Dossier AGI · Intermedio · 11 min
¿Cuándo llegará la AGI? Previsiones publicadas, métodos y motivos de sus diferencias
No hay consenso sobre cuándo llegará la AGI. Compare las previsiones publicadas, sus definiciones, sus métodos y las incertidumbres que explican sus diferencias.
No existe una fecha de llegada de la AGI, o inteligencia artificial general, que reúna consenso en las fuentes examinadas hasta el 24 de octubre de 2026. Las previsiones difieren porque apuntan a capacidades distintas y combinan encuestas, extrapolaciones, escenarios o valoraciones de investigadores. Para compararlas, hay que considerar conjuntamente el suceso previsto, su probabilidad, sus condiciones y la fecha de publicación de la estimación.
Definir el suceso antes de comparar fechas
Una previsión se puede interpretar cuando precisa qué debe ocurrir. Superar a una persona en pruebas académicas, aprender una profesión desconocida y realizar investigación de forma autónoma son objetivos distintos. Una fecha sin un criterio de éxito obliga al lector a escoger su propia definición.
Conviene distinguir, en particular, entre rendimiento, generalización y autonomía. El rendimiento describe el resultado obtenido en una tarea. La generalización se refiere a la transferencia a situaciones nuevas; la autonomía añade la capacidad de perseguir un objetivo con una supervisión limitada.
La dimensión económica introduce otras exigencias. Un sistema puede resolver una tarea y, aun así, necesitar demasiados recursos de cómputo, comprobaciones o intervenciones para sustituir una forma de organización existente. A la inversa, una automatización especializada puede transformar una actividad sin cumplir una definición exigente de inteligencia general.
Antes de tomar una fecha como referencia, examine estas cuestiones:
- ¿Qué tareas se incluyen y cuáles quedan fuera?
- ¿Con qué nivel de capacidad humana se compara?
- ¿Qué aprendizaje previo y qué ayuda se permiten?
- ¿Qué costos, plazos y tasas de error resultan aceptables?
- ¿Quién determina que se ha superado el umbral?
Estas preguntas complementan nuestra explicación de la definición de AGI. Sobre todo, evitan colocar en una misma línea temporal sucesos que reciben el mismo nombre, pero que no corresponden al mismo umbral de capacidad.
Las previsiones publicadas apuntan a objetivos distintos
La siguiente tabla reúne publicaciones identificables. Las fechas proceden de las estimaciones originales; no constituyen un calendario validado por este sitio.
| Publicación | Suceso o capacidad prevista | Horizonte publicado | Método y principal limitación |
|---|---|---|---|
| Encuesta de Grace y sus coautores, publicada inicialmente en enero de 2024 | Máquinas sin asistencia que superan a los humanos en todas las tareas posibles | Probabilidad agregada del 10 % para 2027 y del 50 % para 2047 | Encuesta a investigadores; agregación de opiniones |
| Dario Amodei, Machines of Loving Grace | IA muy superior en numerosos ámbitos, capaz de trabajar de forma autónoma | Se plantea la posibilidad de que llegue ya en 2026 | Valoración argumentada; sin un plazo garantizado |
| AI 2027, previsiones técnicas de abril de 2025 | Desarrollo interno de un programador sobrehumano | Medianas iniciales, teniendo en cuenta todos los factores: 2028, 2030 y 2033, según el autor de la previsión | Modelos y ajustes basados en valoraciones; objetivo centrado en el código |
| State of AI Report 2026 | AGI anunciada como previsión editorial | 2027 | Valoración prospectiva; es necesario examinar su definición operativa |
La encuesta de Grace y sus coautores, publicada inicialmente en enero de 2024, reúne a 2 778 investigadores. Bajo el supuesto de que el progreso científico continúe sin interrupciones, su estimación agregada alcanza el 50 % en 2047 para la capacidad general estudiada. Una pregunta distinta, referida a la automatización completa de todas las profesiones, alcanza ese umbral en 2116.
En Machines of Loving Grace, fechado en octubre de 2024, Dario Amodei contempla una IA potente ya en 2026, aunque reconoce que podría tardar mucho más. Describe capacidades intelectuales amplias y autonomía para realizar trabajos prolongados. Se trata de una posibilidad argumentada, sin una probabilidad numérica comparable a la de una encuesta.
Por su parte, el State of AI Report 2026, publicado en octubre de 2026, incluye una previsión de AGI para 2027. Ese anuncio, por sí solo, no permite equiparar su umbral con los de las demás publicaciones.
