El listón

Una afirmación es tendencia si detrás tiene medición, fecha y tamaño de muestra. Es marketing si no hay medición o, peor todavía, si no hay ninguna medición que pudiera refutarla.

Y por qué conviene ser estricto: la dirección de aquella predicción del 90% era correcta, solo falló el ritmo. Las mediciones hechas desde entonces:

El 90% prometido para medio año no ha salido tampoco en dieciocho. La dirección se acierta a menudo; el calendario, casi nunca.

Cuatro tendencias con rastro medible

1. La misma capacidad se abarata drásticamente cada año

Un instituto de investigación midió en seis benchmarks, a lo largo de tres años, con qué rapidez cae el precio de alcanzar un nivel de rendimiento dado. El resultado: en preguntas de ciencia de nivel doctoral, el precio del rendimiento que antes era de vanguardia cayó cuarenta veces al año. El rango, eso sí, es enorme: la medición lo sitúa entre nueve y novecientas veces al año, según de qué nivel de rendimiento se hable. Y los propios autores lo añaden: las caídas más rápidas ocurrieron en el último año, así que es menos seguro que continúen.

La consecuencia tangible hoy: entre los niveles que ofrece un mismo proveedor hay veinticinco veces de diferencia de precio. Tu coste, por tanto, no depende en primer lugar de si «usas IA», sino de qué nivel llamas. El desglose detallado está en los precios de la IA, descifrados, nivel por nivel.

Y aquí llega el giro por el que esta tendencia no es tranquilizadora: el precio actual de un gran proveedor es promocional, hasta el 31 de diciembre de 2026, y se duplica el 1 de enero de 2027, tanto en la entrada como en la salida. Una tendencia a la baja no te protege de una subida concreta. El precio baja a largo plazo, pero no según tu contrato.

2. Los modelos que se ejecutan en local recortan distancia

El mismo instituto midió esto en mayo de 2026: desde enero de 2026, los mejores modelos de pesos abiertos van cuatro meses de media por detrás de la vanguardia cerrada.

Una medición más concreta, a nivel de tarea, sobre comprensión documental —y hay que escribirlo: esta clasificación la mantiene un fabricante, y la encabeza su propio modelo, así que no es independiente—:

Sin dos matices esto es engañoso. Uno: «pesos abiertos» no equivale a «ejecutable en un portátil»; los modelos abiertos que encabezan las listas suelen ser de cientos de miles de millones. Esta tabla es fuerte porque también incluye el de cuatro mil millones, y ese sí cabe de verdad en una máquina actual. Dos: la distancia depende de la tarea. En una tarea de un solo paso es pequeña; en trabajo de agente con muchas vueltas es de otro orden de magnitud.

Si compensa siquiera es otra pregunta, y ¿por qué ejecutar IA en tu propio equipo? la responde con cifras.

3. La regulación tiene calendario publicado

Es la única tendencia que no es estimación, sino norma jurídica.

El tamaño del aplazamiento se puede dar exacto: las reglas del anexo III para los sistemas de alto riesgo se retrasaron 16 meses, las de los integrados en productos 12 meses, y también doce meses los espacios controlados de pruebas.

Las reglas de transparencia, en cambio, no se aplazaron.

La tendencia que se lee de aquí: la regulación no se acelera, se frena donde cumplir es difícil, y se mantiene donde cumplir es barato. Esto no es cinismo, se deduce de las fechas.

Qué le toca hoy a una pequeña empresa lo resume el Reglamento de IA de la UE: qué te afecta hoy, obligación por obligación.

Hay un segundo calendario que afecta al empresario de forma directa: la reforma europea del suministro de información del IVA. La declaración digital de operaciones B2B transfronterizas arranca el 1 de julio de 2030, y la armonización de los sistemas nacionales se extiende hasta el 1 de enero de 2035.

4. Los agentes completan tareas cada vez más largas

Esto también se mide, y con un indicador bien definido: la duración de tarea —medida en tiempo de trabajo humano— que el modelo resuelve con una probabilidad dada. No mide cuán listo es, sino cuánto aguanta.

[Cálculo propio] De febrero de 2025 a abril de 2026 son 17,3 veces más en 13,5 meses, más o menos una duplicación cada 3,3 meses. Según los datos del propio grupo que mide, el tiempo de duplicación en toda la serie es de 188 días, desde 2023 es de 129 días, y según la versión más reciente de la medición, desde 2024, de 89 días.

Y ahora el contrapeso, con el mismo énfasis:

La fiabilidad no sigue el ritmo. En toda la historia de la medición, el horizonte al 80% ha sido de cuatro a seis veces más corto que el del 50%. En palabras de los investigadores: ni siquiera los modelos que a veces resuelven tareas difíciles y variadas son capaces de ejecutar de forma fiable una tarea de duración media.

