Teoría IA

Curso en 5 lecciones, de los fundamentos a la AGI 2035, en tablas: concepto, cómo funciona, ejemplo y por qué importa. Los términos se amplían en el glosario (7).

2.1Fundamentos y Machine LearningLección 1 · qué es la IA y cómo aprende

Lección 1 · Fundamentos y machine learning

La inteligencia artificial es el campo que construye sistemas capaces de hacer tareas que exigen inteligencia humana. Casi toda la IA actual es aprendizaje automático: en vez de programar reglas, se dan ejemplos y el sistema descubre los patrones.

2.1.1 · Conceptos esenciales

Concepto	Qué es	Ejemplo	Por qué importa
Inteligencia artificial	Sistemas que perciben, razonan, aprenden o actúan	Traducir, reconocer voz, conducir	Término paraguas de todo lo demás
IA estrecha	Experta en una sola tarea	Filtro antispam, AlphaGo	Ha sido la IA real durante décadas
IA general (AGI)	Iguala a las personas en la mayoría de tareas intelectuales	Objetivo declarado de OpenAI, Anthropic y DeepMind	No tiene definición única (ver 2.5)
Aprendizaje automático	Aprende patrones de datos en lugar de seguir reglas	Predecir la demanda de una tienda	Base de la IA moderna
Aprendizaje profundo	Aprendizaje automático con redes neuronales de muchas capas	Reconocimiento facial, LLM	Domina desde 2012
Datos	Materia prima: ejemplos con o sin etiqueta	ImageNet: más de 14 millones de imágenes	Más calidad suele valer más que más cantidad
Modelo	Función matemática con parámetros ajustables	y = w·x + b	Es lo que se entrena y se usa
Entrenamiento e inferencia	Ajustar parámetros frente a usarlos	Entrenar un LLM lleva meses; responder, segundos	Costes y hardware muy distintos
Generalización	Acertar con datos nunca vistos	Reconocer un gato que no estaba en el entrenamiento	Es el verdadero objetivo
Sesgo	Error sistemático heredado de los datos	Reconocimiento facial peor en pieles oscuras (estudio Gender Shades, 2018)	Riesgo ético y legal

2.1.2 · Breve historia, de 1943 a 2012

Año	Hito	Protagonistas	Qué cambió
1943	Primer modelo matemático de neurona	McCulloch y Pitts	Las neuronas se pueden describir con lógica
1950	«¿Pueden pensar las máquinas?» y test de Turing	Alan Turing	Plantea la pregunta fundacional
1956	Conferencia de Dartmouth y nombre «inteligencia artificial»	McCarthy, Minsky, Shannon y Rochester	La IA nace como disciplina
1958	Perceptrón	Frank Rosenblatt	Primera red neuronal que aprende
1966	ELIZA, el primer chatbot	Joseph Weizenbaum	Simula un psicoterapeuta con reglas
1969	Libro «Perceptrons»	Minsky y Papert	Muestra sus límites y frena las redes
1974-1980	Primer invierno de la IA	—	Se recorta la financiación
1980s	Sistemas expertos	XCON en DEC	IA de reglas en empresas
1986	Retropropagación popularizada	Rumelhart, Hinton y Williams	Ya se pueden entrenar redes de varias capas
1987-1993	Segundo invierno	—	Se hunde el mercado de sistemas expertos
1997	Deep Blue vence a Kaspárov	IBM	Ajedrez a fuerza bruta
1998	LeNet lee dígitos escritos a mano	Yann LeCun	Primeras redes convolucionales útiles
2006	Redes profundas preentrenadas	Geoffrey Hinton	Renace el término deep learning
2009	ImageNet	Fei-Fei Li	Gran conjunto de datos para visión
2011	Watson gana el concurso Jeopardy!	IBM	Lenguaje natural aplicado
2012	AlexNet arrasa en ImageNet	Krizhevsky, Sutskever y Hinton	Empieza la era del deep learning en GPU

