El secreto avance de AGI de GPT-5

Los rumores sobre un avance secreto de GPT-5 comenzaron con un gráfico: una supuesta puntuación del 75-76% en el nuevo estándar ARC-AGI-2, cómodamente por encima del promedio de aproximadamente 60% de los humanos que realizan pruebas. La historia, amplificada en X y YouTube, lo presentó como el momento en que una IA finalmente superó a los humanos en una prueba diseñada explícitamente para limitar el acceso a la AGI.

ARC-AGI proviene de François Chollet, un investigador de Google DeepMind que ha pasado años argumentando que escalar modelos de lenguaje no es lo mismo que construir inteligencia general. Su referencia ARC (Corpus de Abstracción y Razonamiento), y su variante más reciente ARC-AGI-2, se centra en el tipo de razonamiento fluido que los humanos utilizan para resolver acertijos que nunca han visto antes.

En lugar de preguntas de trivia o problemas de libros de texto, ARC-AGI presenta pequeñas cuadrículas de colores y pide al modelo que infiera la regla oculta. Cada tarea incluye solo tres ejemplos de entrada-salida, y luego una cuarta entrada donde el modelo debe generar la cuadrícula de salida correcta desde cero. Sin instrucciones, sin etiquetas, sin opciones múltiples.

El estándar mide la inteligencia fluida: descubrimiento de patrones, razonamiento compositivo y generalización a partir de casi ningún dato. Utiliza una métrica estricta de Pass@2: los modelos tienen como máximo dos intentos por tarea, sin crédito parcial y con atención al costo computacional por solución.

Ese diseño hace que ARC-AGI sea brutalmente difícil para los modelos de lenguaje grandes. Los LLMs destacan cuando pueden apoyarse en patrones memorizados de texto a gran escala en la web, pero los acertijos de ARC-AGI son generados de manera procedural y visual, no lingüística, y deliberadamente diferentes de cualquier cosa en los corpus de entrenamiento comunes.

Las tablas de clasificación estándar como MMLU, GSM8K o HumanEval a menudo difuminan la línea entre el razonamiento y la memoria. Los puntos de referencia se filtran en los datos de entrenamiento; los proveedores de modelos afinan directamente en formatos de preguntas similares; las puntuaciones aumentan de manera que pueden decir más sobre contaminación de datos que sobre una comprensión genuina.

ARC-AGI avanza en la dirección opuesta. Las tareas son "fáciles para los humanos/difíciles para la IA", con solucionadores humanos que alcanzan efectivamente casi el 100% cuando tienen tiempo, mientras que los modelos de frontera temprana apenas lograron cifras de un solo dígito en ARC-AGI-2. Esa brecha es la razón por la cual un supuesto puntaje del 75% para GPT-5, incluso si no está verificado, disparó alarmas: si fuera cierto, señalaría una IA que no solo repite conocimientos, sino que descompone reglas completamente nuevas como lo hacen las personas.

Los cuadrados de colores en una cuadrícula no suenan como una prueba de Turing, pero ARC-AGI convierte esa estética de juguete infantil en una herramienta para la IA. Cada rompecabezas muestra un puñado de pequeñas cuadrículas de entrada y sus cuadrículas de salida correspondientes, y luego le pide al modelo que transforme una nueva cuadrícula utilizando la misma regla oculta: tal vez reflejar los bloques azules, aumentar una forma roja en un píxel o eliminar todo excepto el componente conectado más grande.

Los humanos miran estos ejemplos y casi de inmediato comienzan a narrar la estructura: “Oh, la línea amarilla marca el centro,” o “el patrón se repite cada tres celdas.” Para los modelos actuales, esas mismas cuadrículas de 10×10 o 20×20 son un campo minado combinatorio. Cada píxel de color multiplica el número de posibles transformaciones que podrían ajustarse a los datos, y nada en el corpus de preentrenamiento de un modelo de lenguaje se parece mucho a esto.

El creador de ARC, François Chollet, lo diseñó como una prueba pura de inteligencia fluida: la capacidad de razonar en situaciones novedosas, descubrir patrones y recombinar conceptos de forma instantánea. Esto contrasta con la inteligencia cristalizada, que se basa en hechos memorizados y plantillas familiares—donde los grandes modelos de lenguaje destacan al regurgitar y remezclar texto a escala web.

