Lo que Turing realmente propuso
En 1950, Alan Turing se preguntó si las máquinas podían pensar y rápidamente reemplazó esa pregunta filosóficamente enredada por una operacional. En su “juego de la imitación”, un interrogador humano se comunicaba por texto con una persona y una máquina e intentaba identificar cuál era cuál. Turing ofreció esto como una forma de discutir la inteligencia de las máquinas a través del comportamiento observable en lugar de una esencia interna inaccesible (Turing, “Computing Machinery and Intelligence”).
La idea fue profunda, pero la frase familiar “pasa la prueba de Turing” oculta muchas decisiones. ¿Cuánto dura la conversación? ¿Qué sabe el juez? ¿Qué temas están permitidos? ¿Cuántos jueces participan, y qué tasa de error cuenta como éxito? Turing no estableció un programa de certificación moderno con un único umbral oficial. La prueba es un experimento mental y un hito de investigación, no un instrumento de medición de un regulador de la AGI.
Por qué la conversación se volvió demasiado fácil de manipular
El juego de la imitación recompensa a un sistema por parecer humano en una interacción particular. Eso puede lograrse a través de una amplitud genuina, pero también a través de la evasividad, el juego de roles, el humor, errores deliberados, o explotando las expectativas de un juez. El primer chatbot, ELIZA, mostró en la década de 1960 que las personas fácilmente proyectan comprensión sobre patrones conversacionales superficiales. Los modelos de lenguaje actuales generan un diálogo mucho más coherente, haciendo que el antropomorfismo sea aún más fácil.
Aprobar una conversación de texto corta no demostraría planificación fiable, precisión matemática, juicio científico, competencia en el mundo físico, o la capacidad de recuperarse de errores. No mostraría que el modelo puede aprender un nuevo trabajo, preservar objetivos a lo largo de un proyecto largo, o reconocer cuándo debería ceder ante un humano. Por el contrario, un sistema no verbal poderoso podría transformar la ciencia o la logística mientras falla en imitar a un hablante casual. El parecido humano no es ni necesario ni suficiente para una capacidad de máquina consecuente.
La prueba también mezcla la inteligencia con el engaño. Un sistema puede ser penalizado por identificarse honestamente como una máquina y recompensado por manipular a un juez para que crea lo contrario. Eso encaja mal con la evaluación de seguridad, donde la incertidumbre calibrada, la trazabilidad y la divulgación veraz son a menudo más importantes que la plausibilidad social.
De una prueba a un portafolio de evaluación
La evaluación moderna usa muchos conjuntos de tareas porque la inteligencia es multidimensional. Las pruebas de referencia de conocimiento y razonamiento evalúan preguntas de diversas materias; las evaluaciones de programación ejecutan programas generados contra casos de prueba; las pruebas multimodales combinan texto, diagramas, imágenes, audio y video; las pruebas de referencia de agentes colocan a los modelos en entornos interactivos donde deben navegar, usar software y completar objetivos.
Cada familia responde una pregunta acotada. MMLU, por ejemplo, muestrea conocimiento académico y profesional de opción múltiple, pero las puntuaciones altas no establecen que un modelo pueda ejercer esas profesiones. GAIA prueba a los asistentes en preguntas del mundo real que pueden requerir razonamiento, herramientas y múltiples pasos (artículo de GAIA). OSWorld evalúa a los agentes de uso de computadoras en aplicaciones reales de sistema operativo (artículo de OSWorld). ARC-AGI se enfoca en adaptarse a tareas novedosas de razonamiento visual en lugar de reproducir conocimiento almacenado (prueba de referencia de ARC Prize). Estas evaluaciones revelan fortalezas y modos de fallo diferentes; ninguna es un detector de AGI.
Los estudios de finalización de tareas añaden una dimensión de tiempo y complejidad. METR estima la duración de la tarea de un experto humano a la que un agente tiene una probabilidad de éxito dada. Su conjunto actual cubre principalmente ingeniería de software, aprendizaje automático y ciberseguridad, y la organización advierte explícitamente que el “horizonte temporal” es la dificultad de la tarea medida en tiempo humano — no la duración durante la cual una IA puede operar de forma independiente (metodología de METR). También advierte que las tareas de prueba de referencia bien especificadas son más limpias que la mayoría de los empleos y que el rendimiento difiere marcadamente según el dominio.
