Qué es la AGI, la inteligencia artificial general, explicada sin tecnicismos

La AGI, siglas en inglés de inteligencia artificial general, es una inteligencia artificial capaz de aprender y hacer casi cualquier tarea intelectual que puede hacer una persona, a su nivel, y de enfrentarse a situaciones que nunca ha visto. No es un programa concreto ni un producto que se pueda comprar: es una meta, y las grandes empresas de IA dicen trabajar para alcanzarla. Aquí se explica qué es, en qué se diferencia de la IA que ya usamos, cómo se mide y cuándo creen los expertos que podría llegar.

En la imagen de arriba, el conectoma humano: el mapa de las fibras que conectan las distintas regiones del cerebro, reconstruido a partir de 20 personas, con un color para cada dirección. Es la red neuronal más compleja que conocemos, con unos 86,000 millones de neuronas, y la que inspiró, de lejos, las redes neuronales artificiales con las que se construye la IA actual. Imagen: Andreas Horn, licencia CC BY-SA 4.0, Wikimedia Commons.

La IA de hoy es «estrecha»

Casi toda la inteligencia artificial que usamos es estrecha: hace una tarea, a veces mejor que cualquier persona, pero solo esa. El programa que gana al ajedrez a un campeón del mundo no sabe traducir una frase, y el que reconoce caras en tus fotos no sabe recomendarte una serie. Si quieres que haga otra cosa, hay que construir y entrenar otro sistema.

Una IA general sería lo contrario: un único sistema que aprende tareas nuevas con pocos ejemplos, como hacemos las personas, y que aprovecha lo que sabe de una cosa para otra. Quien aprende a conducir un coche aprende después a conducir una furgoneta en una tarde; quien sabe cocinar puede seguir una receta que nunca ha visto. Esa capacidad de generalizar es la que da nombre a la AGI.

¿Y ChatGPT? ¿No es ya una IA general?

Es la pregunta del momento, y la respuesta corta es: no del todo. Los asistentes como ChatGPT, Claude o Gemini son mucho más generales que la IA de hace diez años: conversan, escriben, programan, resumen documentos, entienden imágenes y razonan problemas de varios pasos. Por eso algunos investigadores dicen que ya son una «AGI temprana» o, como los clasificó Google DeepMind en 2023, una AGI emergente.

Pero todavía fallan en cosas que a una persona le resultan sencillas: aprender de verdad algo nuevo con un par de ejemplos, recordar lo que pasó la semana pasada sin que nadie se lo vuelva a contar, darse cuenta de que no saben algo en lugar de inventarlo o llevar a cabo una tarea larga sin perder el hilo. Y fuera de la pantalla, en el mundo físico, los robots siguen muy lejos de la soltura de cualquier persona.

Lo que tendría que saber hacer una AGI

No hay una lista oficial, pero la mayoría de definiciones coinciden en un puñado de capacidades. Esta es una forma de verlo, con una valoración orientativa de cómo van los modelos de 2026:

La lista deja ver algo que sorprende a mucha gente: lo que a las máquinas les cuesta no es lo que a nosotros nos parece difícil. Un modelo puede resolver un problema de matemáticas de olimpiada y, a la vez, no saber aprender un juego sencillo que un niño entiende en un minuto. Es lo que en IA se conoce desde hace décadas como la paradoja de Moravec: lo difícil para nosotros resulta fácil para la máquina, y al revés.

Una definición para cada uno

No existe una definición única de AGI, y eso explica buena parte de las discusiones: cuando alguien dice que «la AGI llegará en dos años» y otro que «faltan décadas», a menudo hablan de cosas distintas. Estas son las más citadas:

La definición tiene también consecuencias económicas. El acuerdo entre Microsoft y OpenAI, renovado en octubre de 2025, cambia algunas condiciones el día que OpenAI declare que ha conseguido la AGI, y por eso fija que esa declaración la tiene que verificar un panel de expertos independiente. Que una empresa no pueda proclamarla por su cuenta da una idea de lo difusa que es la frontera.

Los niveles de AGI

Para ordenar el debate, un equipo de Google DeepMind propuso en 2023 medir la AGI como se miden los coches autónomos: por niveles. Se fijan en dos cosas: cuánto rinde el sistema comparado con personas con formación en esa tarea, y en cuántas tareas distintas lo consigue. Una IA estrecha puede estar en lo más alto, como AlphaFold, que predice la forma de las proteínas mejor que cualquier científico; una general tiene que rendir bien en casi todo.

El mismo trabajo añade una segunda escala, la de autonomía: no es lo mismo una IA que se usa como herramienta, que una que aconseja, que colabora como un compañero o que actúa por su cuenta como un agente. Un sistema puede ser muy capaz y usarse con poca autonomía, y esa decisión, dicen los autores, es clave para usarlo con seguridad.

Cómo se mide

La prueba más famosa es la de Alan Turing, de 1950: si en una conversación por escrito no distingues a la máquina de una persona, se diría que piensa. Hoy los asistentes conversacionales la superan con frecuencia, y precisamente por eso se considera insuficiente: conversar bien no demuestra que se entienda el mundo ni que se sepa aprender cosas nuevas.

