Quien proclama la existencia de la IA general no solo describe un progreso, sino que se arroga la autoridad para interpretar el futuro del trabajo

Versatilidad frente a generalidad: ¿Qué es lo que realmente hace que una IA sea inteligente?

Por qué el debate sobre la IA general va más allá de la tecnología: dimensiones sociales y económicas

El debate en torno a la IA general (IAG) tiene una gran relevancia no solo desde el punto de vista tecnológico, sino también social y económico. Si bien algunos expertos temen que el término se utilice en exceso y genere una percepción distorsionada del progreso, otros argumentan que las nuevas capacidades de sistemas de IA como GPT-6 Astra podrían tener profundas implicaciones para el mundo laboral. Es fundamental distinguir entre los impresionantes logros de los modelos de IA modernos y lo que puede considerarse verdadera inteligencia general. El siguiente análisis esclarecerá los múltiples aspectos del debate sobre la IAG para ofrecer una visión más clara de las oportunidades y limitaciones de esta tecnología.

La narrativa de la IA general: Cuando una etiqueta se vuelve más poderosa que la tecnología

Un modelo desplaza los límites, pero no demuestra un cambio de era

Con GPT-6 Astra, OpenAI presentó el 3 de septiembre de 2026 un sistema que representa un salto significativo en el rendimiento en diversas disciplinas exigentes. El modelo puede interactuar con interfaces de software, navegar por internet, desarrollar programas, analizar vulnerabilidades de seguridad y ejecutar flujos de trabajo digitales de varias etapas con una intervención humana relativamente mínima. La funcionalidad computacional es particularmente significativa desde una perspectiva económica: un modelo de lenguaje que no solo formula respuestas, sino que también abre programas, transfiere datos, completa formularios, edita hojas de cálculo e introduce resultados en otros sistemas, trasciende el rol de una simple herramienta de información. Se acerca al estatus de un agente digital capaz de gestionar cadenas de procesos completas.

Al finalizar la presentación, el presidente de OpenAI, Greg Brockman, declaró que la era de la inteligencia artificial general (IAG) estaba comenzando. Esta afirmación fue impactante, pero no concluyente desde el punto de vista científico. Más que una prueba fehaciente, denota una interpretación del progreso alcanzado. GPT-6 Astra proporciona pruebas sólidas de que los sistemas de IA se están volviendo más amplios, autónomos y económicamente relevantes. Sin embargo, esto no implica automáticamente que se haya superado un umbral generalmente aceptado para la IAG. Dicho umbral aún no existe de forma vinculante.

El conflicto central, por lo tanto, no reside únicamente en la cuestión de las capacidades técnicas del modelo. Reside en qué habilidades deben considerarse evidencia de inteligencia general, quién establece los criterios y qué intereses están asociados con esta clasificación. Una empresa puede proclamar un punto de inflexión histórico. Sin embargo, si esto realmente conduce a una nueva era tecnológica solo se determinará mediante pruebas independientes, el uso continuado y la realidad económica.

La abreviatura no tiene un significado vinculante

La IA general se suele equiparar con una inteligencia artificial capaz de alcanzar o superar las capacidades humanas en una amplia gama de tareas. Sin embargo, esta descripción, aparentemente clara, se desmorona al examinarla con detenimiento, dando lugar a varias preguntas abiertas. ¿Debe un sistema así ser capaz de realizar todas las tareas mentales, o solo la mayoría? ¿Es suficiente la habilidad humana promedio, o debe la IA superar a los expertos? ¿Requiere percepción social, experiencia corporal, planificación a largo plazo y juicio moral? ¿Debe el sistema formular nuevos objetivos de forma independiente, o basta con perseguir objetivos predefinidos con flexibilidad?

Según la respuesta, surge una definición diferente. Una definición económica considera la IA general como un sistema altamente autónomo que supera a los humanos en una gran proporción de actividades económicamente valiosas. Una definición cognitiva requiere amplias habilidades humanas para la resolución de problemas. Una definición basada en la teoría del aprendizaje enfatiza la capacidad de abordar tareas completamente nuevas con poca experiencia. Una definición orientada a la acción se centra en la autonomía confiable en entornos abiertos. Una definición filosófica podría requerir, además, comprensión, conciencia o autorreflexión.

Estos enfoques no son equivalentes y no conducen a un juicio positivo simultáneamente. Un sistema puede lograr una enorme productividad económica sin poseer una comprensión del mundo similar a la humana. Por el contrario, una máquina puede tener capacidades de aprendizaje flexibles sin ser económicamente superior debido a los altos costos, la lentitud en la ejecución o la falta de interfaces. Por lo tanto, la IA general no es un fenómeno natural claramente medible como la temperatura o la masa. El término es una categoría construida por el ser humano en la que convergen supuestos técnicos, económicos y normativos.

La ambigüedad conceptual no es meramente académica. Influye en la valoración de las empresas, las decisiones de inversión, la regulación, la responsabilidad civil y las expectativas del mercado laboral. Si se considera que la IA general se ha alcanzado de inmediato, aumenta la presión sobre las empresas y los gobiernos para que inviertan con mayor rapidez. Por el contrario, si el término se reserva únicamente para un sistema casi universal, similar al humano, incluso los modelos excepcionalmente potentes pueden parecer etapas preliminares. En consecuencia, la misma tecnología genera una narrativa económica completamente diferente según la definición.