Las encuestas miden expectativas, no una cuenta atrás
Una encuesta permite describir cómo se distribuyen las expectativas de una comunidad. Su valor depende de la formulación de las preguntas, de la selección de los participantes y de la transparencia de la agregación. También permite seguir la evolución de las expectativas cuando el protocolo se mantiene comparable.
Sin embargo, la experiencia en aprendizaje automático no mide directamente cuánto falta para un descubrimiento. Un investigador puede conocer con precisión determinadas arquitecturas y seguir teniendo dudas sobre los recursos industriales, la robótica o la organización del trabajo. Varias personas con amplios conocimientos pueden compartir un mismo punto ciego.
La redacción de la pregunta importa tanto como el número de respuestas. Una tarea intelectual realizada en un entorno digital no impone las mismas condiciones que la automatización completa de una profesión. Esta última puede exigir presencia física, responsabilidad e interacciones difíciles de formalizar.
También hay que distinguir entre la estimación agregada y el grado de acuerdo entre los participantes. Una curva colectiva puede calcularse a partir de opiniones muy dispersas. Su mediana no significa que todos los investigadores sitúen personalmente el cambio cerca de esa fecha.
Para interpretar una encuesta, busque la pregunta original y las condiciones asociadas a las respuestas. Compruebe también si se presenta una probabilidad acumulada, una media de fechas u otra estadística. Estos resúmenes no son intercambiables y pueden transmitir ideas distintas sobre una misma colección de respuestas.
Extrapolar una medida exige justificar el salto
La extrapolación parte de una evolución observada y la prolonga bajo determinados supuestos. Permite examinar el razonamiento: se puede discutir la pendiente, el periodo estudiado y el umbral que se pretende alcanzar. No demuestra que la tendencia vaya a continuar fuera del ámbito medido.
METR ofrece un ejemplo útil con el horizonte temporal de las tareas. Este horizonte expresa el tiempo que necesitaría una persona para completar tareas en las que un agente alcanza una tasa de éxito determinada. Por tanto, no equivale simplemente al tiempo durante el cual un programa permanece activo.
En su actualización del 29 de enero de 2026, METR comunica una duplicación histórica aproximadamente cada siete meses en su serie híbrida, y cada 131 días para el periodo desde 2023 con su método revisado. La organización subraya que el resultado es sensible a la composición de las tareas y que los intervalos siguen siendo amplios.
Estas medidas aportan información sobre un avance experimental. Para prever una AGI, después hay que justificar la relación entre el éxito en esas tareas y las capacidades generales que se buscan. Este vínculo entre la medida y el objetivo suele ser la parte más incierta del razonamiento.
La fiabilidad también cambia la interpretación. Acertar una de cada dos veces puede ser relevante para explorar una capacidad, pero insuficiente para delegar una actividad sin control. Una extrapolación debe precisar qué nivel de éxito prolonga y qué costo tienen los fallos.
Los escenarios hacen explícitos los supuestos
Un escenario desarrolla una secuencia posible de acontecimientos. Puede mostrar cómo interactuarían los avances técnicos, las decisiones empresariales y las respuestas políticas. Su nivel de detalle facilita la discusión de los mecanismos, pero no otorga automáticamente una probabilidad elevada al relato completo.
Las previsiones técnicas que acompañan a AI 2027 distinguen, entre otros enfoques, una extrapolación de los horizontes de las tareas y un método que parte de un benchmark de investigación para estimar después el camino restante. Su objetivo es un programador sobrehumano dentro de una empresa que desarrolla IA. Las estimaciones iniciales de abril de 2025, teniendo en cuenta todos los factores, presentaban medianas distintas pese al título común del escenario.
Esta distinción evita un error: interpretar el año que aparece en un relato como la mediana única de sus autores. Es necesario leer las distribuciones y los documentos técnicos que acompañan a la narración.
La actualización de AI Futures Project del 16 de agosto de 2026 añade enfoques basados en las mejoras de productividad en programación y en los ingresos. Los autores señalan, en particular, la incertidumbre del vínculo entre el horizonte de las tareas y la automatización del código. También precisan que sus plazos suponen un avance tan rápido como sea técnicamente posible.
Para evaluar un escenario, separe las transiciones decisivas: asistencia para programar, automatización del trabajo, aceleración de la investigación y, después, capacidades más amplias. Cada transición necesita sus propias pruebas. Que una etapa resulte plausible no valida de forma automática las siguientes.