En ARC-AGI-2, no hay una división de entrenamiento que memorizar ni superposición de conjuntos de datos que explotar. Los modelos ven solo de 3 a 5 pares de entrada-salida por tarea y deben generalizar a un nuevo ejemplo. No se actualizan gradientes, no se realiza ajuste fino; todo ocurre en el momento de la prueba, dentro de los pesos existentes del modelo y de cualquier estructura de soporte que los rodee.

Para mantener la honestidad de los sistemas, ARC-AGI-2 utiliza una métrica Pass@2: un modelo tiene como máximo dos intentos por tarea. No hay crédito parcial por "casi correcto" y no hay oportunidad de probar miles de muestras hasta que una funcione. Los benchmarks también rastrean la eficiencia, contabilizando cuánta potencia computacional quema cada intento, lo que castiga la enumeración de programas candidatos a la fuerza bruta.

Los humanos, en cambio, resuelven rutinariamente estos acertijos en unos pocos minutos, a menudo con una sola intuición clara. Esa brecha—entre lo "obvio" para los humanos y lo "opaco" para las máquinas—expone cuánto han quedado atrás los mejores modelos actuales en cuanto a verdadera abstracción, incluso cuando dominan exámenes basados en conocimientos cristalizados.

Desbloqueo suena como un término de alineación de nicho, pero Leopold Aschenbrenner lo utiliza para nombrar algo brutalmente simple: los modelos actuales son inteligentes, pero artificialmente limitados. Su artículo "Conciencia Situacional" de 2024 argumenta que una gran parte de las ganancias a corto plazo provendrá no de modelos más grandes, sino de eliminar esas cadenas.

Su analogía impacta con fuerza. Pedirle a un LLM que resuelva un problema difícil de matemáticas de un solo golpe es como exigir a un humano que suelte la respuesta al instante, sin papel para hacer cálculos, sin revisiones. La inducción de pensamiento encadenado funcionó como ese papel de borrador, transformando a “bots de chat que adivinan” en sistemas que pueden seguir un razonamiento de múltiples pasos y, de repente, resolver problemas mucho más difíciles con facilidad.

Los modelos de frontera de hoy en día siguen estando muy limitados. Aschenbrenner señala que: - No tienen una memoria a largo plazo robusta - No pueden usar un ordenador o un sistema de archivos de manera fluida - Rara vez “piensan antes de hablar” con una deliberación interna prolongada - En su mayoría operan en conversaciones cortas y unilaterales en lugar de en proyectos persistentes

Deshacer limitaciones significa reparar esas restricciones con andamiaje: uso de herramientas, bucles de planificación, memoria externa, orquestación multiagente y más capacidad de cómputo en el momento de la prueba. Lo crucial es que cambia lo que puedes hacer con los mismos pesos base, razón por la cual Aschenbrenner lo clasifica como progreso algorítmico en lugar de simplemente un pulido de la experiencia del usuario.

Ya se puede ver esto en los números. Se informa que el meta-sistema de Poetic impulsa una variante de GPT-5 de un rendimiento aproximadamente humano de ARC-AGI-2 (~60%) a alrededor del 75-76%, y eleva modelos del estilo Grok-4 de ~56-57% a ~72% en pruebas de razonamiento similares, todo sin un modelo base más grande. La línea Gemini 3 de Google muestra el mismo patrón: de menos del 30% a mediados del 40%, luego a niveles humanos y más allá en tareas del estilo ARC a través de sucesivas mejoras.

Esa dinámica reformula los plazos. Si simplemente eliminar las restricciones puede proporcionar incrementos de 10 a 20 puntos en métricas que se suponía requerirían la próxima generación de modelos, ya no tienes que esperar por entrenamientos a escala de GPT-6 para ver cambios significativos. La propia comunicación de OpenAI sobre Introducción de GPT-5 - OpenAI se apoya en temas similares: más herramientas, más contexto, más agencia añadida sobre la escala bruta.