2.1.3 · Tipos de aprendizaje y algoritmos clásicos

Algoritmo	Tipo	Cómo funciona	Uso típico
Regresión lineal	Supervisado · regresión	Ajusta la recta que minimiza el error cuadrático	Predecir precios
Regresión logística	Supervisado · clasificación	Calcula la probabilidad de una clase con una sigmoide	Riesgo de impago
k vecinos más cercanos	Supervisado	Decide por votación entre los k ejemplos más parecidos	Recomendaciones sencillas
Árbol de decisión	Supervisado	Encadena preguntas de sí o no	Reglas de crédito fáciles de explicar
Random Forest	Supervisado · conjunto	Promedia muchos árboles distintos	Detección de fraude
Gradient boosting (XGBoost, LightGBM)	Supervisado · conjunto	Cada árbol corrige los errores del anterior	El rey de los datos en tablas
Máquinas de vectores soporte	Supervisado	Busca la frontera con más margen entre clases	Clasificación de textos clásica
Naive Bayes	Supervisado · probabilístico	Aplica el teorema de Bayes suponiendo independencia	Filtros antispam
k-means	No supervisado	Agrupa los datos alrededor de k centros	Segmentar clientes
Análisis de componentes principales	No supervisado	Reduce dimensiones conservando la variación	Visualizar datos complejos
Q-learning	Por refuerzo	Aprende cuánto vale cada acción a base de recompensas	Juegos y robots

2.1.4 · Cómo se entrena y se evalúa un modelo

Paso	Qué se hace	Herramientas o métricas	Error típico
1. Definir el problema	Qué se predice y para qué	Métrica de negocio	Optimizar algo que no importa
2. Reunir datos	Recoger y etiquetar ejemplos	Bases de datos, etiquetado	Datos sesgados o escasos
3. Preparar	Limpiar, normalizar y crear características	pandas, Spark	Fuga de datos del futuro al entrenamiento
4. Dividir	Entrenamiento, validación y prueba (p. ej. 70/15/15)	Validación cruzada	Evaluar con los datos de entrenamiento
5. Entrenar	Minimizar la función de pérdida	Descenso de gradiente	Sobreajuste
6. Ajustar hiperparámetros	Tasa de aprendizaje, profundidad, etc.	Búsqueda en rejilla o bayesiana	Ajustar mirando la prueba final
7. Evaluar	Medir con datos no vistos	Exactitud, precisión, exhaustividad, F1, AUC	Usar la exactitud con clases desequilibradas
8. Desplegar y vigilar	Poner en producción y monitorizar	MLOps	Deriva: los datos reales cambian con el tiempo

Para recordar

La IA actual aprende de ejemplos: sin buenos datos no hay buen modelo.
Lo que se busca es generalizar, no memorizar.
Para datos en tablas, los árboles con boosting siguen siendo difíciles de batir; para imagen, texto y voz manda el deep learning.

La neurona artificial

La neurona artificial, o nodo, es la pieza básica de toda red neuronal: recibe números, los pondera, suma un sesgo y decide una salida. Millones de ellas conectadas por capas forman un modelo de deep learning.

Las partes de la neurona

Parte	Qué hace
Entradas (x)	Los datos que recibe la neurona, por ejemplo tres respuestas sí (1) / no (0).
Pesos (w)	La importancia de cada entrada. Aprender consiste en ajustar estos números.
Suma ponderada (Σ)	Multiplica cada entrada por su peso y suma los resultados. Es el núcleo del perceptrón.
Sesgo (b)	Parámetro extra que desplaza el resultado, como el término independiente de una recta (y = w·x + b).
Activación f(z)	Función que decide la salida. La sigmoide la deja entre 0 y 1; ReLU deja pasar solo los positivos.
Salida (y)	La decisión final. En una red, se convierte en la entrada de las neuronas de la capa siguiente.

Programa tu primera neurona en Python

# 1) Instala NumPy. En la terminal de PyCharm: pip install numpy
#    o en File > Settings > Project > Python Interpreter > + > numpy
import numpy as np

class Neurona:
    def __init__(self, n_entradas=3):
        # Pesos y sesgo iniciales aleatorios: el entrenamiento los ajustará
        self.pesos = np.random.rand(n_entradas)
        self.sesgo = np.random.rand()

    def activacion(self, z):
        # Sigmoide: convierte cualquier número en un valor entre 0 y 1
        return 1 / (1 + np.exp(-z))

    def feedforward(self, entradas):
        # Suma ponderada de las entradas por sus pesos, más el sesgo
        z = np.dot(entradas, self.pesos) + self.sesgo
        return self.activacion(z)

# 2) Tres entradas de tipo sí (1) / no (0)
entradas = np.array([1, 0, 1])
neurona = Neurona()
salida = neurona.feedforward(entradas)

print("Salida de la neurona:", round(float(salida), 3))
print("Decisión:", "Sí" if salida >= 0.5 else "No")

Notas sobre el código

El código original tenía 2 entradas y la versión del esquema, 3. Esta usa 3, como el diagrama.
El original no aplicaba ninguna función de activación: devolvía la suma tal cual. Aquí se usa la sigmoide, que convierte el resultado en una decisión entre 0 y 1.
Los pesos son aleatorios, así que cada ejecución da una salida distinta. Para que la neurona aprenda haría falta entrenarla con ejemplos y retropropagación (backpropagation).