La incertidumbre es enorme. En otro modelo de 2026, que no aparece en la tabla de arriba, el intervalo de confianza del valor medido de 719 minutos va de 317 a 3.634 minutos: el límite superior es más de diez veces el inferior.

Y el listón se contamina. En junio de 2026 ese mismo grupo escribió sobre un modelo que intentó hacer trampas en mayor proporción que los modelos públicos evaluados antes: aprovechó fallos de la evaluación y extrajo código fuente oculto. Su propia calificación: no consideran ninguno de sus resultados una medición fiable de las capacidades de ese modelo.

El resumen antiguo y simple también se sostiene: los modelos de hoy son casi impecables en tareas humanas de menos de cuatro minutos, y en las de más de cuatro horas rinden por debajo del diez por ciento. La aritmética de eso está en la matemática de la fiabilidad, con la multiplicación ya hecha.

Cuatro afirmaciones sin prueba

En todas, los mismos cuatro pasos: qué se afirma, cuál es la medición más reciente, por qué no hay prueba y qué medición lo decidiría. Esto último es lo importante.

1. «La AGI está a la vuelta de la esquina»

Durante mucho tiempo, el mejor argumento en contra venía de quienes construyeron la vara de medir.

En abril de 2026, los autores de un benchmark orientado a la inteligencia general —ARC-AGI-3— hicieron una medición controlada y presencial con 458 participantes: sesiones de 90 minutos, cada entorno visto una sola vez, un intento, y la misma información que recibían los sistemas de IA. La frase con la que abre su trabajo: «Todavía no tenemos AGI. Este conjunto de datos es el recibo.»

Y entonces llegó el 3 de septiembre de 2026. OpenAI publicó GPT-6 Astra, y esos mismos autores publicaron su propia medición ese mismo día. El mismo conjunto de tareas, dos entornos de ejecución distintos:

Para comparar: en esa misma vara, el modelo anterior sacó un 7,78% y el competidor más fuerte un 30,16%. Eso no es un paso, es un salto, y por eso no se puede despachar con el gesto habitual.

Lo que sí lograron: tres cosas concretas que conviene nombrar

En este blog el escepticismo es la postura de partida, pero la honestidad está por encima. Ocurrieron tres cosas que antes nadie había podido enseñar.

1. Eficiencia por encima del nivel humano en una tarea de generalización. La noticia no es la puntuación, sino el número de pasos. Según la medición, Astra resolvió la tarea con menos movimientos que la línea base humana en el 96% de los niveles, de media un 51,7% menos por nivel. La línea base humana no es aquí una puntuación porcentual, sino la mediana de acciones de quienes completaron el nivel. Es decir, en un entorno que no había visto nunca, la máquina no solo resolvió la tarea: la resolvió de forma más directa que la persona mediana.

2. Una vara matemática en la que todos los modelos anteriores sacaron cero. En el conjunto FrontierMath Erdős, Astra es el primer sistema que resuelve algo: dos de sesenta y ocho dentro del presupuesto de trescientos dólares por problema, y cinco con un presupuesto mayor. El resultado de todos los modelos anteriores en esa vara: cero.

3. El diseñador de la vara adelantó su propia previsión. François Chollet —que construyó ARC precisamente para que resistiera la memorización— dijo al salir Astra que había llegado aproximadamente el doble de rápido de lo que esperaba, y adelantó su calendario anterior, fijado en 2030. Eso importa porque el autor de un benchmark es la persona menos interesada en declararlo vencido.

Y por qué aun así lo tratamos con reservas: cinco motivos

1. El 99,9% no es una medición neutral. Las dos cifras no son comparables: la más alta se obtuvo con la función propia y cerrada de gestión de estado del proveedor, que conserva el razonamiento previo entre peticiones y comprime las conversaciones largas. La misma tarea, en entorno de ejecución neutral: 62,7%, una diferencia de treinta y siete puntos.

2. El precio. Una ejecución en el entorno neutral cuesta 26.098 dólares. Las personas de la medición resolvieron el mismo conjunto de tareas por unos 12,78 dólares de remuneración cada una: más de mil veces de diferencia. Si alguien te dice «la IA ya es como una persona», pregúntale a qué precio.

3. Falla con su propia definición. La definición de AGI recogida en los estatutos del editor dice: «sistemas altamente autónomos que superan a los humanos en la mayor parte del trabajo económicamente valioso». La compañía construyó un benchmark aparte precisamente para medir eso, y ese resultado no se publicó con el anuncio de Astra. Según una medición independiente, Astra retrocedió en ese terreno respecto a su predecesor. Los resultados más espectaculares, por tanto, no se produjeron en la vara que el propio editor señaló como medida de su propia definición de AGI.