La previsión de Aschenbrenner es clara: para 2027, la continua desrestrictiva convertirá al chatbot actual en algo que se comporta mucho más como un agente y un compañero de trabajo que como una simple caja de búsqueda hablante.

Poético se encuentra en el centro de la historia del ARC de GPT-5. El video de TheAIGRID acredita a la empresa con la construcción de un “desbloqueo” en torno a un modelo OpenAI de frontera, en lugar de entrenar un nuevo cerebro desde cero. Su afirmación: un meta-sistema que impulsa a GPT-5 desde un rendimiento de aproximadamente nivel humano de ARC-AGI-2 hasta un 75-76% reportado, sin aumentar los pesos subyacentes.

En el núcleo del enfoque de Poetic se encuentra un "Gerente de IA." En lugar de lanzar una única llamada a un modelo gigante para cada rompecabezas, el gerente inspecciona la cuadrícula, propone un plan general y luego lo descompone en subproblemas. Cada subproblema se dirige a un modelo de trabajo especializado: algunos ajustados para el reconocimiento de patrones, otros para la generación de código, búsqueda o verificación.

De manera crucial, este gerente no solo fomenta y reza. Puede: - Escribir y ejecutar código contra la cuadrícula del rompecabezas - Inspeccionar resultados intermedios y compararlos con el objetivo - Ramificarse en estrategias alternativas cuando un camino parece incorrecto - Decidir cuándo detenerse una vez que aparece una solución correcta

Ese ciclo—planificar, actuar, verificar, revisar—transforma ARC de un juego de adivinanza puntual en una búsqueda iterativa. El sistema puede ejecutar docenas de llamados a trabajadores económicos en lugar de depender de un único modelo de frontera costoso. Poetic argumenta que esto ahorra una gran cantidad de computación en tareas de razonamiento difíciles, porque el gestor detiene el proceso temprano siempre que una salida candidata coincide exactamente con la cuadrícula requerida.

Contrastalo con la configuración monolítica estándar de LLM. En el mundo base, envías un único aviso a un gran modelo, obtienes una respuesta y pagas el precio completo incluso si la salida falla. No hay descomposición explícita, no hay un bloc de notas persistente, ni autocorrección más allá de que un usuario haga clic en "intentar de nuevo".

La arquitectura multi-agente y autocorrectora de Poetic externaliza de manera efectiva lo que la cadena de pensamiento solo insinúa. En lugar de inducir a un solo modelo a pensar paso a paso, el gestor orquesta un equipo, asigna recursos de computación en tiempo de prueba donde sea necesario y poda los callejones sin salida. En un referente como ARC-AGI-2, ese tipo de meta-razonamiento estructurado puede ser más importante que otros 10 mil millones de parámetros.

La realidad golpea tan pronto como abres la tabla de posiciones del Premio ARC. La viral puntuación del 75% de GPT-5 simplemente no existe allí, ni en ningún otro lugar que sea verificado de manera independiente. En cambio, los números públicos pintan un panorama mucho más realista—y aún así asombroso—de la posición actual de los modelos.

En la placa principal ARC-AGI-2, la versión base de GPT-5 obtiene una puntuación de Pass@2 de solo 9.9%. Esto lo coloca en la misma cohorte problemática que otros modelos de vanguardia: Claude Opus 4 con 8.6%, varias variantes de Gemini 3 en los bajos dos dígitos, y muchos sistemas languideciendo entre el 2% y el 6%. Grok-4 "Thinking" lidera esa tabla inicial con un 16.0%, poco más que material para celebraciones de AGI.

Desplázate hacia abajo y el supuesto modelo milagroso aparece bajo una nueva apariencia: GPT-5.2, un sistema más reciente de OpenAI que de repente cambia la curva. En la tabla de clasificación oficial de “sistemas” ARC-AGI-2, GPT-5.2 obtiene alrededor de un 53–54% en Pass@2. Esa puntuación más que triplica el 9.9% de GPT-5 y aproximadamente triplica el 17.6% reportado de GPT-5.1, superando cómodamente a estrellas anteriores como Gemini 3 Pro, que se sitúa alrededor del 45%.