La diferencia entre versatilidad y generalidad

Los modelos básicos modernos son universalmente aplicables porque pueden procesar texto, imágenes, código de software y otros formatos de datos en numerosos ámbitos. Esta amplitud los distingue claramente del software especializado tradicional. Un programa de ajedrez puede ser extraordinario en una disciplina muy específica, pero no puede revisar declaraciones de impuestos. Un modelo amplio y multimodal, en cambio, puede resolver problemas matemáticos, resumir contratos, interpretar imágenes, desarrollar software y prepararse para reuniones con clientes. Por lo tanto, posee una forma de versatilidad funcional.

Sin embargo, la versatilidad por sí sola no demuestra una inteligencia general sólida. Lo crucial es la fiabilidad con la que un sistema transfiere conocimiento entre dominios, cómo maneja situaciones novedosas y con qué fiabilidad reconoce sus propios errores. Un modelo puede tener un buen desempeño en cien pruebas y, aun así, fallar en una tarea aparentemente sencilla si su estructura se sale de los patrones aprendidos. Los humanos también son propensos a cometer errores, pero poseen experiencia física, arraigo social, memoria duradera y una profunda comprensión de las relaciones causales. Estas capacidades no son igualmente importantes en todas las profesiones, pero pueden ser decisivas en situaciones abiertas.

Por lo tanto, la generalidad no debe entenderse simplemente como la cantidad de tareas dominadas. Más importante aún es la capacidad de estructurar problemas desconocidos con pistas limitadas, obtener información relevante, verificar resultados intermedios y adaptar el enfoque ante imprevistos. Igualmente importante es que este desempeño sea repetible. Un logro individual espectacular tiene menos valor económico que un sistema algo menos robusto pero controlable de forma fiable.

GPT-6 Astra parece estar progresando en varios de estos criterios. Su eficacia en tareas interactivas, el uso de ordenadores y flujos de trabajo prolongados sugiere una mayor generalidad operativa. Sin embargo, aún no está claro qué tan bien funcionan estas capacidades fuera de las pruebas preparadas, durante periodos prolongados y en condiciones incompletas. La transición de una amplitud impresionante a una generalidad robusta no es lingüística, sino empírica.

Por qué las puntuaciones máximas no demuestran la inteligencia general

Los puntos de referencia son indispensables, ya que el progreso tecnológico difícilmente puede evaluarse sin métodos de medición comparables. Sin embargo, también generan una peligrosa ilusión de precisión. Un porcentaje parece objetivo, aunque el resultado puede depender en gran medida de la selección de tareas, las herramientas, el presupuesto informático, el entorno de ejecución y las reglas de evaluación. En los sistemas basados ​​en agentes, la complicación adicional radica en que no solo se mide el modelo en sí, sino toda la integración técnica.

Esto se evidencia particularmente en ARC-AGI-3, una prueba de adaptación a entornos interactivos desconocidos. GPT-6 Astra alcanzó casi el 100 % en un entorno de ejecución específico del proveedor. Sin embargo, en un entorno estándar más neutral, el mejor resultado fue de alrededor del 63 %. Ambos valores son relevantes, pero abordan cuestiones diferentes. El entorno estándar compara modelos en condiciones más estandarizadas. El entorno específico del proveedor demuestra lo que un modelo puede lograr con una gestión de estado optimizada y la asistencia técnica prevista.

La gran diferencia no implica que el valor más alto carezca de valor. En última instancia, para las empresas, lo que cuenta es el rendimiento del sistema en su conjunto, tal como existe en la práctica, no la inteligencia teóricamente aislada de un núcleo de modelo. Al mismo tiempo, el valor optimizado no debe considerarse como una prueba de una capacidad universal independiente del entorno técnico. Un resultado solo tiene sentido en relación con las condiciones de la prueba.

Cabe destacar también que Astra requirió menos pasos que la persona promedio evaluada para muchas tareas. Esto sugiere una alta eficiencia en la creación de representaciones internas de entornos novedosos. Sin embargo, ARC-AGI-3 solo mide un aspecto específico: la resolución adaptativa de problemas en escenarios interactivos construidos. La prueba no abarca la totalidad del mundo laboral, ni la competencia social, la comprensión institucional, la responsabilidad a largo plazo ni la acción física. Una puntuación excelente puede ser un fuerte indicador de progreso, pero no constituye una prueba universal de IA general.

El entorno de ejecución pasa a formar parte de la inteligencia

El debate sobre los distintos entornos de prueba apunta a un cambio fundamental. El rendimiento futuro de la IA dependerá cada vez menos exclusivamente del modelo. Surgirá de la interacción entre el modelo, la memoria, las herramientas, el acceso a los datos, las normas de seguridad, el entorno de software y los ciclos de retroalimentación. Quienes se centran únicamente en el nombre del modelo subestiman la naturaleza sistémica de la IA moderna.