2.2Deep Learning y modelos de lenguajeLección 2 · redes neuronales, Transformer y LLM

Lección 2 · Deep learning y LLM

El deep learning apila capas de neuronas artificiales que aprenden representaciones cada vez más abstractas. El Transformer (2017) llevó esta idea al lenguaje y dio lugar a los grandes modelos de lenguaje (LLM), que aprenden prediciendo el siguiente fragmento de texto.

2.2.1 · Piezas de una red neuronal

Pieza	Qué es	Detalle	Dato útil
Neurona	Suma ponderada de entradas más una activación	salida = f(Σ wᵢ·xᵢ + b)	Es la unidad mínima
Capa densa	Cada neurona conectada con todas las de la capa anterior	Acumula muchos parámetros	Habitual en la parte final
Función de activación	Aporta no linealidad	ReLU, GELU, sigmoide, softmax	Softmax convierte números en probabilidades
Función de pérdida	Mide el error	Entropía cruzada, error cuadrático	Los LLM usan entropía cruzada del siguiente token
Retropropagación	Calcula gradientes con la regla de la cadena	Indica cómo mover cada peso	Base de todo entrenamiento
Optimizador	Actualiza los pesos	SGD, Adam, AdamW	AdamW es el estándar en LLM
Tasa de aprendizaje	Tamaño de cada paso	Calentamiento y descenso progresivo	Clave para que el entrenamiento no se rompa
Regularización	Evita el sobreajuste	Dropout, weight decay, aumento de datos	Mejora la generalización
Normalización	Estabiliza las activaciones	BatchNorm, LayerNorm, RMSNorm	Los LLM usan LayerNorm o RMSNorm
Lote y época	Ejemplos por paso y pasada completa por los datos	Lotes de millones de tokens en LLM	Los LLM ven casi todo su corpus una sola vez

2.2.2 · Arquitecturas clave

Arquitectura	Año	Para qué sirve	Ejemplo
Perceptrón multicapa (MLP)	1986	Datos generales y tablas	Bloque interno de cada Transformer
Red convolucional (CNN)	1998 · 2012	Imágenes	LeNet, AlexNet, ResNet (2015)
Red recurrente y LSTM	1997	Secuencias	Traductor de Google de 2016
Autoencoder variacional (VAE)	2013	Comprimir y generar	Base de Stable Diffusion
Red generativa antagónica (GAN)	2014	Generar imágenes	Caras sintéticas de StyleGAN
Transformer	2017	Lenguaje y casi todo lo demás	GPT, BERT, Claude, Gemini
Vision Transformer (ViT)	2020	Imágenes troceadas en parches	Modelos multimodales
Modelos de difusión	2020	Imagen y vídeo	DALL-E 2, Stable Diffusion, Sora
Mezcla de expertos (MoE)	2017, auge en 2023-2025	Escalar con menos cómputo por token	Mixtral, DeepSeek
Modelos de espacio de estados (Mamba)	2023	Secuencias muy largas con eficiencia	Alternativa o complemento al Transformer

2.2.3 · Cómo funciona un LLM por dentro

Etapa	Qué ocurre	Detalle técnico	Analogía
Tokenización	El texto se trocea en tokens	BPE, vocabularios de 50.000 a 200.000 tokens	Cortar palabras en sílabas
Embeddings	Cada token se convierte en un vector	Miles de dimensiones	Coordenadas del significado
Posición	Se codifica el orden de las palabras	Codificación rotatoria (RoPE)	Numerar las palabras
Autoatención	Cada token mira a todos los anteriores	Consultas, claves y valores; varias cabezas	Subrayar lo relevante
Bloque MLP	Procesa cada token por separado	Guarda buena parte del conocimiento factual	La memoria de datos
Capas apiladas	De decenas a más de cien bloques	Más profundidad, más capacidad	Refinar la idea capa a capa
Salida	Probabilidad de cada posible siguiente token	Muestreo con temperatura y top-p	Elegir la palabra siguiente
Generación	Se repite token a token	La caché KV evita recalcular	Escribir palabra a palabra
Ventana de contexto	Tokens que ve a la vez	De 2.048 en GPT-3 (2020) a un millón o más en 2025-2026	La memoria de trabajo

