Un ensayo en Nature cuestiona el término ‘superinteligencia’

⏱️ Lectura: 11 min

Nature publicó en octubre de 2026 un ensayo que hace una pregunta incómoda para toda la industria de la inteligencia artificial: si la superinteligencia artificial sigue siendo un término con base científica o ya es solo una etiqueta de marketing. La revista lo plantea justo cuando varios laboratorios afirman en público estar cerca de superar la inteligencia humana en tareas generales.

📑 En este artículo

1. TL;DR
2. Qué es la superinteligencia artificial
3. Qué pasó
4. Contexto e historia
5. Detalles técnicos
6. Impacto y análisis
7. Qué sigue
8. Preguntas frecuentes
   1. ¿Qué dice exactamente el ensayo de Nature sobre la superinteligencia artificial?
   2. ¿Quién definió los niveles de AGI que usa este artículo como referencia?
   3. ¿Qué es la Responsible Scaling Policy de Anthropic?
   4. ¿La IA actual ya alcanzó la inteligencia artificial general?
   5. ¿Por qué importa este debate sobre la inteligencia artificial general para alguien que no trabaja en IA?
9. Referencias

El ensayo, titulado The science of superintelligence and why AI is still a useful word, no niega que la IA avance. Cuestiona si existe una definición medible de ‘superinteligencia’ que sirva para algo más que un titular.

TL;DR

• Nature publicó en octubre de 2026 un ensayo que cuestiona si la superinteligencia tiene base científica sólida.
• DeepMind propuso en 2023 seis niveles de capacidad de IA, de ‘sin IA’ a ‘sobrehumana’, en el paper Levels of AGI.
• Anthropic ata su Responsible Scaling Policy a niveles ASL medibles, no a la palabra ‘superinteligencia’.
• La Ley de IA de la UE fija el umbral de riesgo sistémico en 10^25 FLOPs de entrenamiento, no en una etiqueta.
• El ensayo no niega el avance de la IA: defiende que ‘inteligencia artificial’ sigue siendo un término útil.

Qué es la superinteligencia artificial

Superinteligencia artificial es la capacidad hipotética de un sistema de IA para superar a los humanos en prácticamente cualquier tarea cognitiva relevante, incluyendo las que exigen juicio, creatividad y planificación a largo plazo, y no solo en pruebas aisladas de memoria o cálculo.

El término se popularizó dentro de la filosofía de la IA mucho antes de que existieran los modelos de lenguaje actuales, pero carece de una métrica estándar aceptada por toda la comunidad científica. Por eso Nature usa la pregunta como punto de partida: hace falta distinguir entre la ambición declarada por las empresas y lo que de verdad se puede medir en un laboratorio.

Qué pasó

El ensayo repasa cómo el lenguaje de la industria se movió, en apenas unos años, de hablar de modelos de lenguaje a hablar de inteligencia artificial general y superinteligencia casi como sinónimos. El autor sostiene que esa deriva no vino de un avance medible, sino de la ausencia de un criterio compartido: cada laboratorio define la etiqueta a su manera, y esa definición cambia según convenga para una ronda de financiamiento, un anuncio de producto o un debate regulatorio.

El texto no pide abandonar el vocabulario de la IA. Al contrario, defiende que ‘inteligencia artificial’ como término sigue siendo útil para la ciencia, aunque sea impreciso, porque agrupa un conjunto real de técnicas (aprendizaje profundo, aprendizaje por refuerzo, modelos de lenguaje) que sí se pueden estudiar y comparar. El problema aparece, según el ensayo, cuando se salta directo a ‘superinteligencia’ sin pasar por una escala intermedia que alguien pueda verificar.

La publicación llega además en un momento en que medios generalistas, no solo especializados, repiten la palabra en titulares sin matizarla. Para una revista científica, esa repetición sin respaldo empírico es justo el tipo de problema que un comité editorial no puede ignorar: cuando un término se vuelve sinónimo de progreso sin que nadie pueda medirlo, deja de servir como categoría científica y pasa a ser una consigna.