Desde el punto de vista económico, este desarrollo se asemeja a la transición de las computadoras individuales a las redes informáticas empresariales. El valor reside no solo en el procesador, sino en su integración con los procesos, las bases de datos y los sistemas de toma de decisiones. Un modelo de IA sin acceso a datos empresariales relevantes puede generar ideas brillantes, pero con resultados limitados. Por el contrario, un modelo algo menos potente, pero con una base de datos sólida, interfaces seguras y reglas de aprobación claras, puede generar importantes aumentos de productividad.

Esto también transforma el panorama competitivo. Los proveedores de modelos ya no compiten solo por mejores respuestas, sino por entornos de ejecución completos. Aspiran a convertirse en el sistema operativo del trabajo intelectual. Quien controle el acceso a navegadores, software de oficina, entornos de desarrollo, plataformas de comunicación y datos empresariales, tendrá una ventaja estratégica. El mercado de consultas individuales de IA está evolucionando hacia un mercado de capacidad de trabajo digital.

Esta perspectiva también pone en perspectiva la cuestión de si el núcleo del modelo ya es la IA general (Inteligencia Industrial Automatizada). Para muchas empresas, lo que importa más es si el sistema en su conjunto realiza un proceso de forma fiable, segura y más rentable que la organización anterior. Por lo tanto, el punto de inflexión económico puede producirse antes de que se logre una IA general que sea conceptualmente convincente. Una máquina no tiene por qué pensar como un humano para reorganizar el trabajo humano a gran escala.

El uso de la informática es el verdadero salto económico

Los modelos de lenguaje de primera generación aumentaron principalmente la productividad de las tareas individuales. Redactaban borradores, resumían documentos, traducían textos y brindaban asistencia en la programación. Los humanos seguían siendo el elemento de conexión. Copiaban resultados, cambiaban de programa, supervisaban los pasos intermedios y decidían cuándo finalizaba un proceso.

Un potente modelo de flujo de trabajo informatizado va más allá. Puede gestionar todo el proceso, desde la tarea hasta el resultado. Esto incluye investigación, introducción de datos, gestión de archivos, comunicación, análisis y documentación. Esto no solo reduce los costes de las tareas individuales, sino también los costes de coordinación, los tiempos de espera y las pérdidas por traspaso. Estas ineficiencias invisibles representan una gran parte de la carga de trabajo en muchas empresas de servicios.

Por lo tanto, el valor económico de la IA basada en agentes depende menos de su elocuencia que de su capacidad para completar tareas. Un sistema que automatiza el 90 % de un proceso, pero que requiere intervención humana en casos excepcionales, puede ser valioso. Sin embargo, sigue siendo una carga organizativa si las excepciones son difíciles de predecir. Un sistema con una velocidad máxima algo menor puede ser superior si reconoce responsabilidades, informa sobre la incertidumbre y gestiona la transferencia de tareas a los humanos.

Esto nos lleva a un criterio de evaluación objetivo: lo que importa no es la cantidad de capacidades impresionantes, sino la proporción de procesos completados con éxito en condiciones realistas de costo, tiempo y calidad. Por lo tanto, las empresas deben medir el tiempo de procesamiento, los costos por errores, el retrabajo, la tasa de escalamiento, el riesgo de privacidad de datos y las fallas del sistema. Solo estas métricas revelan si un sistema aparentemente de propósito general es también económicamente viable.

El AGI (Ingreso Bruto Ajustado) se ajusta más a una curva que a una fecha específica

La idea de un único momento de IA general resulta atractiva desde el punto de vista comunicativo. Crea una clara distinción entre un antes y un después. Sin embargo, el progreso tecnológico suele ser desigual. Los sistemas alcanzan inicialmente un rendimiento sobrehumano en disciplinas específicas, luego se vuelven competentes en más tareas y gradualmente adquieren autonomía. Al mismo tiempo, persisten sorprendentes debilidades.

Por lo tanto, un modelo por niveles resulta más sensato que una simple decisión de sí o no. Dos ejes son particularmente importantes: la amplitud de capacidades y la profundidad del desempeño. Una tercera dimensión, la autonomía, también es crucial. Un sistema puede realizar muchas tareas de forma promedio, algunas de forma excepcional o muchas de forma excelente bajo supervisión humana. Estas variaciones tienen diferentes implicaciones en materia de política económica y de seguridad.

La fiabilidad también debe considerarse una dimensión aparte. En muchos sectores, una tasa de éxito promedio resulta insuficiente. La medicina, las finanzas, las infraestructuras críticas y los sistemas de control industrial exigen una seguridad demostrable. Un sistema puede, en teoría, ser más competente que un ser humano y aun así resultar inadecuado si sus errores, aunque poco frecuentes, son difíciles de detectar o tienen consecuencias especialmente graves.

Por lo tanto, la afirmación más significativa sobre GPT-6 Astra no es que la IA general se haya alcanzado definitivamente ni que se haya fracasado definitivamente. Es más probable que se haya alcanzado una nueva etapa de IA con capacidad de implementación generalizada. Que esta etapa se considere retrospectivamente el inicio de una era de IA general dependerá de su desarrollo posterior, su fiabilidad y su impacto económico real.