2.2.4 · Cómo se entrena un LLM

Fase	Datos	Objetivo	Escala o nota
Preentrenamiento	Billones de tokens de web, libros y código	Predecir el siguiente token	Meses en decenas de miles de GPU
Ajuste por instrucciones (SFT)	Miles o millones de pares pregunta-respuesta	Seguir órdenes	Días
RLHF o RLAIF	Comparaciones de respuestas hechas por personas o por IA	Útil, honesto e inofensivo	Usa un modelo de recompensa
DPO	Pares de respuesta preferida y rechazada	Alternativa más sencilla al RLHF	Sin modelo de recompensa aparte
IA constitucional	Una lista de principios escritos	El modelo se autocritica	Técnica de Anthropic
Refuerzo con recompensas verificables	Problemas con solución comprobable: mates y código	Aprender a razonar paso a paso	Base de o1 y DeepSeek R1
Destilación	Respuestas de un modelo grande	Un modelo pequeño y barato que lo imita	Variantes destiladas de DeepSeek R1
Cuantización	Pesos guardados en 8 o 4 bits	Ocupar menos memoria	Permite usar modelos en un portátil

2.2.5 · Leyes de escalado y datos de referencia

Idea	Qué dice	Ejemplo	Matiz
Leyes de escalado (2020)	El error baja de forma predecible con más datos, parámetros y cómputo	Base de la carrera por el tamaño	No predicen capacidades concretas
Chinchilla (2022)	Conviene unos 20 tokens de datos por parámetro	Un modelo de 70B, ~1,4 billones de tokens	Hoy se entrena con muchos más tokens
Capacidades emergentes	Habilidades que aparecen al crecer el modelo	Aritmética, razonamiento en cadena	Debate sobre si son reales o efecto de la métrica
Cómputo en inferencia	Pensar más tiempo al responder también mejora	Modelos de razonamiento desde 2024	Nuevo eje de escalado
Muro de datos	El texto humano de calidad es finito	Uso creciente de datos sintéticos	Riesgo de degradación si se abusa

Para recordar

Un LLM es, en el fondo, un predictor del siguiente token enorme y muy bien entrenado.
La atención permite relacionar cualquier palabra con cualquier otra del contexto.
La capacidad depende de datos, parámetros y cómputo, en entrenamiento y también en inferencia.

El mundo de la IA

Cada círculo contiene al siguiente: toda la IA generativa es deep learning, que es una forma de redes neuronales, que a su vez son machine learning, que es una parte de la inteligencia artificial. Pulsa cualquier término para abrirlo en el glosario.

Conceptos por familias

Los conceptos clave ordenados de lo general a lo concreto: la IA contiene al machine learning, este a las redes neuronales, de ellas sale el deep learning y de él, la IA generativa.

1 Inteligencia artificial⊃2 Machine learning⊃3 Redes neuronales⊃4 Deep learning⊃5 IA generativa

1 · Inteligencia artificial

Concepto	Qué es	Ejemplo
Test de Turing	Prueba en la que un juez conversa por texto con una persona y una máquina y debe adivinar cuál es cuál.	Chatbots que intentan pasar por humanos
Comportamiento emergente	Patrones complejos que surgen de la interacción de piezas simples.	Un enjambre de robots sencillos que cruza un terreno difícil en grupo
Ética de la IA	Estudio de las implicaciones morales y sociales: privacidad, sesgo y transparencia.	Que un sistema de selección de personal no discrimine por raza o género
Reconocimiento de voz	Convierte el habla en texto.	Siri o el asistente de Google
Robótica inteligente	Robots que hacen tareas de forma autónoma gracias a la IA.	Robot aspirador que se orienta solo por la casa
Programación aumentada	Herramientas de IA que ayudan a escribir y depurar código.	GitHub Copilot o Claude Code
Diseño de algoritmos	Definir la secuencia de pasos o reglas que resuelve un problema.	Recomendador de películas de una plataforma de streaming

