Comience por el tipo de afirmación que se está haciendo
“La IA puede hacer esto”, “la AGI llegará pronto” y “este sistema podría causar una catástrofe” no son la misma afirmación. Necesitan evidencia diferente. Una demostración pulida puede establecer que un modelo tuvo éxito una vez bajo condiciones favorables. No establece fiabilidad, valor económico, ni operación autónoma segura. Un pronóstico expresa un juicio sobre el futuro. No es una medición de una capacidad presente.
Esto importa porque la AGI no tiene una prueba universalmente aceptada. Las definiciones enfatizan diferentes combinaciones de amplitud, rendimiento, autonomía, aprendizaje, competencia física e impacto económico. En lugar de preguntar si un titular prueba la AGI, los lectores deberían preguntar qué se midió, bajo qué condiciones, y qué tan lejos viaja la conclusión más allá de la evidencia.
La escalera de abajo no es un ranking rígido en el que cada elemento de un nivel derrota a todo lo que está debajo. Una evaluación de laboratorio reproducible puede ser evidencia más sólida para un mecanismo estrecho que datos de despliegue ruidosos. Su propósito es exponer los pasos inferenciales que las afirmaciones promocionales y alarmistas a menudo esconden.
Nivel uno: anécdota y demostración curada
Las anécdotas revelan posibilidades y modos de fallo. Una grabación de pantalla de un agente construyendo una aplicación muestra que al menos una ejecución produjo el resultado mostrado, asumiendo que la demostración es auténtica. Una alucinación sorprendente muestra que un fallo puede ocurrir. Ninguna de las dos nos dice con qué frecuencia aparece el comportamiento.
Pregunte si el presentador seleccionó la mejor ejecución, editó pausas o fallos, usó asistencia humana oculta, o eligió una tarea familiar. Busque la instrucción completa, las herramientas, la versión del modelo, los ajustes de muestreo, el número de intentos y los casos de fallo. Sin ellos, trate el resultado como una pista que vale la pena investigar — no como una tasa.
Las demostraciones siguen siendo útiles. Las nuevas habilidades a menudo aparecen en forma desordenada antes de que exista una medición formal. El error es convertir “puede pasar” en “usualmente pasa”, y luego en “transformará la economía”.
Nivel dos: prueba de referencia o evaluación controlada
Una evaluación define tareas, condiciones y una regla de puntuación. Puede comparar sistemas más sistemáticamente que una anécdota. Las evaluaciones sólidas usan tareas reservadas, previenen la contaminación, reportan la incertidumbre, documentan el andamiaje y la asistencia humana, y prueban los modos de fallo relevantes. La replicación independiente aumenta la confianza.
Las puntuaciones de las pruebas de referencia aún pueden engañar. Los datos de entrenamiento pueden contener preguntas similares. Los equipos pueden optimizar para una prueba pública. El conocimiento de opción múltiple no establece habilidad en un lugar de trabajo desconocido. Los promedios ocultan fallos catastróficos en la cola de la distribución. Un sistema que tiene éxito el 90 por ciento de las veces puede ser inutilizable en un flujo de trabajo de 30 pasos porque los errores se acumulan.
El Informe Internacional de Seguridad de la IA 2026 usa el término “brecha de evaluación” para el problema de que los resultados de pruebas controladas previas al despliegue no predicen de forma fiable el rendimiento en el mundo real. También describe los perfiles de capacidad actuales como “irregulares”: el rendimiento varía sustancialmente entre tareas y contextos, y los sistemas pueden fallar en trabajo aparentemente simple a pesar de tener éxito en evaluaciones difíciles. Estos son hallazgos sobre los límites de la medición, no una prueba de que toda prueba de referencia sea inútil. Un artículo creíble debería reportar tanto la puntuación como lo que la prueba deja fuera.