La definición económica es práctica y política

Durante años, OpenAI ha descrito la IA general como sistemas altamente autónomos que superan a los humanos en la mayoría de las actividades de mayor valor económico. Esta definición tiene una ventaja: evita debates complejos sobre la consciencia y se centra en el rendimiento observable. Sin embargo, no es neutral. El valor económico está determinado por los mercados, las instituciones, los ingresos y las prioridades sociales.

El cuidado no remunerado, la educación, la confianza, el trabajo comunitario y la mediación cultural pueden ser socialmente vitales, aunque su valor de mercado no se mida adecuadamente. Por el contrario, algunas actividades pueden generar altos ingresos sin proporcionar un beneficio social igualmente elevado. Una definición puramente económica de IGA (Identificación y Crecimiento Ambiental) perpetúa estas distorsiones. No mide la inteligencia en sí misma, sino la capacidad de generar resultados comercializables dentro de las estructuras de mercado existentes.

Además, el punto de referencia cambia a medida que la IA se vuelve más accesible. Si un sistema reduce drásticamente el costo de ciertas tareas, su valor de mercado puede disminuir. Paradójicamente, la definición podría quedar rezagada con respecto al progreso tecnológico: lo que ayer se consideraba trabajo económicamente valioso, hoy se automatiza y mañana se valora menos. Por lo tanto, la IA general estaría ligada a una variable objetivo dinámica.

A pesar de estas limitaciones, la definición económica es relevante para las empresas y los responsables políticos. La IA no necesita consciencia para modificar salarios, beneficios y estructuras de poder. En cuanto los sistemas asuman de forma autónoma una gran parte de las tareas digitales, se producirá una conmoción macroeconómica, independientemente de que los filósofos acepten o no el término IAG. Las consecuencias económicas podrían superar con creces cualquier consenso conceptual.

Una nueva dimensión de la transformación digital con 'IA Gestionada' (Inteligencia Artificial) – Plataforma y solución B2B | Xpert Consulting - Imagen: Xpert.Digital

Aquí aprenderá cómo su empresa puede implementar soluciones de IA personalizadas de forma rápida, segura y sin grandes barreras de entrada.

Una plataforma de IA gestionada es su solución integral y sin preocupaciones para la inteligencia artificial. En lugar de lidiar con tecnología compleja, infraestructura costosa y largos procesos de desarrollo, recibirá una solución lista para usar y adaptada a sus necesidades de un socio especializado, a menudo en tan solo unos días.

Las principales ventajas de un vistazo:

⚡ Implementación rápida: De la idea a la aplicación lista para usar en días, no meses. Ofrecemos soluciones prácticas que generan valor añadido inmediato.

🔒 Máxima seguridad de datos: Tus datos confidenciales permanecen contigo. Garantizamos un procesamiento seguro y conforme a la normativa sin compartirlos con terceros.

💸 Sin riesgo financiero: Solo pagas por resultados. Se eliminan por completo las altas inversiones iniciales en hardware, software y personal.

🎯 Concéntrese en su negocio principal: Concéntrese en lo que mejor sabe hacer. Nos encargamos de toda la implementación técnica, la operación y el mantenimiento de su solución de IA.

📈 A prueba de futuro y escalable: Tu IA crece contigo. Garantizamos la optimización y la escalabilidad continuas, y adaptamos los modelos con flexibilidad a las nuevas necesidades.

Más información aquí:

• La solución de IA gestionada - Servicios de IA industrial: la clave para la competitividad en los sectores de servicios, industria e ingeniería mecánica

La productividad no surge automáticamente de la capacidad técnica

Estudios previos sobre el uso de la IA generativa ya han demostrado mejoras significativas en la productividad en tareas claramente definidas. En una prueba piloto a gran escala de atención al cliente, el número de casos gestionados por hora aumentó un promedio del 14 %. Este aumento fue significativamente mayor para los empleados con menos experiencia. Estos resultados demuestran que la IA puede difundir el conocimiento y reducir las diferencias de rendimiento dentro de un equipo.

Sin embargo, estos efectos no deben utilizarse para extraer conclusiones lineales sobre los modelos autónomos. Cuanto más se implementa un sistema, más dependen sus resultados de la organización, la calidad de los datos y el diseño de los procesos. Un modelo de alto rendimiento puede acelerar procesos ineficientes sin mejorarlos. Puede generar obligaciones de auditoría adicionales si los resultados no son fiables. Puede reducir la carga de trabajo de los empleados, pero también puede aumentar la intensidad y la supervisión del trabajo.

Además, la productividad no es sinónimo de reducción de costes. Cuando una tarea se completa más rápido, suele aumentar la demanda de variaciones, análisis y documentación adicionales. Las empresas, entonces, producen más, pero no necesariamente ahorran en personal. Este llamado efecto rebote es particularmente probable en el trabajo digital, ya que los nuevos servicios tienen bajos costes marginales. Diez presentaciones se convierten en cien versiones personalizadas; los análisis de datos ocasionales se convierten en evaluación continua.

Por lo tanto, el mayor beneficio no reside simplemente en adquirir un modelo, sino en la reorganización de los procesos de trabajo. Es necesario desglosar las tareas, clarificar las responsabilidades y definir los puntos de control. Las empresas requieren acceso fiable a los datos, registro de actividad y capacitación. El obstáculo pasa de la creación de texto al diseño de procesos seguros, medibles y adaptables.