La fiabilidad cambia el significado de una puntuación
El rendimiento promedio no es suficiente para un uso de alto riesgo. Un sistema que tiene éxito la mitad de las veces puede ser impresionante para la investigación pero inutilizable en medicina, aviación, o infraestructura. Los evaluadores por tanto necesitan tasas de éxito, ensayos repetidos, comportamiento en el peor de los casos, intervalos de incertidumbre, y pruebas bajo cambio de distribución. Deberían medir si un modelo sabe cuándo está incierto, busca aclaración, y devuelve el control de forma segura.
La configuración de la evaluación importa tanto como el modelo subyacente. El acceso a herramientas, la redacción de la instrucción, la memoria, los ajustes de muestreo, el cómputo en tiempo de inferencia, y el software de agente circundante pueden cambiar materialmente los resultados. Una puntuación pertenece a una configuración de sistema probada en una fecha declarada. Tratarla como una propiedad atemporal del nombre de un modelo fomenta comparaciones falsas.
La contaminación de datos es otro problema. Las preguntas y soluciones de pruebas de referencia públicas pueden aparecer en los datos de entrenamiento. Incluso sin memorización textual, el ajuste enfocado en pruebas de referencia puede mejorar una puntuación sin una generalización equivalente. Las mejores evaluaciones usan tareas privadas o recién creadas, documentan la posible exposición, y se renuevan con frecuencia. Las pruebas independientes reducen — pero no eliminan — el riesgo de que un desarrollador seleccione solo los resultados favorables.
La evaluación de seguridad hace preguntas diferentes
La evaluación de capacidad mide lo que un sistema puede hacer bajo condiciones favorables. La evaluación de seguridad pregunta qué podría hacer cuando se le hace mal uso, se le somete a estrés, se le engaña, se le dan instrucciones conflictivas, o se le coloca en un entorno consecuente. Las pruebas relevantes incluyen asistencia con mal uso biológico o cibernético, manipulación, autonomía, evasión de salvaguardas, engaño, y la capacidad de adquirir recursos. El Informe Internacional de Seguridad de la IA 2026 enfatiza que las evaluaciones enfrentan una validez externa limitada, una rápida obsolescencia, y un acceso incompleto a los sistemas de frontera (Informe Internacional de Seguridad de la IA 2026).
Los equipos rojos buscan fallos de forma creativa, mientras que las pruebas de referencia estructuradas permiten la comparación. El monitoreo del mundo real luego prueba si los resultados previos al despliegue predijeron el uso real. El reporte de incidentes es esencial porque ningún conjunto de laboratorio puede enumerar cada contexto. Un régimen de evaluación debería conectar los resultados con decisiones: salvaguardas adicionales, acceso restringido a herramientas, lanzamiento por etapas, revisión externa, o una pausa de despliegue cuando se cruza un umbral definido.
Lo que requeriría una evaluación creíble de la AGI
El marco “Levels of AGI” de Google DeepMind argumenta que las evaluaciones deberían cubrir tanto el rendimiento como la generalidad y deberían considerar la interacción humano-IA a través de la cual se expresa la capacidad (marco de DeepMind). Una evaluación creíble necesitaría dominios amplios, tareas genuinamente novedosas, múltiples niveles de rendimiento, y un reporte claro de la autonomía. Probaría la transferencia, la eficiencia de aprendizaje, la robustez, la interacción social, y el trabajo abierto — no solo preguntas de examen.
También necesitaría replicación independiente y escrutinio adversarial. Los desarrolladores deberían publicar suficiente metodología para interpretar las afirmaciones sin exponer detalles peligrosos ni comprometer pruebas privadas. Los resultados deberían separar el modelo base de las herramientas y el andamiaje, incluir ejemplos de fallo, y evitar convertir un número compuesto en un veredicto metafísico.
El sucesor es un panel, no una línea de meta
Ninguna prueba moderna ha “reemplazado” el juego de Turing en el sentido de convertirse en la puerta universalmente aceptada hacia la AGI. Lo que lo reemplazó es un portafolio: pruebas de conocimiento, tareas de razonamiento novedoso, entornos interactivos, mediciones de horizonte de tareas, revisión de expertos específica del dominio, evaluaciones de capacidad peligrosa, y evidencia de despliegue.
Esa respuesta es menos teatral que una máquina engañando a un juez, pero más útil. La pregunta correcta ya no es “¿Aprobó?”. Es: ¿Qué puede hacer este sistema de forma fiable, bajo qué condiciones, con qué asistencia, y qué sucede cuando las condiciones cambian? Un panel transparente de evidencia fechada proporciona una guía mejor para la capacidad y el riesgo que cualquier línea de meta única.