Una de las pruebas más seguidas hoy es ARC-AGI, creada en 2019 por el investigador François Chollet. En vez de preguntar cosas que se pueden haber aprendido de memoria, propone rompecabezas nuevos, con pocas pistas, que exigen descubrir una regla. Su tercera versión, ARC-AGI-3, presentada en marzo de 2026, convierte los rompecabezas en pequeños juegos que hay que explorar sin instrucciones: las personas que los probaron resolvieron el 100 %, y los mejores sistemas de IA de ese momento, menos del 1 %. Los modelos han subido desde entonces, pero siguen lejos de lo que consigue cualquier persona.

Además de estas, los laboratorios usan exámenes de nivel universitario, problemas de matemáticas de competición, tareas reales de programación o pruebas que miden cuántas horas de trabajo de una persona puede sustituir un agente. Ninguna basta por sí sola: un sistema puede entrenarse para brillar en un examen concreto sin ser más general.

De dónde viene la idea

La idea de una máquina que piense «en general» es tan antigua como la propia inteligencia artificial. La palabra AGI, en cambio, es reciente: la usó por primera vez el físico Mark Gubrud en 1997, en un trabajo sobre seguridad internacional, y la recuperaron hacia 2002 los investigadores Shane Legg, después cofundador de DeepMind, y Ben Goertzel, que la convirtieron en el nombre de un campo de estudio. Hacía falta un término nuevo porque, tras décadas de sistemas especializados, «inteligencia artificial» había dejado de significar una máquina que piensa como una persona.

Quién la está buscando: proyectos en curso

La carrera por la AGI la protagonizan unas pocas empresas con enormes recursos, pero también laboratorios nuevos que creen que hace falta otro camino. Estos son los proyectos más relevantes en octubre de 2026.

Los grandes laboratorios

• OpenAI (EE. UU.). La creadora de ChatGPT tiene la AGI en su misión desde su carta de 2018. Con SoftBank y Oracle impulsa Stargate, el plan anunciado en enero de 2025 para invertir hasta $500,000 millones de USD en centros de datos en EE. UU.; en 2026, según la prensa, parte de esos proyectos se han recortado o retrasado.
• Google DeepMind (Reino Unido y EE. UU.). Los autores de AlphaGo, AlphaFold y los modelos Gemini. En agosto de 2026, Demis Hassabis dejó la dirección diaria para ser presidente de DeepMind y científico jefe de Alphabet, y ocuparse, según Google, de los «asuntos estratégicos y globales de la AGI». Koray Kavukcuoglu dirige ahora el laboratorio.
• Anthropic (EE. UU.). La creadora de Claude, con la seguridad como seña de identidad. Su director, Dario Amodei, escribió en 2024 que una IA «más lista que un premio Nobel en la mayoría de campos», un «país de genios en un centro de datos», podría llegar «ya en 2026», aunque también podría tardar mucho más.
• Meta Superintelligence Labs (EE. UU.). Meta reorganizó toda su IA en 2025 en torno a este laboratorio, con Alexandr Wang, fundador de Scale AI, al frente. Tras Muse Spark, el 12 de octubre de 2026 presentó Muse Wonder, su primer modelo de primera línea.
• Microsoft AI (EE. UU.). En noviembre de 2025 creó el equipo MAI Superintelligence, dirigido por Mustafa Suleyman, que propone una «superinteligencia humanista»: en lugar de una IA general sin límites, sistemas sobrehumanos en áreas concretas, empezando por el diagnóstico médico.
• xAI (EE. UU.). La empresa de IA de Elon Musk, con los modelos Grok y su supercomputador Colossus en Memphis. La repasamos en los proyectos de Elon Musk.
• DeepSeek (China). Publica modelos de pesos abiertos, con licencia MIT y muy baratos de usar, y es la referencia de los laboratorios chinos. El 19 de octubre de 2026, EE. UU. prohibió sus productos en las agencias federales civiles.

Laboratorios nuevos con otros caminos

• Safe Superintelligence (SSI). Fundada en 2024 por Ilya Sutskever, cofundador y exdirector científico de OpenAI. Quiere llegar directamente a una superinteligencia segura, sin lanzar productos por el camino; en abril de 2025 ya estaba valorada en $32,000 millones de USD sin haber vendido nada.
• Thinking Machines Lab. La empresa de Mira Murati, exdirectora técnica de OpenAI, cerró en julio de 2025 una ronda semilla de $2,000 millones de USD con una valoración de $12,000 millones. Su primer producto, Tinker, permite adaptar modelos abiertos a tareas concretas.
• AMI Labs (París). Fundada por Yann LeCun tras dejar Meta, uno de los críticos más conocidos de que los modelos de lenguaje basten para llegar a la AGI. En marzo de 2026 recaudó $1,030 millones de USD, la mayor ronda semilla de una empresa europea, para construir «modelos del mundo» que aprendan cómo se comporta la realidad física en lugar de predecir texto.
• Ndea. El laboratorio de François Chollet, el creador de ARC, y Mike Knoop, cofundador de Zapier, lanzado en enero de 2025. Combina el aprendizaje profundo con la síntesis de programas: buscar pequeños programas que expliquen un problema, como hace una persona cuando descubre una regla.
• Physical Intelligence (EE. UU.). Desarrolla modelos generales para robots, capaces de aprender a doblar ropa, recoger una mesa o manejar objetos que no han visto, con la idea de que una AGI también tendrá que saber actuar en el mundo físico.