El mercado laboral está cambiando por las tareas, no por las profesiones

El debate público suele centrarse en qué profesiones desaparecerán. Desde una perspectiva económica, es más sensato considerar las tareas individuales. La mayoría de las profesiones se componen de rutinas, decisiones expertas, comunicación, responsabilidad y actuación en situaciones específicas. La IA puede asumir por completo algunos componentes, acelerar otros y apenas afectar a otros.

Los análisis del mercado laboral internacional sugieren que aproximadamente una cuarta parte del empleo mundial implica puestos con cierta exposición a la IA generativa. Solo una proporción significativamente menor corresponde a la categoría de mayor exposición. El impacto es mayor en los países más ricos, ya que allí se digitaliza una mayor cantidad de trabajo administrativo, analítico y de comunicación. Los puestos de oficina y administrativos, así como las profesiones técnicas y relacionadas con los medios de comunicación, se ven particularmente afectados.

Estas cifras no son previsiones de despidos reales. Muestran dónde se pueden modificar las tareas tecnológicamente. Que esto derive en recortes de empleo, aumento de la productividad o nuevas ofertas depende de la demanda, los salarios, la normativa y la estrategia empresarial. Históricamente, las tecnologías a menudo han desplazado puestos de trabajo individuales, creando al mismo tiempo nuevos campos de actividad. Sin embargo, la transición puede resultar difícil, ya que los nuevos empleos no aparecen automáticamente en el mismo lugar, al mismo tiempo ni para las mismas personas.

Los sistemas basados ​​en agentes, como Astra, aumentan la presión para el cambio, ya que pueden automatizar las transiciones entre tareas. Esto no solo transforma el trabajo dentro de una misma profesión, sino también la agrupación de actividades dentro de la organización. Una empresa podría, por ejemplo, combinar la investigación, la preparación de datos, la comunicación estándar y la documentación en un proceso asistido por IA. De esta forma, los empleados podrían gestionar las excepciones con mayor eficacia, cultivar relaciones, establecer objetivos y asumir mayores responsabilidades.

El conocimiento se vuelve más barato, la responsabilidad más valiosa

Cuando la IA produce diseños, análisis y software de alta calidad en grandes cantidades, el costo del trabajo basado en el conocimiento estandarizado disminuye. Sin embargo, los datos confiables, el acceso a los clientes, la aprobación regulatoria, la infraestructura física y la capacidad de asumir responsabilidades siguen siendo escasos. Esto está transformando la creación de valor en muchos sectores.

Los consultores cobrarán menos por resumir información pública. La definición del problema, los datos específicos del sector, la revisión crítica y la implementación dentro de una organización concreta adquirirán mayor valor. Los desarrolladores de software dedicarán menos tiempo al código estándar y más a la arquitectura, la seguridad y la integración de sistemas. Los ejecutivos podrán acceder a más análisis, pero deberán ser aún más eficaces a la hora de distinguir entre resultados plausibles y fiables.

Este cambio puede aumentar la productividad, pero también puede generar nuevas dependencias. Quienes dependen demasiado de las inversiones en IA pueden perder su propio criterio. Si el personal junior deja de realizar tareas rutinarias por sí mismo, pierde oportunidades de aprendizaje que posteriormente se convierten en experiencia. Por lo tanto, las empresas deben decidir qué actividades deben automatizarse y cuáles deben conservarse deliberadamente como pasos de capacitación y control de calidad.

La confianza podría convertirse en el recurso escaso central de la economía de la IA. Clientes, autoridades y socios comerciales deben poder comprender quién tomó una decisión, qué datos se utilizaron y quién es responsable de los errores. Cuanto más autónomos operen los sistemas, más importantes se vuelven la prueba de origen, los registros y las líneas claras de responsabilidad. La inteligencia técnica no elimina la responsabilidad; simplemente aumenta su valor.

El capital, la energía y los datos limitan la supuesta ilimitación

La forma en que se describe la IA general puede fácilmente dar la impresión de que se trata de una tecnología casi inmaterial. En realidad, la IA moderna depende de una infraestructura que requiere una inversión de capital excepcionalmente alta. Los centros de datos, los procesadores de alto rendimiento, las redes eléctricas, los sistemas de refrigeración, las conexiones de fibra óptica y el personal especializado determinan la rapidez y el coste con que se pueden desarrollar e implementar los modelos.

Las mayores empresas tecnológicas invirtieron en centros de datos e infraestructura relacionada más de 400.000 millones de dólares en 2025 y se preveía que aumentaran significativamente en 2026. Esta magnitud demuestra que la competencia no se basa únicamente en mejores algoritmos. El acceso al capital, la energía y las cadenas de suministro se está convirtiendo en un factor estratégico. Los proveedores pequeños pueden desarrollar modelos innovadores, pero a menudo siguen dependiendo de unas pocas empresas de infraestructura para la formación y la operación a gran escala.