Nivel tres: estudios adversariales, causales y de impulso (uplift)
Las afirmaciones de riesgo necesitan más que una prueba de referencia estándar. Los equipos rojos buscan formas de provocar comportamiento prohibido o peligroso. Los experimentos causales cambian una característica y prueban si los resultados cambian. Los estudios de impulso comparan lo que las personas pueden lograr con IA frente a una línea base significativa, como internet por sí solo.
Estos estudios responden preguntas diferentes. Un hallazgo de equipo rojo muestra accesibilidad bajo el ataque probado, no incidencia poblacional. Una evaluación de capacidad puede mostrar que un modelo puede producir un plan dañino sin mostrar que un actor real puede ejecutarlo. Un estudio de impulso puede ser más relevante para el mal uso, pero sus participantes, límite de tiempo, línea base, medida de resultado y salvaguardas determinan lo que significa.
Las muestras pequeñas producen una incertidumbre amplia. Los participantes expertos pueden subestimar el impulso a novatos pero representar mejor a atacantes sofisticados. Las tareas sustitutas evitan crear daño real pero pueden omitir cuellos de botella del mundo real. Los resultados envejecen rápidamente a medida que los modelos y los controles cambian. Un buen reporte nombra esos límites en lugar de comprimirlos en “la IA habilita” o “la IA no aumenta” el riesgo.
Nivel cuatro: evidencia de campo y de despliegue
Los datos del mundo real pueden revelar adopción, productividad, incidentes, abuso y adaptación organizacional. Los experimentos de campo aleatorizados y los cuasi experimentos cuidadosamente diseñados pueden estimar efectos causales. Las bases de datos de incidentes y los datos de quejas pueden mostrar daño recurrente. Las auditorías pueden detectar disparidades que el laboratorio de un desarrollador no probó.
La evidencia de despliegue también tiene puntos ciegos. Las empresas observan más de lo que divulgan. Los usuarios eligen si adoptar una herramienta y cómo, lo que sesga las comparaciones simples. Los incidentes reportados no son lo mismo que todos los incidentes. Una ganancia de productividad en atención al cliente no se generaliza automáticamente a la investigación, la gestión, la medicina o la robótica.
Los lectores deberían buscar la población, el entorno, el grupo de comparación, el período de tiempo, el resultado y los conflictos de interés. “Los trabajadores completaron más tareas” difiere de “el negocio creó más valor”, y ambos difieren de “el empleo cayó”. La evidencia laboral actual sobre IA generativa no debería reetiquetarse como evidencia sobre una AGI hipotética.
Nivel cinco: extrapolación de tendencias y pronóstico
Los pronósticos combinan mediciones con supuestos. Las tendencias de cómputo, el progreso algorítmico, la inversión, el rendimiento en pruebas de referencia y la fiabilidad de los agentes pueden informar un pronóstico, pero ninguno determina de forma única una fecha para la AGI. Las restricciones pueden aliviarse, vincularse, o cambiar. Las definiciones pueden moverse.
La investigación de horizonte temporal de METR estima el tiempo de finalización de un experto humano para tareas en las que un agente probado tiene éxito predicho con una fiabilidad declarada, comúnmente el 50 o el 80 por ciento. Su conjunto actual está compuesto principalmente por tareas autocontenidas y bien especificadas de ingeniería de software, aprendizaje automático y ciberseguridad con reglas de puntuación claras. La medida es evidencia útil sobre una configuración de agente y distribución de tareas definidas. No es el tiempo que la IA funciona de forma autónoma, una medida de todo el trabajo económicamente valioso, ni un temporizador que cuenta regresivamente hacia la AGI. METR también advierte que las mediciones por encima de las 16 horas son poco fiables con su conjunto de tareas actual.
Evalúe un pronóstico por su definición operacional, fecha, probabilidad, modelo, tasa base y historial. Un pronóstico calibrado dice, en efecto: “los resultados asignados con un 30 por ciento deberían ocurrir aproximadamente el 30 por ciento de las veces”. Una fecha confiada sin criterios de resolución no puede puntuarse. Las encuestas de expertos capturan creencias informadas pero no convierten el desacuerdo en evidencia experimental.