Los que miden el progreso

• ARC Prize Foundation. La fundación de Chollet y Knoop mantiene las pruebas ARC-AGI y organiza cada año un concurso abierto con premios para quien consiga acercarse al nivel humano. La edición de 2026 usa ARC-AGI-3, y las soluciones premiadas tienen que publicarse como código abierto.
• Los institutos públicos de seguridad de la IA, como el del Reino Unido, prueban los modelos más avanzados antes y después de su lanzamiento para medir sus capacidades y sus riesgos.

¿Cuándo llegará?

Nadie lo sabe, y las estimaciones han cambiado mucho en poco tiempo. La mayor encuesta hecha a investigadores, la de AI Impacts de finales de 2023, preguntó a 2,778 autores de las principales conferencias de IA. De media, dieron un 10 % de probabilidad a que en 2027 las máquinas superen a las personas en todas las tareas, y un 50 % para 2047, trece años antes de lo que respondían en la misma encuesta solo un año antes. En cambio, situaron en 2116 la probabilidad del 50 % de que todos los oficios se puedan automatizar por completo.

Los directivos de las empresas de IA suelen hablar de plazos mucho más cortos, de pocos años, mientras que otros investigadores creen que harán falta ideas nuevas, y no solo modelos más grandes, para resolver lo que todavía falta: aprender de verdad, recordar y desenvolverse en el mundo físico. Conviene leer cualquier fecha con prudencia y fijarse siempre en qué definición de AGI usa quien la da.

AGI y superinteligencia

A veces se confunden, pero son cosas distintas. La AGI iguala a las personas en casi todo; la superinteligencia, o ASI, las supera claramente a todas en casi todo. En la escala de DeepMind sería el nivel 5 general. Algunos investigadores creen que el paso de una a otra podría ser rápido, porque una AGI podría ayudar a mejorar la propia IA; otros piensan que hay límites prácticos, como la energía, los chips o los datos, que lo frenarían.

Por qué importa

Quienes la persiguen ven en la AGI una herramienta enorme: acelerar la investigación científica y médica, abaratar trabajos que hoy son caros, ayudar en la educación o en problemas como el clima. Al mismo tiempo, la misma encuesta muestra que la preocupación es seria entre quienes trabajan en el campo: entre el 38 % y el 51 % de los investigadores dieron al menos un 10 % de probabilidad a que una IA avanzada acabe en algo tan grave como la extinción humana. Además de ese riesgo extremo, preocupan otros más cercanos: el empleo, la desinformación, la concentración de poder en pocas empresas y el uso de estas herramientas para atacar sistemas informáticos.

Por eso la AGI ya no es solo un tema de laboratorio: gobiernos y empresas discuten cómo evaluar estos sistemas antes de lanzarlos, quién debe vigilarlos y cómo repartir sus beneficios. Entender qué es, y qué no es, ayuda a seguir esa conversación sin caer ni en el entusiasmo ni en el miedo exagerados.

Mitos frecuentes

• «Si habla como una persona, es una AGI». Conversar bien es una sola capacidad. El robot Sophia, de Hanson Robotics, conversa en público desde 2016 con un rostro casi humano, y nadie lo considera una AGI.
• «La AGI tendrá conciencia y sentimientos». La AGI se define por lo que un sistema sabe hacer, no por lo que siente. Si una máquina puede tener conciencia es otra pregunta, sin respuesta científica de momento.
• «Será un robot humanoide». Una AGI sería, ante todo, un programa. Podría controlar un robot, pero también vivir en un centro de datos y trabajar a través de una pantalla.
• «Llegará un día concreto y lo sabremos». Lo más probable es que el avance sea gradual, nivel a nivel, y que se discuta durante años si un sistema ya cumple o no.
• «Más grande siempre es más general». Los modelos más grandes han mejorado muchísimo, pero pruebas como ARC-AGI muestran que el tamaño por sí solo no resuelve aprender algo realmente nuevo.

Resumen

Fuentes: Morris y otros, Google DeepMind, «Levels of AGI for Operationalizing Progress on the Path to AGI» (ICML 2024); ARC Prize, «ARC-AGI-3: A New Challenge for Frontier Agentic Intelligence» (2026); Grace y otros, «Thousands of AI Authors on the Future of AI» (AI Impacts, 2024); carta fundacional de OpenAI (2018); Microsoft, «The next chapter of the Microsoft–OpenAI partnership» (2025), y François Chollet, «On the Measure of Intelligence» (2019). Los esquemas son de decodigo.com.

Fuente: Google DeepMind, «Levels of AGI for Operationalizing Progress on the Path to AGI»