La demanda de electricidad también está creciendo. Los centros de datos a nivel mundial consumieron aproximadamente 485 teravatios-hora en 2025. Esta cifra podría duplicarse hasta alcanzar los 950 teravatios-hora en 2030. Si bien su participación en el consumo eléctrico mundial se mantendría limitada a alrededor del tres por ciento, la carga se está concentrando regionalmente. Cada centro requerirá grandes conexiones a la red eléctrica, nueva capacidad de generación y un suministro eléctrico fiable en un corto período de tiempo.

Un menor consumo energético por tarea de IA no resuelve automáticamente este problema. Si el uso crece más rápido que la eficiencia, el consumo total seguirá aumentando. Los sistemas basados ​​en agentes, en particular, pueden activar numerosas llamadas a modelos, ya que planifican, utilizan herramientas, verifican resultados y repiten tareas. Por lo tanto, el coste económico de un agente digital va más allá de una simple licencia. Incluye la capacidad de procesamiento, la transmisión de datos, la monitorización de la seguridad y los costes de la supervisión humana.

La narrativa de la IAG promueve la concentración del mercado

Una afirmación creíble sobre inteligencia general puede otorgar a un proveedor enormes ventajas. Las empresas buscan conectar sus procesos a la plataforma más potente. Los desarrolladores crean aplicaciones complementarias. Los inversores aportan capital. Los trabajadores cualificados se trasladan al líder tecnológico percibido. Esto crea un ciclo de retroalimentación positiva de cuota de mercado, datos, ingresos e infraestructura.

La estructura de costos favorece a las grandes plataformas. El entrenamiento de los modelos líderes requiere una inversión inicial considerable, mientras que el uso adicional puede escalarse a un costo relativamente bajo una vez que la infraestructura está implementada. Al mismo tiempo, las interfaces propietarias, los entornos de agentes especializados y los datos empresariales integrados generan costos de cambio. Quienes integran profundamente sus flujos de trabajo con un único proveedor de modelos tendrán dificultades para cambiar posteriormente.

Sin embargo, el mercado no es necesariamente un monopolio natural. Los modelos pueden volverse más intercambiables, los sistemas abiertos pueden ser suficientes para muchas tareas y las empresas pueden utilizar varios proveedores en paralelo. Además, surgen soluciones especializadas que resultan más fiables o rentables en sectores específicos que un modelo universal. Por lo tanto, es probable que la competencia se desarrolle en varios niveles: calidad del modelo, infraestructura, acceso a los datos, integración, seguridad y conocimientos especializados del sector.

En materia de política económica, esto significa que el acceso a la infraestructura de IA cobra cada vez más importancia. La competencia no puede garantizarse únicamente mediante la regulación de modelos individuales. Los mercados en la nube, la capacidad de computación, el suministro de chips, las conexiones energéticas, la portabilidad de datos y los estándares técnicos abiertos son factores relevantes. Quien controla estos elementos fundamentales ostenta el poder, incluso si el término IA general aún no está definido científicamente.

La capacidad de seguridad no es sinónimo de seguridad

GPT-6 Astra obtuvo una puntuación máxima en una exigente prueba de desarrollo de exploits y fue clasificado por primera vez como de capacidad crítica en el campo de la ciberseguridad dentro de su propio marco de seguridad. Esta clasificación no implica que el modelo en sí sea necesariamente peligroso. Significa que, con las herramientas y el acceso adecuados, posee capacidades que pueden ser excepcionalmente efectivas tanto para la defensa como para el ataque.

Esta capacidad de doble propósito es un problema fundamental de la IA avanzada. Un modelo que detecta vulnerabilidades desconocidas puede proteger a las empresas antes de que los atacantes las exploten. Sin embargo, esta misma capacidad puede ser mal utilizada. Además, a medida que aumenta la autonomía, disminuye el esfuerzo necesario para planificar y ejecutar ataques complejos. Esto podría hacer que capacidades que antes estaban reservadas a equipos altamente especializados estén más al alcance de un público más amplio.

Por lo tanto, las medidas de seguridad deben abarcar múltiples niveles. Las normas de conducta del modelo resultan insuficientes. Se requieren controles de acceso, monitorización, derechos de acceso restringidos a las herramientas, entornos de ejecución aislados y capacidad de intervención rápida. Las funciones más potentes solo pueden estar disponibles para usuarios verificados en escenarios claramente definidos. Al mismo tiempo, organismos independientes deben poder evaluar la eficacia de estas medidas de seguridad.

El término AGI (Conciencia, Inteligencia e Inteligencia General) puede incluso resultar engañoso en este debate. Un sistema no necesita poseer inteligencia general para causar daños significativos en una disciplina crítica para la seguridad. Por lo tanto, la regulación debería centrarse en capacidades específicas, condiciones de operación y potencial de daño. Una clasificación abstracta como AGI o no AGI es demasiado amplia para la gestión de riesgos.

Quien define el AGI distribuye derechos y obligaciones

La definición de Ingreso Bruto Ajustado (IGA) puede tener consecuencias legales y contractuales directas. Las sociedades, las participaciones accionariales, la distribución de beneficios y los derechos de control pueden estar vinculados al logro de hitos tecnológicos específicos. Incluso sin examinar contratos individuales, resulta evidente que una declaración de IGA puede ser más que una mera declaración filosófica; puede afectar a los intereses económicos.