2 · Machine learning

Concepto	Qué es	Ejemplo
Aprendizaje supervisado	Aprende con datos etiquetados para predecir.	Estimar el precio de una vivienda con ventas pasadas
Aprendizaje no supervisado	Busca patrones en datos sin etiquetar.	Segmentar clientes por su comportamiento de compra
Regresión lineal	Relaciona una variable con otras mediante una recta.	Precio de una casa según tamaño y zona
Regresión logística	Calcula la probabilidad de una clase binaria (0 o 1).	Clasificar correos en spam o no spam
Árboles de decisión	Dividen los datos con preguntas de sí/no.	Decidir si se concede un préstamo
K vecinos más cercanos (KNN)	Clasifica según las k muestras más parecidas.	Distinguir especies de flores por sus pétalos
Máquina de vectores de soporte (SVM)	Busca la frontera que mejor separa las clases.	Detección de spam
K-Means	Agrupa los datos en k grupos alrededor de centroides.	Segmentos de clientes para campañas
Reducción de dimensionalidad	Reduce el número de variables para simplificar el modelo y evitar el sobreajuste.	Comprimir las características de imágenes
PCA (componentes principales)	Técnica de reducción que conserva la mayor varianza posible.	Quedarse con las variables más informativas
Prueba de hipótesis	Método estadístico para decidir si un efecto es real o casual.	Saber si una campaña nueva vende más que la anterior

3 · Redes neuronales

Concepto	Qué es	Ejemplo
Perceptrón	La neurona básica: suma ponderada más función de activación.	Clasificación binaria simple
Feed forward	Red en la que la señal va en un solo sentido, de la entrada a la salida.	Clasificar imágenes sencillas
Deep feed forward	Feed forward con varias capas ocultas.	Reconocer dígitos escritos a mano
Perceptrón multicapa (MLP)	Capa de entrada, capas ocultas y salida, entrenada con retropropagación.	Clasificar las flores Iris
Retropropagación	Ajusta los pesos hacia atrás según el error de la salida.	Entrenar cualquier red profunda
Red de Hopfield	Red recurrente que funciona como memoria asociativa: recupera un patrón entero a partir de una parte.	Completar un dibujo dañado
Máquina de Boltzmann	Red estocástica que aprende una distribución de probabilidad.	Problemas de optimización combinatoria
Deep Belief Network (DBN)	Varias capas ocultas entrenadas sin supervisión, una a una (Hinton, 2006).	Reconocer caracteres manuscritos
Mapas autoorganizados (SOM)	Proyectan datos complejos en un mapa de 2D manteniendo su estructura.	Visualizar patrones de compra
Máquina de estado líquido	Red de neuronas de impulsos conectadas al azar (un «reservorio») que capta dinámicas en el tiempo.	Patrones temporales en señales de audio

4 · Deep learning

Concepto	Qué es	Ejemplo
CNN (red convolucional)	Red con filtros convolucionales, pensada para datos en cuadrícula como las imágenes.	Distinguir perros y gatos en fotos
RNN (red recurrente)	Red con bucles para procesar secuencias.	Predecir la siguiente palabra
LSTM	RNN con memoria a largo plazo que evita el desvanecimiento del gradiente (1997).	Series temporales y voz
Autoencoder	Comprime los datos y los reconstruye, aprendiendo lo esencial.	Quitar ruido a imágenes
Transformer	Arquitectura basada en atención que procesa toda la secuencia en paralelo (2017).	Traducción automática y todos los LLM
GPT	Transformer generativo preentrenado con enormes cantidades de texto.	ChatGPT
BERT	Transformer que entiende el contexto en ambas direcciones (Google, 2018).	Responder preguntas sobre un párrafo
Aprendizaje por refuerzo profundo	Une redes profundas y refuerzo para decidir en entornos complejos.	OpenAI Five en Dota 2, AlphaGo
Época (epoch)	Una pasada completa por todos los datos de entrenamiento.	Entrenar 50 épocas un reconocedor de dígitos