Los desacuerdos también afectan a la naturaleza de la inteligencia
Parte de las diferencias no se refiere a la velocidad del progreso, sino a lo que falta para alcanzar el objetivo. Si el principal obstáculo es de ingeniería y recursos, prolongar una tendencia puede parecer pertinente. Si hay que resolver un problema conceptual, esa extrapolación aporta menos información.
En On the Measure of Intelligence, publicado en noviembre de 2019, François Chollet propone caracterizar la inteligencia mediante la eficiencia en la adquisición de habilidades. Su análisis distingue el nivel alcanzado en una tarea de la capacidad de aprender, teniendo en cuenta los conocimientos previos y la experiencia. Esta propuesta lleva a examinar las condiciones de aprendizaje, en lugar de deducir un plazo a partir de una puntuación aislada.
La página sobre la generalización según François Chollet desarrolla esta distinción. Por sí sola, no proporciona una fecha de llegada de la AGI.
Yann LeCun expone otra propuesta en A Path Towards Autonomous Machine Intelligence, fechado el 27 de junio de 2022. Presenta una arquitectura que combina, entre otros elementos, un modelo predictivo del mundo, aprendizaje autosupervisado y planificación jerárquica. El texto describe una dirección de investigación, sin establecer una fecha concreta.
Estas propuestas deben discutirse a partir de sus planteamientos precisos. No permiten atribuir a sus autores una fecha que no aparece en la publicación, ni considerar que una crítica de los métodos actuales demuestra que el horizonte deba ser necesariamente lejano.
Por qué se separan tanto las estimaciones
Las diferencias de definición explican parte de la distancia entre las previsiones. El resto depende de los supuestos sobre los avances futuros: continuidad de las mejoras, rendimiento de los recursos adicionales y capacidad de los propios sistemas para contribuir a la investigación.
Una previsión a corto plazo puede suponer que varios obstáculos se superarán a la vez. Otra puede considerar que la fiabilidad, el aprendizaje duradero o la planificación exigirán etapas adicionales. Es necesario identificar esos supuestos antes de comparar los años finales.
| Supuesto que conviene examinar | Si favorece una llegada rápida | Si introduce una demora |
|---|---|---|
| Continuidad de los avances | Los métodos conocidos siguen dando resultados | Un rendimiento decreciente obliga a buscar otro enfoque |
| Contribución a la investigación | Los agentes aceleran los experimentos útiles | La verificación y el hardware limitan la aceleración |
| Transferencia de capacidades | Las habilidades se trasladan a nuevos ámbitos | Cada ámbito exige una adaptación considerable |
| Fiabilidad | Los errores se pueden detectar y corregir | Los fallos poco frecuentes impiden delegar |
| Despliegue | Los sistemas se pueden integrar y son asequibles | Los costos y las limitaciones operativas retrasan el uso |
Esta tabla sirve para analizar los razonamientos; no asigna una probabilidad a cada trayectoria. Recuerda que una misma observación puede interpretarse de manera distinta según el mecanismo que se dé por supuesto.
Por tanto, los horizontes cortos no deben descartarse por el hecho de ser cortos. Los horizontes largos tampoco son más sólidos solo por su aparente prudencia. La calidad depende de la precisión de las condiciones y de la posibilidad de revisar el razonamiento.
Cómo interpretar probabilidades e intervalos
Una fecha mediana divide una distribución en dos según la estimación utilizada. No anuncia que el suceso vaya a producirse probablemente durante ese año concreto. Una previsión puede tener una mediana cercana y, al mismo tiempo, dejar una posibilidad considerable de que los plazos sean muy largos.
El año más probable y la fecha mediana también responden a preguntas distintas. El primero señala el máximo de la distribución anual; la segunda depende de toda la probabilidad acumulada antes de una fecha. Confundirlos puede transmitir una impresión engañosa de precisión.
Los intervalos requieren la misma atención. Algunos representan la incertidumbre de quien hace la previsión sobre el suceso futuro. Otros solo describen la incertidumbre estadística de un ajuste, bajo el supuesto de que el modelo elegido sea correcto.
Un intervalo estrecho alrededor de una pendiente no cubre necesariamente una ruptura tecnológica o un cambio de protocolo. La precisión del cálculo no elimina la incertidumbre de los supuestos que lo sostienen.
Por último, al resumir una previsión condicional hay que mantener su condición. Una llegada bajo un avance técnicamente máximo no equivale a una llegada que tenga en cuenta todas las interrupciones posibles. Eliminar esa reserva cambia el significado del resultado publicado.
¿Qué señales deberían llevar a revisar una previsión?