Esto genera un conflicto de intereses estructural. Los proveedores de modelos poseen la mayor cantidad de información sobre sus sistemas, pero también tienen fuertes incentivos para presentar los avances de forma positiva. Los competidores pueden minimizar los logros. Los gobiernos, impulsados ​​por intereses económicos, pueden acelerar el desarrollo o advertir sobre sus riesgos. Por lo tanto, la investigación independiente es indispensable, pero a menudo carece de los mismos recursos informáticos y acceso.

Por lo tanto, una evaluación fiable no debe depender de una sola organización. Es necesario un proceso transparente con pruebas independientes, criterios claros y resultados repetibles. Este proceso debe diferenciar entre la capacidad del modelo, el rendimiento del sistema y su uso real. La reevaluación periódica es igualmente importante, ya que los modelos, las herramientas y los costes cambian rápidamente.

Ni siquiera un procedimiento así proporcionaría una verdad metafísica sobre la inteligencia. Sin embargo, podría disciplinar el debate político y económico. En lugar de una autodeclaración que solo busca publicidad, surgiría una clasificación comprensible de niveles de habilidad específicos. Eso sería menos espectacular, pero considerablemente más útil.

Las empresas necesitan planes de pruebas, no conceptos propios de una época determinada

Para la toma de decisiones empresariales, la cuestión de la IA general suele ser demasiado abstracta. Una empresa necesita saber si un sistema puede gestionar un proceso específico de forma más eficiente, rápida y rentable, y si los riesgos son controlables. Por lo tanto, la implementación de la IA general debe comenzar con un plan de pruebas claro.

En primer lugar, la tarea debe definirse con precisión. ¿Qué datos de entrada se tienen, qué resultado se espera y qué errores son aceptables? A continuación, se realiza una comparación con el rendimiento anterior tanto del personal como del software. Las mediciones deben incluir no solo la velocidad y los costes directos, sino también las repeticiones de trabajo, las incidencias, los fallos y la variación de la calidad. Un valor promedio resulta insuficiente si errores poco frecuentes pueden causar daños significativos.

A continuación, debe definirse el grado de autonomía. Un sistema puede hacer sugerencias, preparar acciones, ejecutarlas tras su aprobación o tomar decisiones de forma independiente dentro de límites definidos. Estos niveles no deben combinarse por conveniencia. Cuanto mayor sea la autonomía, más importantes serán la gestión de derechos, el registro de actividad y los mecanismos de respaldo.

En definitiva, la operación debe ser monitoreada continuamente. Los modelos pueden cambiar mediante actualizaciones, las fuentes de datos externas pueden fallar y los atacantes pueden encontrar nuevas formas de manipular el sistema. Por lo tanto, una fase piloto exitosa no constituye una prueba concluyente. La IA se está convirtiendo en un sistema de producción que requiere monitoreo continuo, al igual que el software crítico o una planta industrial.

Las empresas que dominan esta disciplina se benefician independientemente de si Astra se denomina IAG. Por otro lado, las empresas que se dejan engañar por una etiqueta y optan por una automatización descontrolada aumentan su dependencia operativa. El criterio adecuado no es la admiración tecnológica, sino la creación de valor demostrada.

Europa no debe enfrascarse en una disputa terminológica

Esta disputa reviste especial importancia para Alemania y Europa. La región cuenta con sólidas empresas industriales, datos de procesos de alta calidad, instituciones de investigación y mercados regulados exigentes. Al mismo tiempo, se enfrenta a una importante dependencia de proveedores de servicios en la nube y modelos no europeos. Por lo tanto, una estrategia centrada únicamente en el próximo modelo base disponible resulta insuficiente.

La fortaleza de Europa reside quizás en combinar modelos avanzados con cadenas de valor reales. La industria, la logística, la energía, la sanidad y la administración pública ofrecen campos de aplicación complejos donde la experiencia, la seguridad y la integración son cruciales. Obtener la mejor puntuación en un referente no es suficiente. La disponibilidad, la soberanía de los datos, la responsabilidad y la capacidad de operar procesos de forma estable durante muchos años son factores decisivos.

Para ello, Europa necesita suficiente capacidad informática, un suministro eléctrico competitivo, espacios de datos compartidos y estándares claros para los sistemas basados ​​en agentes. La regulación debe limitar los riesgos específicos sin considerar toda la automatización como una superinteligencia autónoma. Las obligaciones escalonadas, basadas en la capacidad, el contexto operativo y el potencial de daño, son especialmente importantes.

La formación continua también debe evolucionar. El conocimiento general de IA no es suficiente. Los empleados necesitan la capacidad de estructurar procesos para la IA, evaluar profesionalmente los resultados y reconocer los límites de la responsabilidad. Los directivos deben comprender que implementar la IA es un proceso de desarrollo organizacional, no solo la adquisición de software.

Una evaluación objetiva de GPT-6 Astra

Según la información disponible públicamente, GPT-6 Astra es un sistema de IA excepcionalmente potente, de amplia aplicación y basado en agentes. Demuestra avances significativos en la resolución de problemas abstractos, la alfabetización informática, el desarrollo de software y la ciberseguridad. Puede gestionar cadenas de tareas que, hace tan solo unos años, requerían una estrecha supervisión humana. Estas capacidades justifican la afirmación de que ha comenzado una nueva fase de automatización.

