Nuevo benchmark deja a los modelos de IA cerca de cero
Tres días después de que Jensen Huang declarara que se había logrado la AGI, ARC-AGI-3 le dio a todos los modelos de vanguardia menos del uno por ciento en tareas interactivas inéditas que los humanos resolvieron a la perfección.
Nota: Este artículo examina un debate polémico con elementos especulativos. Los eventos descritos reflejan posiciones adoptadas por personas mencionadas; las interpretaciones sobre el estado de la AGI siguen siendo objeto de disputa activa.
Resumen
El 23 de marzo de 2026, el CEO de Nvidia, Jensen Huang, le dijo a Lex Fridman que la inteligencia artificial general ha sido alcanzada. El 26 de marzo —tres días después— la ARC Prize Foundation lanzó ARC-AGI-3: 135 entornos interactivos novedosos que ningún modelo de IA había visto durante su entrenamiento. Los humanos los resolvieron con una eficiencia del 100%. El mejor modelo de IA evaluado obtuvo 0.37%. Grok-4.20 obtuvo exactamente cero. El debate no es sobre la capacidad. Es sobre qué significa "general".
Los Puntajes
| Sistema | Puntaje ARC-AGI-3 (RHAE) |
|---|---|
| Humanos | 100% |
| Google Gemini 3.1 Pro | 0.37% |
| OpenAI GPT-5.4 | 0.26% |
| Anthropic Claude Opus 4.6 | 0.25% |
| xAI Grok-4.20 | 0.00% |
| Premio ARC por aprobar | $2,000,000 |
Lo Que Dijo Jensen Huang
El 23 de marzo, Huang hizo la declaración pública más definitiva de su carrera sobre el tema:
"Creo que es ahora. Creo que hemos alcanzado la AGI." — Jensen Huang, CEO de Nvidia, Lex Fridman Podcast, 23 de marzo de 2026
La definición de AGI de Huang es operativa: una IA capaz de ejecutar flujos de trabajo sofisticados de múltiples pasos, escribir código de nivel de producción y —en principio— dirigir una empresa tecnológica hasta una valoración de mil millones de dólares sin requerir que un humano supervise cada paso. Según ese estándar, argumenta, Claude Code, GPT-5.4 con uso de herramientas y las configuraciones multiagente de Grok ya califican.
La declaración apareció en CNBC, Forbes, Fortune y Yahoo Finance en cuestión de horas. La respuesta de la comunidad de investigación fue escéptica.
Tres Días Después: ARC-AGI-3
François Chollet —creador del benchmark original ARC-AGI y cofundador de la ARC Prize Foundation— publicó ARC-AGI-3 el 26 de marzo. El momento elegido en relación con la declaración de Huang no fue una coincidencia.
ARC-AGI-3 está diseñado para poner a prueba exactamente lo que la definición de Huang ignora: la generalización genuina. El benchmark presenta a la IA 135 entornos interactivos que no podrían haber aparecido en ningún dato de entrenamiento: espacios de problemas novedosos que requieren exploración y razonamiento desde cero, sin instrucciones. La métrica de puntuación, Relative Human Action Efficiency (RHAE), también penaliza la ineficiencia: resolver el rompecabezas con diez veces las acciones que necesitaría un humano solo otorga un 1% de crédito para ese entorno.
Para evitar que se manipule el sistema, 110 de los 135 entornos están reservados y no son de acceso público. Solo 25 están abiertos para pruebas. Ningún modelo se ha acercado siquiera a un puntaje que reclame el premio de 2 millones de dólares.
Por Qué los Puntajes Son Tan Bajos
La brecha de desempeño no sorprende a los investigadores que estudian la generalización de la IA. Los modelos de vanguardia actuales son extraordinariamente capaces en tareas que se asemejan a su distribución de entrenamiento. Pueden escribir código sofisticado, sintetizar documentos complejos y resolver problemas matemáticos a nivel de doctorado o superior, porque han visto millones de ejemplos de tales tareas.
ARC-AGI-3 elimina esa ventaja por completo. Los entornos están diseñados para no parecerse a nada en ningún conjunto de datos. No hay instrucciones. No existen datos de entrenamiento previos que se correspondan con la estructura de cada rompecabezas. El desempeño requiere el tipo de razonamiento flexible y exploratorio que los humanos desarrollan de forma natural y que las arquitecturas de IA actuales no poseen.
El puntaje de cero de Grok es especialmente revelador. Grok-4.20 obtiene buenos resultados en pruebas estándar que miden conocimiento memorizado y reconocimiento de patrones. En ARC-AGI-3, obtuvo cero en cada entorno novedoso, lo que indica ninguna capacidad de generalizar más allá del entrenamiento, ni siquiera lo suficiente para realizar movimientos exploratorios productivos.