Contexto e historia

La idea de medir la IA por niveles, no por una etiqueta binaria, no es nueva. En 2023, investigadores de Google DeepMind publicaron Levels of AGI for Operationalizing Progress on the Path to AGI, un paper que propuso seis niveles de capacidad, de Nivel 0 (sin IA) a Nivel 5 (sobrehumana), cruzados con una segunda escala de generalidad, de tareas estrechas a tareas completamente generales. La propuesta buscaba exactamente lo que Nature reclama ahora: una vara común para medir progreso sin depender de un anuncio de prensa.

Ese marco convive con posturas opuestas dentro de la propia industria. OpenAI nació con la misión declarada de construir una AGI segura y beneficiosa, pero nunca fijó un umbral técnico público para decidir cuándo se alcanza ese punto. Anthropic tomó el camino contrario: en su ensayo Machines of Loving Grace, su director ejecutivo Dario Amodei evita deliberadamente las palabras AGI y superinteligencia, y propone hablar en cambio de ‘IA potente’, definida por lo que el sistema puede hacer en tareas concretas, no por una comparación vaga con la inteligencia humana en general.

La propia etiqueta ‘inteligencia artificial’ nació en 1955, cuando John McCarthy decidió organizar el taller de Dartmouth y eligió ese nombre para el nuevo campo, y desde entonces atravesó más de un ‘invierno de la IA’ en el que buena parte de la comunidad científica dejó de usar el término por el desprestigio que había acumulado. La discusión actual sobre la superinteligencia repite, a otra escala, ese mismo patrón: una palabra que promete demasiado termina por perder credibilidad incluso cuando la tecnología detrás sigue avanzando.

Detalles técnicos

La disputa sobre el término no es solo semántica: en al menos un caso, una definición de capacidad dispara compromisos de seguridad que una empresa está obligada a cumplir. La Responsible Scaling Policy de Anthropic ata cada nivel de seguridad (ASL, por AI Safety Level) a evaluaciones concretas de capacidades peligrosas: cuánto ayuda un modelo a diseñar un arma biológica, a replicarse de forma autónoma en infraestructura ajena o a ejecutar un ciberataque complejo sin supervisión humana. Si un modelo supera el umbral de una evaluación, la política obliga a reforzar la seguridad del despliegue antes de publicarlo, sin importar cómo se llame esa capacidad hacia afuera.

flowchart LR
A["Nivel 0: Sin IA"] --> B["Nivel 1: Emergente"]
B --> C["Nivel 2: Competente"]
C --> D["Nivel 3: Experta"]
D --> E["Nivel 4: Virtuosa"]
E --> F["Nivel 5: Sobrehumana"]

La escala de DeepMind no mide solo profundidad de la capacidad: también mide generalidad. Un modelo puede ser virtuoso jugando ajedrez (nivel alto) pero estrecho en generalidad, mientras que un asistente conversacional moderno es más general pero rara vez pasa del nivel competente en tareas específicas exigentes. Esa doble vara explica por qué dos laboratorios pueden mirar el mismo modelo y llegar a conclusiones opuestas sobre si ya es superinteligente.

No hay una API ni un comando que devuelva automáticamente en qué nivel está un modelo. Ubicarlo en la escala de DeepMind es una evaluación cualitativa: cada equipo de investigación compara los resultados de sus propios benchmarks contra la descripción de las seis categorías del paper, y dos equipos pueden discrepar en el resultado. Eso es, precisamente, lo que Nature señala como punto débil.

Ni la escala de DeepMind ni la política de Anthropic resuelven el problema de fondo: ambas dependen de evaluaciones internas, hechas por la misma empresa que después decide si lanza el modelo. Nature no pide externalizar esas pruebas, pero el ensayo sí nota que ninguna de las dos escalas tiene hoy una auditoría independiente obligatoria.