Sin embargo, los humanos aún son dueños de este estándar. La línea base humana de ARC-AGI-2 se sitúa alrededor del 60% para los examinados promedio, con conjuntos validados que se acercan al 98–100% cuando solo se cuentan las tareas resueltas por al menos dos de nueve o diez personas. El objetivo de ARC es que estos rompecabezas en cuadrícula se sientan "obvios" para los humanos, pero sigan siendo brutalmente opacos para las máquinas.

Ese contexto hace que la afirmación del 75-76% parezca más marketing que medición. Ninguna entrada en el ranking público, documento o actualización del premio ARC muestra alguna variante de GPT-5, sistema Poetic o configuración de Grok superando la línea de promedio humano del 60%, y mucho menos aplastándola por 15 puntos. Si tal rendimiento existe, vive fuera de los registros, es inverificable y está fuera de las normas de los benchmarks competitivos.

Nada de esto disminuye lo impactante que es el resultado verificado del 53-54% de GPT-5.2. Una sola familia de modelos que salta de menos del 20% a más del 50% en ARC-AGI-2 en una sola generación representa un cambio significativo en el rendimiento de razonamiento abstracto. El nivel humano sigue estando fuera de alcance, pero la brecha se ha reducido mucho más rápido de lo que casi cualquier persona predijo.

El progreso de ARC-AGI nunca ha parecido una curva suave. Durante años, los modelos más avanzados se mantuvieron entre un 0% y un 6% en acertijos de estilo ARC, mostrando efectivamente ninguna inteligencia fluida a pesar de enormes períodos de entrenamiento. Podían sobresalir en exámenes de abogacía y entrevistas de programación, pero luego se desplomaban sobre una cuadrícula de 5×5 de cuadrados de colores.

Por eso, el 54% importa más que un hipotético 100%. Alcanzar los medios 50 en ARC-AGI-2, como se informa que lo hace GPT-5.2, significa que los modelos pasaron de "prácticamente rotos" a "resolver la mayoría de los problemas que puede resolver una persona brillante". Eso es un cambio cualitativo de fase, no un pequeño aumento en un punto de referencia.

ARC-AGI-2 utiliza Pass@2: dos intentos, sin crédito parcial, evaluación sensible al costo. Los modelos de frontera anteriores como GPT-5, Claude Opus 4 y Grok-4 Thinking se agrupaban en cifras de un solo dígito a los bajos teens. Un salto a aproximadamente 53-54% más que triplica esas puntuaciones, mientras que los humanos promedio se sitúan alrededor del 60% y los puntos de referencia humanos seleccionados alcanzan entre 98 y 100%.

Crucialmente, ese salto no provino solo de escalar el tamaño del modelo. Provino de desbloquear: mejor búsqueda, razonamiento en borrador, uso de herramientas y orquestación al estilo de un gerente en torno al modelo base. El enfoque de "IA de gerente" de Poetic—dirigiendo tareas, descomponiendo problemas, iterando soluciones—encarna el progreso algorítmico que Leopold Aschenbrenner destacó como el próximo gran motor de capacidad.

La tesis de Aschenbrenner era simple: los modelos son mucho más capaces de lo que sus simples resultados iniciales sugieren. Agrega pensamiento estructurado, memoria y herramientas, y desbloqueas una inteligencia latente. El salto de ARC del 0-6% a más del 50% es la versión gráfica de ese argumento.

Sam Altman ha señalado repetidamente a ARC como un indicador "real" de AGI, precisamente porque resiste la memorización y los trucos de ingeniería de prompts. Informes indican que los insiders de OpenAI siguen las curvas de ARC más de cerca que las llamativas pruebas estandarizadas. Cuando esa línea se inclina bruscamente hacia arriba, las personas que construyen AGI prestan atención.

Cualquiera puede consultar las tablas de clasificación públicas y la metodología en **ARC Prize - Abstract Reasoning Corpus**. El titular no es la perfección; es que la curva finalmente se movió.

