Un nuevo benchmark deja a los modelos de IA cerca de cero
Tres días después de que Jensen Huang declarara que se había alcanzado la AGI, ARC-AGI-3 puntuó a todos los modelos punteros por debajo 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 hechos descritos reflejan posturas adoptadas por personas concretas; las interpretaciones sobre el estatus de AGI siguen siendo objeto de disputa activa.
Resumen
El 23 de marzo de 2026, el CEO de Nvidia, Jensen Huang, declaró a Lex Fridman que se había alcanzado la inteligencia artificial general. El 26 de marzo —tres días después— la ARC Prize Foundation publicó 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 un 0,37%. Grok-4.20 obtuvo exactamente cero. El debate no es sobre la capacidad. Es sobre qué significa "general".
Las puntuaciones
| Sistema | Puntuación 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 superarlo | 2.000.000 $ |
Lo que dijo Jensen Huang
El 23 de marzo, Huang hizo la declaración pública más categórica de su carrera sobre este tema:
"Creo que es ahora. Creo que hemos alcanzado la AGI." — Jensen Huang, CEO de Nvidia, podcast de Lex Fridman, 23 de marzo de 2026
La definición de AGI de Huang es operativa: una IA capaz de ejecutar flujos de trabajo sofisticados de varios pasos, escribir código de calidad de producción y —en principio— dirigir una empresa tecnológica hasta alcanzar una valoración de 1.000 millones de dólares sin necesidad de que un humano supervise cada paso. Según ese criterio, argumenta, Claude Code, GPT-5.4 con uso de herramientas y las configuraciones multiagente de Grok ya cumplen los requisitos.
La declaración apareció en CNBC, Forbes, Fortune y Yahoo Finance en cuestión de horas. La respuesta de la comunidad investigadora 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 casual.
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 podían haber aparecido en ningún dato de entrenamiento —espacios de problemas novedosos que requieren exploración y razonamiento desde cero, sin instrucciones. La métrica de puntuación, la Eficiencia de Acción Humana Relativa (RHAE, por sus siglas en inglés), también penaliza la ineficiencia: resolver el rompecabezas con diez veces más acciones de las que necesitaría un humano solo otorga un 1% de crédito por ese entorno.
Para evitar que se haga trampa, 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 una puntuación que le permitiera reclamar el premio de 2 millones de dólares.
Por qué las puntuaciones son tan bajas
La brecha de rendimiento no sorprende a los investigadores que estudian la generalización de la IA. Los modelos punteros 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 un nivel de doctorado o superior —porque han visto millones de ejemplos de ese tipo de tareas.
ARC-AGI-3 elimina esa ventaja por completo. Los entornos están diseñados para no parecerse a nada de ningún conjunto de datos. No hay instrucciones. No existen datos de entrenamiento previos que se correspondan con la estructura de cada rompecabezas. El rendimiento requiere el tipo de razonamiento flexible y exploratorio que los humanos desarrollan de forma natural y que las arquitecturas de IA actuales no poseen.
La puntuación de cero de Grok es especialmente reveladora. Grok-4.20 obtiene buenos resultados en las pruebas estándar que miden el conocimiento memorizado y el reconocimiento de patrones. En ARC-AGI-3, obtuvo cero en todos los entornos novedosos —lo que indica una incapacidad para generalizar más allá del entrenamiento, ni siquiera lo suficiente como para realizar movimientos exploratorios productivos.
Dos definiciones, un debate sin resolver
El desacuerdo entre Huang y Chollet es estructural, no factual. Están midiendo cosas distintas.
| Jensen Huang | François Chollet | |
|---|---|---|
| Definición de AGI | IA que ejecuta flujos de trabajo complejos y genera valor comercial a gran escala | IA que generaliza a situaciones novedosas sin entrenamiento previo, como hace cualquier humano |
| Estado actual de la IA | Ya alcanzada | No alcanzada —mejor puntuación 0,37% |
| Enfoque del benchmark | Lo que importa es el resultado práctico | La capacidad de generalización es la única prueba válida |
| Interés económico | 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 un autocompletado caro —no inteligencia general." — François Chollet, ARC Prize Foundation, marzo de 2026
Tanto Yahoo Finance como 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 la IA —un conflicto de intereses material que debe tenerse en cuenta al valorar sus afirmaciones.
Dónde se posicionan otros líderes de la IA
| Persona | Organización | Postura 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 concretos |
| 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 utilizan herramientas de IA hoy en día, el debate resulta algo académico. Los modelos actuales son realmente potentes para las tareas para las que se entrenaron: escritura, programación, síntesis de investigación, análisis y razonamiento dentro de estructuras de problemas conocidas.
Lo que no pueden hacer de forma fiable es enfrentarse a un tipo de problema genuinamente nuevo —uno sin equivalente en los datos de entrenamiento— y averiguar cómo abordarlo desde cero. Esa brecha no es una simple nota al pie de marketing. Es una diferencia de 99,63 puntos porcentuales entre el mejor rendimiento de Gemini y la línea de 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 persiste.
Preguntas frecuentes
¿Declaró Jensen Huang, de Nvidia, que se había alcanzado 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 exige una IA capaz de ejecutar de forma autónoma tareas complejas de varios pasos y de generar valor comercial —no la definición académica, que exige generalización a situaciones novedosas.
¿Qué midió ARC-AGI-3 y cuáles fueron las puntuaciones? ARC-AGI-3, publicado el 26 de marzo de 2026 por la ARC Prize Foundation, evalúa a la IA en 135 entornos interactivos novedosos sin solapamiento con los datos de entrenamiento. La métrica de puntuación (RHAE) también penaliza la ineficiencia. Los humanos obtuvieron un 100%. Gemini 3.1 Pro obtuvo un 0,37% (la puntuación de IA más alta). GPT-5.4 obtuvo un 0,26%, Claude Opus 4.6 obtuvo un 0,25% y Grok-4.20 obtuvo un 0%.
¿Por qué los modelos de IA obtienen puntuaciones tan bajas en ARC-AGI-3? El benchmark elimina todas las ventajas del entrenamiento. Los modelos no pueden basarse en el reconocimiento de patrones a partir de ejemplos previos porque no existe ninguno. ARC-AGI-3 exige una generalización real —razonar desde cero sobre entornos novedosos— algo que las arquitecturas de IA actuales no pueden hacer de forma fiable. La puntuación de cero de Grok-4.20 demuestra que el conocimiento memorizado, aunque útil en los benchmarks estándar, no aporta ningún beneficio al enfrentarse a tipos de problemas genuinamente nunca vistos.
¿Qué es el Premio ARC y lo ha ganado alguien? La ARC Prize Foundation ofrece 2 millones de dólares a cualquier sistema de IA que iguale el rendimiento humano en ARC-AGI-3. A finales de marzo de 2026, ningún modelo se ha acercado siquiera. El benchmark reserva 110 de los 135 entornos, sin acceso público, para evitar que se entrene con 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
