la evidencia sobre capacidades y riesgos emergentes de los sistemas de IA de propósito general.

Morris, M. R. et al. (2024). Levels of AGI for Operationalizing Progress on the Path to AGI. ICML 2024. Marco para estudiar AGI mediante dimensiones de rendimiento, generalidad y autonomía.

Kwa, T. et al. (2025). Measuring AI Ability to Complete Long Tasks. Investigación sobre el horizonte temporal de tareas que pueden ejecutar agentes de IA.

Bengio, Y. et al. (2024). Managing extreme AI risks amid rapid progress. Science, 384(6698), 842–845. DOI: 10.1126/science.adn0117.

Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, LIX(236), 433–460. DOI: 10.1093/mind/LIX.236.433.


Nota editorial: Superinteligencia.dev utiliza herramientas de inteligencia artificial como apoyo en tareas de investigación, análisis, estructuración y elaboración de contenidos. Todo el contenido publicado está sujeto a dirección, revisión y supervisión humana. Las afirmaciones científicas y técnicas se contrastan, siempre que resulta posible, con fuentes primarias y documentación verificable. La responsabilidad editorial sobre el contenido publicado es humana.