Las leyes de escalado tuvieron un buen recorrido. Durante la mayor parte de los últimos cinco años, el progreso en modelos de lenguaje grandes siguió una receta simple: más parámetros, más datos, más capacidad de cómputo. GPT-3 a GPT-4 a GPT-5 se veía como una línea recta en un gráfico log-log, con curvas de rendimiento que se ajustaban perfectamente a ecuaciones de ley de potencias.

ARC-AGI-2 rompe esa historia en silencio. Modelos como GPT-5.2 pasan de números bajos de dos dígitos en tareas anteriores de estilo ARC a aproximadamente un 53–54% en ARC-AGI-2, no porque alguien haya entrenado un coloso de un billón de parámetros, sino porque los investigadores cambiaron la forma en que los modelos piensan en el momento de la prueba. El diseño del sistema y los algoritmos, no la escala bruta, lograron el cambio radical.

François Chollet, quien creó el benchmark original ARC, ha argumentado esto durante años. En su opinión, la verdadera inteligencia general no puede existir en un bloque estático de pesos preentrenados que solo regurgita correlaciones. Requiere sistemas que puedan construir y revisar hipótesis sobre la marcha, explorar espacios de soluciones y adaptar su estrategia a medida que se enfrentan a nuevas tareas.

Esa filosofía se refleja directamente en el diseño de ARC. Cada rompecabezas proporciona de 3 a 5 ejemplos de entrada-salida y luego una cuadrícula de prueba completamente nueva; ningún conjunto de datos de entrenamiento a escala de Internet puede ayudarte. Para resolver estos, un modelo debe realizar aprendizaje en tiempo de prueba: inferir reglas, buscar transformaciones candidatas y autocorregirse bajo estrictos presupuestos computacionales.

“El desanclaje” es lo que sucede cuando se toma eso en serio y se envuelve un poderoso modelo base en andamiajes que le permiten comportarse más como un científico que como un motor de autocompletar. El artículo “Conciencia Situacional” de Leopold Aschenbrenner destaca cosas como el impulso de cadena de pensamiento, el uso de herramientas y la planificación a largo plazo como simples ajustes que desbloquean capacidades latentes. La arquitectura manager-LLM de Poetic es esa idea convertida en un producto.

En lugar de un único gran pase hacia adelante, Poetic orquesta múltiples modelos, herramientas y reintentos bajo una IA gerente que decide cómo gastar la capacidad de cómputo. Esa es una innovación arquitectónica, no una de escalado. El "pensar" de Grok-4 saltando de aproximadamente 56-57% a 72% en pruebas internas de razonamiento, o las variantes de Gemini 3 que suben de menos del 30% a nivel humano en tareas al estilo ARC, provienen de este tipo de desbloqueo a nivel de sistema.

Si ese patrón se mantiene, la AGI podría llegar menos como un único modelo colossal y más como un conjunto estrechamente integrado de componentes adaptativos. La fuerza bruta construyó los motores; una arquitectura ingeniosa puede terminar el coche.

ARC-AGI-2 ya es brutal, pero sus creadores no se quedan quietos. El equipo del Premio ARC está trabajando en silencio en ARC-AGI-3, un estándar de próxima generación programado para aproximadamente 2026, diseñado explícitamente para desmantelar modelos que solo parecen inteligentes en pruebas estáticas.

En lugar de cuadrículas de colores como rompecabezas fijos, ARC-AGI-3 introducirá modelos en un entorno desconocido y les pedirá que averigüen qué es lo que importa. Piensa menos en "resuelve este patrón" y más en "estás en un extraño micromundo con objetos y reglas; descubre cómo funciona y luego alcanza un objetivo."

Ese cambio transforma la coincidencia de patrones pasiva en razonamiento interactivo. Los modelos tendrán que explorar el entorno, realizar experimentos y actualizar sus hipótesis cuando algo falle, de manera mucho más similar a cómo los humanos aprenden una nueva herramienta, juego o interfaz.

El nuevo estándar se centra en habilidades que los modelos de vanguardia de hoy en día suelen simular con un ingenioso uso de indicaciones. Para tener éxito, una IA necesitará:

• 1Explora de manera eficiente en lugar de hacer clic al azar.
• 2Establezca sus propios subobjetivos sin necesidad de guía.
• 3Construir y revisar un modelo del mundo a partir de retroalimentación escasa.
• 4Planifica secuencias de acciones en múltiples pasos y ejecútalas de manera confiable.