Afirmar que un único valor de referencia demuestra objetivamente la IA general es injustificado. Esto se debe a la falta de una definición generalmente aceptada, un método de medición exhaustivo y datos a largo plazo suficientemente independientes. La dependencia de los resultados con respecto al entorno de ejecución, las herramientas y el presupuesto computacional, en particular, demuestra que el rendimiento del modelo no puede considerarse de forma aislada.

Sin embargo, esta postura escéptica no debe llevar a la trivialización. Sería un error reconocer la IA general solo cuando una máquina reproduce todas las características humanas, incluyendo la conciencia, la experiencia social y la capacidad física. Esta definición podría no reflejar sistemáticamente las transformaciones económicas relevantes. Un sistema puede alterar profundamente los mercados, el empleo y la seguridad mucho antes de asemejarse por completo a un ser humano.

La perspectiva adecuada se sitúa en algún punto intermedio entre el marketing y la actitud defensiva. Astra no es una prueba definitiva de inteligencia general perfecta ni un mero modelo de lenguaje. Representa un paso hacia los actores digitales que, cada vez más, se hacen cargo de flujos de trabajo completos. Esta transición merece más atención que el debate sobre una etiqueta.

El verdadero punto de inflexión es económico, no semántico

La cuestión de si la IA general ya existe quizás nunca pueda responderse con la misma certeza que una medición física. Las concepciones de inteligencia son demasiado diversas, las tareas cambian demasiado drásticamente y el rendimiento técnico y la evaluación social están demasiado interrelacionados. Por lo tanto, intentar establecer una fecha límite universal puede generar más confusión que claridad.

En el ámbito económico, surge una pregunta más importante: ¿En qué momento los sistemas de IA pueden realizar de forma independiente y fiable suficientes tareas valiosas a un coste razonable, permitiendo a las empresas adaptar fundamentalmente su organización, inversiones y empleo? GPT-6 Astra acerca a la economía a este umbral. En algunos sectores digitales, puede que ya se haya superado, mientras que en otros aún queda mucho por recorrer.

Por lo tanto, la transformación que se avecina se desarrollará de forma desigual. El desarrollo de software, la ciberseguridad, el análisis de datos y la administración digital pueden evolucionar más rápidamente que los servicios físicos, la artesanía o las actividades con un alto componente de responsabilidad social. También surgirán diferencias significativas entre las empresas. Las empresas bien organizadas y basadas en datos se beneficiarán antes que las organizaciones con sistemas fragmentados y procesos poco claros.

La provocadora declaración sobre la IA general contiene una pizca de verdad: la era en la que la IA potente podía considerarse simplemente una ayuda para textos e imágenes individuales está llegando a su fin. Sin embargo, afirmar que esto resuelve la cuestión científica de la inteligencia general es una exageración. La línea divisoria más importante no se encuentra entre la IA general y la inteligencia artificial, sino entre los sistemas que demuestran capacidades impresionantes y aquellos que, en condiciones reales, alteran permanentemente las responsabilidades, los costes y los resultados.

Quienes proclaman la existencia de la IA general hoy en día establecen un marco de interpretación. Quienes la niegan categóricamente corren el riesgo de subestimar el cambio económico. La postura más sensata reconoce ambas: el término sigue siendo vago, pero las capacidades se concretan. Por lo tanto, para las empresas, los empleados y los gobiernos, la cuestión crucial no es si creen en la IA general, sino si pueden medir, moldear y controlar lo que estos sistemas hacen en la práctica.

La solución casi interna: Cómo Xpert.Digital cierra las brechas operativas en el marketing y las ventas B2B – Negocios inteligentes basados ​​en contenido - Imagen: Xpert.Digital

Xpert.Digital es un centro industrial B2B basado en datos, dirigido por Konrad Wolfenstein . La empresa actúa como una solución externa, casi interna, para socios industriales, cubriendo las brechas operativas en marketing, contenido y ventas, sin requerir recursos adicionales por parte del cliente.

Más información aquí:

• La solución casi interna: Cómo Xpert.Digital cierra las brechas operativas en el marketing y las ventas B2B – Smart Content-Driven Business

☑️ Nuestro idioma comercial es el inglés o el alemán

☑️ NUEVO: ¡Correspondencia en tu idioma nativo!

Konrad Wolfenstein

Mi equipo y yo estaremos encantados de estar disponibles para usted como su asesor personal.

Puedes contactarme rellenando el formulario de contacto aquí [email protected]:o simplemente llamándome al +49 7348 4088 965. Mi dirección de correo electrónico es

Espero con ilusión nuestro proyecto conjunto.

☑️ Apoyo a las PYMES en estrategia, consultoría, planificación e implementación

☑️ Creación o realineamiento de la estrategia digital y digitalización

☑️ Ampliación y optimización de procesos de ventas internacionales

☑️ Plataformas comerciales B2B globales y digitales

☑️ Desarrollo de negocios pioneros / Marketing / Relaciones públicas / Ferias comerciales