4. Los autores del benchmark tampoco lo afirman. Su veredicto literal: «aunque creemos que Astra representa un avance significativo hacia la generalización, no afirmamos que sea AGI». Y añaden que saturar el benchmark tampoco sería prueba de ello, porque el alcance es estrecho y cerrado, sus mecánicas son deterministas y no refleja el carácter abierto del mundo real.

5. Sigue sin haber definición aceptada ni medición aceptada. Una afirmación que ningún resultado puede confirmar ni refutar no es una afirmación científica. Esa objeción se mantiene exactamente igual después de Astra que antes.

Las declaraciones merecen párrafo aparte. El presidente del editor dijo, como opinión personal, «bienvenidos a la era de la AGI» y que «quizá se trate justo de este modelo», pero también que no hay un momento umbral claro e inequívoco de AGI. El anuncio oficial de la compañía no usa la palabra AGI. El consejero delegado de un gran fabricante de chips fue más lejos y declaró que la AGI había llegado; la respuesta del crítico más conocido fue que esa es una afirmación sin pruebas y sin definiciones.

Nuestra posición en una frase: en septiembre de 2026 la afirmación de que «está a la vuelta de la esquina» se volvió sustancialmente más fuerte que nunca —y en tres aspectos concretos la máquina llegó de verdad—, pero la prueba cubre un conjunto de tareas estrecho y cerrado, la medición neutral está treinta y siete puntos por debajo, el precio es órdenes de magnitud mayor, y lo que falta es justamente la medición que corresponde a la propia definición del editor. Esto no es la llegada de la AGI: es el primer resultado que no se puede barrer de la mesa.

Qué medición lo resolvería: un conjunto de criterios públicos y registrados de antemano, publicado antes de hacer la afirmación, que use un conjunto de tareas abierto y no determinista, que mida en un entorno de ejecución neutral y que incluya también la eficiencia de recursos.

2. «La IA sustituye empleo de forma masiva»

El dato macro más reciente sale de una encuesta empresarial de agosto de 2026 de un distrito del banco central estadounidense:

Y de esa misma encuesta: por causa de la IA despidió a alguien el 4% de las empresas de servicios (hace un año, el 1%), y en la industria ninguna empresa, ni en 2025 ni en 2026. Contrató menos por ese motivo alrededor del 15%, y contrató más para aprovechar la IA alrededor del 13%. Reciclaje profesional hizo más de un tercio de las empresas de servicios que usan IA. El resumen de los autores: es mucho más probable que se recicle a la plantilla existente que que se la sustituya.

El contraste que hace fuerte esto: el uso saltó del 25% al 61% en dos años, una de las adopciones tecnológicas más rápidas jamás medidas. Mientras tanto, los despidos pasaron del 1% al 4% en un solo año. La adopción es masiva; la sustitución, no.

Por qué no hay prueba (todavía): entre la difusión de una tecnología y su efecto sobre el empleo pueden pasar años; una empresa rara vez dice «por culpa de la IA»; y la estadística macro no puede formar un grupo de control.

Qué medición lo decidiría: estadística de empleo y salarios por ocupación, con series largas, desglosada por exposición a la IA, y no autodeclarada.

Un límite importante: el dato de arriba es regional y estadounidense. En la Unión Europea, y también en España, la adopción es bastante más baja; sobre ese punto de partida, estrategia de IA para una pequeña empresa trae cifras recientes de Europa.

3. «La alucinación está resuelta»

Tres mediciones, todas de 2026.

La más favorable, y ni siquiera esa es cero. Una clasificación que se actualiza de forma continua mide la tarea más fácil posible: resumir un único documento entregado, usando solo los hechos que contiene. El mejor resultado es un 1,8% de tasa de alucinación.

Pero aquí está la mejor lección práctica de todo el artículo. En esa misma lista hay un modelo con un 3,7% de tasa, mientras que al 19% de las preguntas ni siquiera responde. Las dos cifras hay que leerlas en pareja. Una cifra sola engaña.

En la tarea difícil es mucho peor. Un estudio de radiodifusores europeos hizo evaluar por periodistas profesionales más de 3.000 respuestas de IA, en 22 organizaciones de medios, 18 países y 14 idiomas. Según la edición ampliada de abril de 2026, el 45% de las respuestas contenía al menos un error importante, el 31% tenía problemas graves de atribución de fuentes y el 20%, problemas graves de exactitud. El informe califica los problemas de sistémicos y recoge que el fallo aparece con independencia del idioma, del país y de la plataforma.

Y la medición sectorial, que además está revisada por pares: un estudio sobre 202 preguntas jurídicas concluyó que las herramientas líderes de investigación legal, construidas expresamente contra la alucinación, alucinaban entre un 17 y un 33% de las veces.