ARC-AGI-3 también ataca una de las mayores muletillas en las evaluaciones actuales: instrucciones densas. En lugar de una especificación en lenguaje natural que le diga al modelo exactamente qué hacer, el sistema a menudo tendrá que inferir la tarea a partir de unos pocos ejemplos, recompensas parciales o incluso simplemente “hacer que algo bueno suceda”.

Eso lo convierte en una prueba de agencia, no solo de razonamiento. Un sistema que puede decidir de forma autónoma: "Debería mapear este espacio, catalogar los comportamientos de los objetos y luego buscar un camino hacia el objetivo", se asemeja mucho más al "compañero de trabajo de IA" que predijo Leopold Aschenbrenner que a un chatbot que espera indicaciones.

Si ARC-AGI-2 mide si un modelo puede resolver un rompecabezas difícil cuando se le suministran las reglas, ARC-AGI-3 pregunta si puede entrar en un nuevo mundo y enseñarse a sí mismo las reglas. Cruzar esa brecha, de resolutor de problemas a agente adaptable, es el próximo verdadero desafío en el camino hacia la AGI.

Desbloquear deja de ser abstracto en el momento en que una IA deja de actuar como una ventana de chat y comienza a comportarse como un colega que es parte de tu trabajo. La apuesta de Leopold Aschenbrenner es específica: para 2027, la mayoría de los trabajadores del conocimiento interactuarán a diario con agentes que planifican, recuerdan y ejecutan, no solo responden preguntas. Ese cambio convierte la “ingeniería de indicaciones” en algo más cercano a la gestión y la colaboración.

Imagina un agente de gestión de proyectos integrado en el Slack y Jira de tu empresa. Le das un objetivo—“lanzar el nuevo flujo de onboarding para el 15 de marzo”—y se encarga de descomponer el trabajo, crear tickets, negociar dependencias con otros agentes, y contactar a humanos solo para obtener aprobaciones o decisiones que requieren juicio. Hace seguimiento de los gráficos de desgaste, predice retrasos utilizando la velocidad histórica, y redacta automáticamente actualizaciones para los interesados.

Un ingeniero de software podría entregarle a un sistema sin restricciones un monolito desordenado y decir: "Encuentra cuellos de botella en el rendimiento y propone un plan de migración a servicios". El agente rastrea el repositorio, construye gráficos de llamadas, ejecuta perfiles en un entorno de pruebas, abre solicitudes de extracción con refactorizaciones y escribe pruebas de regresión. Los ingenieros humanos revisan y guían, pero el trabajo tedioso de investigar en el código legado y conectar plantillas en su mayoría desaparece.

Los analistas de mercado podrían externalizar proyectos de investigación completos en lugar de consultas únicas. Un agente con herramientas web en tiempo real y acceso a API podría: - Extraer información de llamadas de ganancias y 10-Ks en todo un sector - Seguimiento de precios, sentimiento y datos de volumen en tiempo real - Ejecutar análisis de escenarios y simulaciones de Monte Carlo en modelos de flujo de caja - Sintetizar un informe de 20 páginas con gráficos, advertencias y operaciones recomendadas

Los benchmarks como ARC-AGI-2 y los conjuntos de datos en el repositorio de benchmarks de GPT-5 impulsan silenciosamente este cambio, pero la experiencia superficial se siente mundana: menos pestañas, menos reuniones, menos documentos de estado que escribes a mano. La magia proviene de desatar las restricciones que menciona Aschenbrenner: ventanas de contexto cortas, falta de herramientas, ninguna memoria a largo plazo, ningún ciclo de planificación—y de envolver los modelos en una estructura que los soluciona.

Tu trabajo, mientras tanto, deja de ser “escribe un aviso ingenioso, recibe una respuesta ingeniosa.” Necesitarás definir objetivos de manera clara, negociar compromisos y revisar planes como lo harías con un compañero de equipo junior. La colaboración se parece a establecer límites, verificar razonamientos e integrar agentes en flujos de trabajo existentes en lugar de cuidar de un chatbot.