Los escenarios sirven otro propósito. Exploran vías condicionales: si las capacidades, el acceso, la autonomía y la respuesta institucional toman valores especificados, ¿qué sigue? Un escenario puede exponer vulnerabilidades sin ser el futuro más probable. Etiquételo en consecuencia.
Nivel seis: mecanismo y argumento teórico
Algunos riesgos severos de la AGI no pueden demostrarse directamente sin los sistemas relevantes — y no deberían crearse solo para obtener la prueba. Los investigadores en su lugar proponen mecanismos como el hackeo de recompensas, la búsqueda instrumental de recursos, las carreras competitivas, o la delegación gradual de autoridad. Los modelos formales pueden aclarar si una conclusión se sigue de los supuestos.
La pregunta central no es si el argumento suena vívido. Es qué premisas tienen soporte empírico. ¿Tiene el sistema un objetivo persistente? ¿Puede planificar en el horizonte requerido? ¿Tiene acceso a herramientas, dinero, infraestructura, o copias de sí mismo? ¿Fallará el monitoreo? ¿Pueden responder las instituciones? Cada eslabón puede cambiar la probabilidad de toda la cadena.
La ausencia de datos de catástrofe directa no es evidencia de riesgo cero. Tampoco un camino lógicamente posible establece una probabilidad grande. Las decisiones bajo incertidumbre deberían considerar la consecuencia, la reversibilidad, el tiempo de advertencia, y el costo y la eficacia de las salvaguardas. Eso es un juicio de gestión de riesgo, no un descubrimiento de que la teoría se ha convertido en observación.
Use una ficha de evidencia para afirmaciones consecuentes
Para cualquier afirmación importante, registre seis campos:
- Afirmación: la proposición acotada realmente hecha.
- Estado: resultado observado, inferencia, pronóstico, escenario, o recomendación.
- Fuente: estudio primario, datos oficiales, síntesis, informe de empresa, medios, u opinión.
- Alcance: modelo, versión, tarea, población, jurisdicción y fecha.
- Incertidumbre: tamaño de muestra, intervalo de confianza, replicación, datos faltantes, y alternativas plausibles.
- Disparador de actualización: evidencia que fortalecería, debilitaría, o retiraría la afirmación.
El Perfil de IA Generativa voluntario del NIST es un complemento intersectorial al Marco de Gestión de Riesgo de IA, no una prueba o certificación de AGI. Organiza acciones sugeridas bajo las funciones de Gobernar, Mapear, Medir y Gestionar del marco, y trata la gestión de riesgo como una actividad de ciclo de vida. La guía de medición más amplia del Marco de Gestión de Riesgo de IA del NIST exige pruebas documentadas, medidas de incertidumbre, medición relevante para el despliegue, monitoreo, y revisión independiente donde pueda reducir el sesgo interno. La plantilla exacta importa menos que hacer auditable la cadena de evidencia.
Ajuste la confianza a la evidencia
La cobertura confiable de la AGI no requiere una falsa neutralidad. Algunos hechos están bien establecidos: los modelos están mejorando en muchas evaluaciones, los daños reales ya ocurren, las capacidades siguen siendo irregulares, y las instituciones tienen visibilidad incompleta. Otras proposiciones — fechas de la AGI, despegue discontinuo, consciencia digital, alineación estable, probabilidades de extinción — siguen profundamente disputadas.
La respuesta disciplinada es la precisión. Diga “el estudio encontró” al describir su resultado, “los autores infieren” al ir más allá de él, “los pronosticadores asignan” al reportar una creencia, y “este escenario asume” al explorar una vía. Luego enlace la fuente cerca de la afirmación.
Ese lenguaje puede sentirse menos dramático que una cuenta regresiva o una declaración. Es más útil. La humanidad tomará mejores decisiones sobre la IA avanzada al saber qué respalda la evidencia, dónde se detiene, y qué cambiaría la evaluación.