Impacto y análisis

La falta de una definición común tiene consecuencias prácticas más allá del laboratorio. Gobiernos que destinan fondos públicos a IA necesitan un criterio para decidir qué proyectos califican como investigación de frontera y cuáles son solo aplicaciones convencionales etiquetadas como superinteligencia artificial para atraer presupuesto.

Para los inversores, el problema es distinto pero relacionado: una ronda de financiamiento valorada en varios miles de millones de dólares puede apoyarse en la promesa de llegar a la AGI sin que exista una forma independiente de verificar cuánto falta para eso. El ensayo de Nature no acusa a ninguna empresa de mentir; argumenta que, sin una métrica común, ni siquiera la propia empresa puede saber con certeza en qué punto de la escala está.

La Ley de IA de la Unión Europea evita el problema de lleno: en lugar de depender de una palabra, fija un umbral técnico medible, el entrenamiento con más de 10^25 FLOPs, para clasificar un modelo como de riesgo sistémico y exigirle evaluaciones adicionales. Es la misma lógica que defiende el ensayo de Nature: una cifra que cualquiera puede verificar pesa más que una etiqueta que cambia de significado según quién la use.

💭 Clave: ninguna política de seguridad de la industria usa hoy la palabra ‘superinteligencia’ como umbral oficial; todas, incluida la de Anthropic, dependen de pruebas de capacidades concretas y verificables.

Qué sigue

Nature no es la única publicación científica presionando en esta dirección. En los próximos meses se esperan revisiones de los marcos de capacidades de OpenAI, Google DeepMind y Anthropic, que suelen actualizarse cuando aparece una nueva generación de modelos. Si la presión editorial se mantiene, es probable que los laboratorios empiecen a hablar menos de superinteligencia en sus anuncios y más de niveles concretos de capacidad, aunque sea solo para evitar que un ensayo como este los cite como ejemplo de lenguaje inflado.

Lo que no va a pasar pronto es un acuerdo formal entre empresas sobre una sola escala. Cada laboratorio tiene incentivos distintos para definir el progreso a su manera, y ninguna autoridad científica tiene poder para imponer una terminología común.

📖 Resumen en Telegram: Ver resumen

Si te interesa el detalle técnico, leé el paper original Levels of AGI de DeepMind: son pocas páginas y la tabla de niveles se entiende sin necesitar formación en IA.

Preguntas frecuentes

¿Qué dice exactamente el ensayo de Nature sobre la superinteligencia artificial?

Argumenta que el término carece de una métrica científica aceptada, aunque defiende que ‘inteligencia artificial’ como categoría general sigue siendo útil para la investigación.

¿Quién definió los niveles de AGI que usa este artículo como referencia?

Investigadores de Google DeepMind los propusieron en 2023 en el paper ‘Levels of AGI for Operationalizing Progress on the Path to AGI’.

¿Qué es la Responsible Scaling Policy de Anthropic?

Es el marco interno que ata cada nivel de riesgo (ASL) a evaluaciones concretas de capacidades peligrosas, como asistencia en bioseguridad o ciberataques autónomos, en lugar de a una etiqueta como superinteligencia.

¿La IA actual ya alcanzó la inteligencia artificial general?

No hay consenso científico al respecto. Distintos laboratorios usan criterios distintos, que es precisamente el problema que señala el ensayo de Nature.

¿Por qué importa este debate sobre la inteligencia artificial general para alguien que no trabaja en IA?

Porque esa definición influye en decisiones de financiamiento público, en qué exige la regulación y en qué tan creíbles son los anuncios comerciales de las empresas de IA.

Referencias

• Nature: ensayo ‘The science of superintelligence and why AI is still a useful word’.
• arXiv: ‘Levels of AGI for Operationalizing Progress on the Path to AGI’ (Google DeepMind, 2023).
• Anthropic: anuncio oficial de la Responsible Scaling Policy.
• Dario Amodei: ensayo ‘Machines of Loving Grace’ sobre IA potente frente a AGI y superinteligencia.
• Wikipedia: contexto general sobre inteligencia artificial general.

📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.

Imagen destacada: Foto de Mirella Callage en Unsplash