Una previsión útil precisa qué podría reforzarla o debilitarla. Sin esa regla, cualquier resultado corre el riesgo de convertirse en una confirmación a posteriori. La revisión debe centrarse en los mecanismos anunciados, no solo en una nueva impresión general.
Para una previsión basada en la autonomía, habrá que buscar tareas largas, nuevas y evaluadas de forma independiente. Será necesario conocer las intervenciones humanas, los intentos abandonados y los recursos consumidos. Un resultado final satisfactorio no describe por sí solo todo el proceso.
Para una previsión centrada en el aprendizaje, se examinará la adquisición de reglas inéditas y su reutilización en otro contexto. Para una previsión económica, se observarán las ganancias netas, después del control y la corrección.
Las principales señales que conviene seguir son:
- el éxito en tareas que se hayan mantenido fuera del entrenamiento;
- la recuperación tras un error o un cambio de situación;
- la reducción de la supervisión necesaria;
- la transferencia de lo aprendido entre entornos;
- el costo total de un resultado utilizable.
Nuestra página sobre los benchmarks de AGI detalla las limitaciones de estas medidas. El artículo sobre cómo interpretar las clasificaciones de modelos ayuda a distinguir un avance medido de una comparación alterada por el protocolo.
Utilizar las previsiones sin depender de una sola fecha
Para una empresa, una administración pública o una persona, el objetivo práctico consiste en preparar decisiones que sigan siendo válidas bajo varias trayectorias posibles. Formarse en la verificación de resultados y documentar los procesos puede ser útil aunque la AGI tarde en llegar.
Esta preparación puede organizarse en torno a tres trayectorias cualitativas: avance rápido de las capacidades generales, automatización intensa pero desigual, o ralentización ante determinados obstáculos. Sirven para comprobar la solidez de una decisión sin asignarles probabilidades arbitrarias.
Vincule después cada inversión a una condición observable. Una delegación más amplia puede depender de una fiabilidad demostrada en sus tareas y de un costo aceptable. La guía de evaluación de agentes de IA ofrece un método para diseñar estas comprobaciones.
Por último, mantenga un registro de las previsiones que sigue: publicación, suceso previsto, condiciones, probabilidad y revisiones. Esta práctica evita sustituir de manera silenciosa una estimación antigua por su versión corregida. Permite entender qué han cambiado realmente las observaciones.
El dossier sobre AGI e investigación reúne los conceptos necesarios para continuar este seguimiento. La cuestión de fondo sigue siendo qué capacidades se han demostrado, en qué condiciones se han obtenido y qué permiten anticipar de forma razonable.
Puntos clave
- Una fecha de llegada de la AGI solo puede compararse con otra después de examinar los criterios de éxito.
- Las encuestas, las extrapolaciones, los escenarios y las propuestas de investigación aportan información distinta.
- Una mediana, una posibilidad temprana y el año de un relato no designan lo mismo.
- Las revisiones deben llevar fecha y vincularse a las observaciones que las motivan.
- Para tomar decisiones, utilice capacidades verificadas y varias trayectorias posibles en lugar de una única fecha.
Páginas relacionadas
Preguntas frecuentes
¿Para qué fecha se prevé la llegada de la AGI?
Cada fecha debe vincularse a una definición y a una publicación concreta. Un plazo para automatizar la programación no responde a la misma pregunta que una previsión sobre el aprendizaje de tareas completamente nuevas.
¿Una previsión del 50 % significa que la AGI llegará ese año?
No. Marca un umbral de probabilidad acumulada: según esa estimación, el suceso tiene tantas posibilidades de ocurrir antes de esa fecha como después. Por tanto, sigue siendo posible que llegue mucho más tarde.
¿Por qué difieren tanto las previsiones de los investigadores?
Los investigadores no identifican siempre los mismos obstáculos ni utilizan los mismos criterios de éxito. Su conocimiento técnico tampoco les permite conocer con certeza los descubrimientos futuros, las decisiones industriales o las limitaciones del despliegue.
¿Se puede deducir una fecha de llegada de la AGI a partir de los benchmarks?
Un benchmark aporta información sobre un conjunto de tareas y un protocolo definidos. Para deducir de él una fecha de llegada de la AGI, hay que añadir supuestos sobre las capacidades que el test no evalúa y sobre la continuidad de los avances.
¿Cómo puede utilizar una empresa estas previsiones?
Prepare varias trayectorias posibles y vincule sus inversiones a resultados observables en su actividad. Una decisión será más sólida si conserva su utilidad cuando los avances lleguen más despacio de lo previsto.