Dos Definiciones, Un Debate Sin Resolver
El desacuerdo entre Huang y Chollet es estructural, no factual. Están midiendo cosas diferentes.
| Jensen Huang | François Chollet | |
|---|---|---|
| Definición de AGI | IA que ejecuta flujos de trabajo complejos y crea valor comercial a escala | IA que se generaliza a situaciones novedosas sin entrenamiento previo, como lo hace cualquier humano |
| Estado actual de la IA | Ya alcanzada | No alcanzada — mejor puntaje 0.37% |
| Enfoque del benchmark | Lo que importa es el resultado práctico | La capacidad de generalización es la única prueba válida |
| Interés financiero | La valoración de Nvidia depende de la narrativa de madurez de la IA | Investigador independiente; el premio aún no ha sido reclamado por nadie |
"Si un sistema no puede generalizar a situaciones novedosas sin instrucciones, es autocompletado costoso, no inteligencia general." — François Chollet, ARC Prize Foundation, marzo de 2026
Yahoo Finance y Fortune señalaron en su cobertura que la declaración de Huang la hace el CEO de la empresa que vende el hardware que impulsa todo el desarrollo de IA, un conflicto de interés material que debe considerarse al evaluar sus afirmaciones.
Dónde Se Posicionan Otros Líderes de la IA
| Persona | Organización | Posición sobre la AGI (marzo de 2026) |
|---|---|---|
| Jensen Huang | Nvidia | Alcanzada — la IA puede ejecutar flujos de trabajo complejos comercialmente |
| François Chollet | ARC Prize Foundation | No alcanzada — 0.37% en el benchmark de entornos novedosos |
| Demis Hassabis | Google DeepMind | Acercándose en dominios científicos específicos |
| Dario Amodei | Anthropic | Al alcance entre 2026 y 2027 en dominios de conocimiento específicos |
| Yann LeCun | AMI Labs / Meta | Lejos de alcanzarse — faltan modelos del mundo físico y sentido común |
Qué Significa Esto en la Práctica
Para las personas que usan herramientas de IA hoy en día, el debate es algo académico. Los modelos actuales son genuinamente potentes para las tareas en las que fueron entrenados: escritura, programación, síntesis de investigación, análisis y razonamiento dentro de estructuras de problemas conocidas.
Lo que no pueden hacer de manera confiable es enfrentarse a un tipo de problema genuinamente nuevo —uno sin equivalente en los datos de entrenamiento— y descubrir cómo abordarlo desde cero. Esa brecha no es una nota al pie de marketing. Es una brecha de 99.63 puntos porcentuales entre el mejor desempeño de Gemini y la línea base humana en un benchmark diseñado específicamente para medirla.
El premio ARC de 2 millones de dólares no ha sido reclamado. El benchmark está abierto. La brecha permanece.
Preguntas Frecuentes
¿Jensen Huang de Nvidia declaró que se alcanzó la AGI? Sí. El 23 de marzo de 2026, Huang dijo en el podcast de Lex Fridman: "Creo que es ahora. Creo que hemos alcanzado la AGI." Su definición requiere una IA que pueda ejecutar de forma autónoma tareas complejas de múltiples pasos y crear valor comercial, no la definición académica que requiere generalización a situaciones novedosas.
¿Qué midió ARC-AGI-3 y cuáles fueron los puntajes? ARC-AGI-3, lanzado el 26 de marzo de 2026 por la ARC Prize Foundation, evalúa a la IA en 135 entornos interactivos novedosos sin superposición con datos de entrenamiento. La métrica de puntuación (RHAE) también penaliza la ineficiencia. Los humanos obtuvieron 100%. Gemini 3.1 Pro obtuvo 0.37% (el puntaje de IA más alto). GPT-5.4 obtuvo 0.26%, Claude Opus 4.6 obtuvo 0.25%, y Grok-4.20 obtuvo 0%.
¿Por qué los modelos de IA obtienen puntajes tan bajos en ARC-AGI-3? El benchmark elimina todas las ventajas de entrenamiento. Los modelos no pueden hacer coincidencia de patrones con ejemplos previos porque no existen. ARC-AGI-3 requiere una generalización verdadera —razonar desde cero sobre entornos novedosos— algo que las arquitecturas de IA actuales no pueden hacer de manera confiable. El puntaje de cero de Grok-4.20 muestra que el conocimiento memorizado, aunque útil en benchmarks estándar, no aporta ningún beneficio al enfrentar tipos de problemas genuinamente nunca antes vistos.
¿Qué es el ARC Prize y alguien lo ha ganado? La ARC Prize Foundation ofrece 2 millones de dólares para cualquier sistema de IA que iguale el desempeño humano en ARC-AGI-3. Hasta finales de marzo de 2026, ningún modelo se ha acercado. El benchmark reserva 110 de los 135 entornos y no los hace públicos para evitar el entrenamiento sobre los datos de prueba.
Fuentes
- Fortune — "Nvidia's Jensen Huang says 'We've achieved AGI.' But no one can agree on what that means"
- Decrypt — "Is AGI Here? Not Even Close, New AI Benchmark Suggests"
- Forbes — "Nvidia's Jensen Huang Says He Thinks 'We've Achieved AGI'"
- Winbuzzer — "ARC-AGI-3 Offers $2M for AI Matching Human Reasoning"
- ARC Prize Foundation — ARC-AGI-3 benchmark release, March 26, 2026