El entusiasmo viral en torno a un secreto GPT-5 que supuestamente “pasó” ARC-AGI-2 con un 75% resultó ser incorrecto. Sin embargo, la historia accidentalmente reveló una verdad más profunda: la frontera ya no reside dentro de un solo modelo gigante, sino en los sistemas que lo rodean.

La tabla de clasificación del premio ARC muestra a GPT-5 en un 9.9% y a GPT-5.2 alrededor del 53–54%, muy lejos del 75–76% afirmado. Esa brecha entre el rumor y la realidad resalta cuánto del progreso actual proviene de una mejor orquestación, búsqueda y herramientas, en lugar de un nuevo cerebro mágico de un billón de parámetros.

Los modelos de fundación aún son importantes; GPT-5.2 triplicó aproximadamente la puntuación de 17.6% de ARC-AGI-2 de GPT-5.1. Pero los mayores avances ahora provienen de "desbloquear" esos modelos con andamios: IA de gestión, uso de herramientas, memoria a largo plazo y planificación en varios pasos que obtienen un razonamiento mucho más efectivo de los mismos pesos subyacentes.

Ese cambio reescribe silenciosamente el panorama competitivo. Ya no necesitas poseer un centro de datos hiperescalar para competir; necesitas diseñar la pila más inteligente y agencial sobre el acceso a API que puedas comprar.

Un pequeño laboratorio puede tomar un modelo comercial y añadirle: - Un planificador que descompone problemas en subobjetivos - Un enrutador de herramientas que llama código, búsqueda y solucionadores especializados - Un verificador que revisa y itera sobre las respuestas

En tareas similares a ARC, esas adiciones pueden marcar la diferencia entre un rendimiento de un solo dígito y uno cercano al humano.

El "AI gestor" de Poetic, según rumores, se ajusta a esta narrativa: un controlador que decide qué modelo llamar, cuántas muestras generar y cuándo reintentar o escalar. Ya sea que sus números de GPT-5 se mantengan o no, la arquitectura apunta en la dirección correcta: sistemas que tratan a los LLMs como componentes, no como oráculos.

Esa es la verdadera carrera: quién puede construir los sistemas de razonamiento más capaces y eficientes en costo por dólar de computación, no quién puede anunciar el mayor número de parámetros en bruto. El tamaño del modelo todavía te da margen, pero desbloquearlo determina cuánto de ese margen se convierte en capacidad utilizable.

Observa el desataje como el hilo conductor entre los chatbots y los compañeros de trabajo. El camino más rápido desde los LLM de hoy hasta los agentes de mañana pasa por la ingeniería de sistemas, no solo por GPUs más grandes.

¿Cuál es el punto de referencia ARC-AGI-2?

Es una prueba diseñada por Francois Chollet para medir la 'inteligencia fluida' de una IA: su capacidad para resolver rompecabezas de razonamiento abstracto y novedoso con muy pocos ejemplos, algo que los humanos encuentran fácil pero que la IA actual tiene dificultades para lograr.

¿Qué significa 'desenlazar' una IA?

Acunado por Leopold Aschenbrenner, 'desbloquear' se refiere a mejorar el rendimiento de una IA al eliminar sus limitaciones, no al hacer que el modelo base sea más grande. Esto se logra construyendo sistemas más inteligentes a su alrededor, como añadir memoria, herramientas o marcos de razonamiento paso a paso.

¿GPT-5 realmente superó el estándar de nivel humano?

No. A pesar de las afirmaciones virales, las tablas de clasificación oficiales muestran que GPT-5.2 obtiene alrededor del 54% en el ARC-AGI-2, un salto significativo pero aún por debajo de la puntuación promedio humana de aproximadamente 60-100%. El progreso proviene de técnicas de 'desbloqueo', no solo del poder del modelo base.

¿Quién es Leopold Aschenbrenner?

Es un exinvestigador de OpenAI conocido por su detallado artículo de 2024, 'Conciencia Situacional: La Década por Delante', que discute la rápida progresión estratégica hacia la AGI y populariza conceptos como 'desbloqueo'.