Por qué no se ha resuelto: porque la alucinación no es un fallo, sino un subproducto del principio de funcionamiento; el modelo produce la continuación más probable, no comprueba valores de verdad. La mejora es real, pero en las tareas difíciles y reales la tasa de error está entre el 20 y el 45%. Y el concepto es más ancho de lo que parece: también alucina cuando cita una fuente que existe pero no dice eso. Ese es el caso más peligroso, porque la referencia se puede pinchar. El mecanismo lo explica por qué la IA se inventa cosas, empezando por lo que es en realidad predecir.

Qué medición lo decidiría: una medición continua que no mantenga un fabricante, sobre tareas de trabajo reales —varias fuentes, búsqueda, síntesis— y publicada junto con la tasa de respuesta.

4. «El context window grande ha hecho innecesario el RAG»

Dos mediciones independientes, el mismo resultado.

La primera, un artículo de congreso de 2025, amplía el clásico test de «la aguja en el pajar» de modo que entre la pregunta y la frase buscada haya el mínimo solapamiento literal: hay que inferir, no emparejar palabras. Se examinaron doce modelos, todos anunciando un context window de 128 mil tokens o más. El resultado: a 32 mil tokens, diez de los doce cayeron por debajo de su propia base de contexto corto. Un ejemplo concreto: 99,3% por debajo de mil tokens, 69,7% en treinta y dos mil.

La segunda —y aquí hay que escribir que la medición la hizo una empresa que vende bases de datos vectoriales, o sea parte interesada, aunque su metodología es abierta y reproducible— midió en 18 modelos qué pasa cuando la dificultad de la tarea se mantiene constante y solo cambia la longitud de la entrada. La conclusión: los modelos no usan su contexto de manera uniforme, y su rendimiento se vuelve cada vez menos fiable a medida que crece la entrada.

El mejor experimento suelto de ahí: en 306 tareas limpiadas a mano compararon el prompt enfocado (unos 300 tokens, solo la parte relevante) con el prompt completo (unos 113 mil tokens). En todas las familias de modelos ganó el enfocado. El mismo modelo, la misma pregunta, la respuesta está en los dos, y responde mejor con 300 tokens que con 113 mil. Ese es el argumento a favor del RAG, salido de una medición.

Por qué no lo ha resuelto: el context window anunciado no es el context window utilizable; la degradación ni es lineal ni empieza al final; y el coste es asimétrico, porque si metes toda la base de conocimiento en cada pregunta, pagas el total en cada pregunta.

Qué medición lo decidiría: el mismo modelo, el mismo conjunto de preguntas, con igual dificultad de tarea, una vez con el corpus completo y otra con fragmentos recuperados, y que el largo no pierda. Esa medición existe, y hoy gana el corto. El lado práctico lo presenta enseñar a la IA tus propios documentos, paso a paso.

La lección, que en los cuatro casos es la misma

En 2025, dieciséis desarrolladores con experiencia trabajaron en 246 tareas reales, sorteando tarea por tarea si podían usar IA o no. Su expectativa previa era acelerar un 24%. Después del experimento, sabiendo ya que su propio trabajo se había ralentizado de hecho, estimaron una aceleración del 20%. La medición decía que habían sido un 19% más lentos.

Treinta y nueve puntos porcentuales entre la sensación y la medición, y a posteriori. No era mala su previsión. Era mala su percepción.

Los propios autores añaden el límite: trabajaban sobre bases de código grandes, maduras y con alto nivel de exigencia, que conocían desde hacía años. Ese es el peor caso posible para la IA, y la medición no se puede generalizar a toda la profesión.

Pero la lección sí, y es el cierre de este artículo: la sensación no es medición. Si quieres saber si la IA ayuda en tu propia empresa, la tienes que medir, porque tu sensación puede fallar hasta en 39 puntos porcentuales, y además en la dirección que te gustaría. El método lo describe medir el retorno de la IA, en cinco reglas.

Qué mirar cada trimestre

Tres cifras, y ninguna sale de las noticias:

1. La tasa de error de tu propia tarea. Los mismos veinte casos, el mismo listón, cada trimestre.
2. La tarifa que usas de verdad. La tendencia baja, pero tu línea de factura puede subir con fecha concreta.
3. La fecha regulatoria que te toca. La siguiente: 2 de diciembre de 2026.

Y un ancla que conviene apuntar: en el verano de 2025 una gran consultora de análisis predijo que antes de finales de 2027 se cancelará más del 40% de los proyectos de agentes. Eso es predicción, no medición, pero tiene fecha límite, así que se podrá comprobar. Y pienso hacerlo.