5 · IA generativa

Concepto	Qué es	Ejemplo
LLM (gran modelo de lenguaje)	Modelo entrenado con enormes textos para entender y generar lenguaje.	GPT-6, Claude, Gemini
Modelo fundacional	Modelo preentrenado y general que se adapta a muchas tareas.	Llama o GPT ajustados a un sector
RLHF	Ajuste con valoraciones humanas para que el modelo responda mejor.	Chatbots que aprenden de las correcciones de personas
Transfer learning	Reutilizar un modelo entrenado como punto de partida para otra tarea.	Adaptar un modelo de visión a radiografías
Few-shot learning	Aprender una tarea con muy pocos ejemplos.	Dar 3 ejemplos en el prompt
One-shot learning	Aprender con un único ejemplo.	Reconocer a una persona con una sola foto
QLoRA	Ajuste fino eficiente: comprime el modelo a 4 bits y entrena solo pequeñas matrices añadidas (LoRA).	Personalizar un LLM grande en una sola GPU
GAN y BigGAN	Dos redes que compiten (generador y discriminador). BigGAN genera imágenes de alta calidad.	Imágenes realistas de animales que no existen
IA multimodal	Modelos que entienden y combinan texto, imagen, audio o vídeo.	Buscar fotos con una descripción
Agentes	Programas que perciben su entorno y actúan solos para cumplir un objetivo.	ChatGPT Work o Claude Code
LangChain	Marco de código abierto para construir aplicaciones con LLM: cadenas, agentes y RAG.	Asistente que consulta varias fuentes de datos

2.3IA generativa, RAG y agentesLección 3 · crear contenido y actuar

Lección 3 · IA generativa, RAG y agentes

La IA generativa crea contenido nuevo: texto, imagen, audio, vídeo o código. Para que sea útil en el trabajo real se combina con técnicas de instrucción, con búsqueda en documentos propios (RAG) y con herramientas que le permiten actuar como agente.

2.3.1 · Modalidades generativas

Modalidad	Técnica principal	Modelos de ejemplo	Usos
Texto	LLM autorregresivo	GPT, Claude, Gemini, Llama	Redactar, resumir, traducir
Código	LLM entrenado con código	Codex, Claude Code	Programar, revisar, depurar
Imagen	Difusión latente	Midjourney, DALL-E, Imagen, Stable Diffusion	Diseño, publicidad, ilustración
Vídeo	Difusión con Transformer	Sora, Veo, Runway	Anuncios, cine, redes sociales
Voz	Síntesis neuronal	ElevenLabs	Doblaje, asistentes de voz
Música	Modelos de audio generativo	Suno, Udio	Canciones completas
Mundos y 3D	Modelos del mundo	Genie (DeepMind), Cosmos (NVIDIA)	Videojuegos, simulación, robótica
Multimodal	Un modelo para varios tipos de datos	GPT-4o, Gemini	Ver, oír y hablar a la vez

2.3.2 · Técnicas para sacar partido a un LLM

Técnica	Qué es	Cuándo usarla	Ejemplo
Instrucción directa	Pedir sin dar ejemplos	Tareas sencillas	«Traduce este texto al inglés»
Con ejemplos (few-shot)	Incluir ejemplos en la instrucción	Cuando importa el formato	Tres ejemplos de clasificación
Cadena de pensamiento	Pedir que razone paso a paso	Lógica y matemáticas	«Piensa paso a paso antes de responder»
Instrucción de sistema	Reglas y papel fijos para todo el diálogo	Productos y asistentes	«Eres un asesor fiscal prudente»
Salida estructurada	Forzar JSON o un esquema	Integrar con otro software	Extraer campos de una factura
RAG	Añadir documentos recuperados al contexto	Conocimiento privado o reciente	Chat con los manuales de la empresa
Ajuste fino	Reentrenar con datos propios	Estilo o tarea muy específicos	Clasificador de incidencias
Uso de herramientas	El modelo llama a funciones externas	Datos en tiempo real o cálculos	Consultar el tiempo o una base de datos

2.3.3 · Anatomía de un sistema RAG

Paso	Qué hace	Opciones	Error típico
Ingesta	Cargar PDF, webs y bases de datos	Conectores, reconocimiento de texto (OCR)	Documentos mal escaneados
Troceado	Dividir los textos en fragmentos	Por tamaño fijo, por secciones o semántico	Trozos demasiado grandes o pequeños
Embeddings	Convertir cada trozo en un vector	Modelos de embeddings	Modelo poco adaptado al idioma
Indexado	Guardar los vectores	Pinecone, pgvector, Qdrant	No actualizar el índice
Recuperación	Buscar los trozos más parecidos a la pregunta	Vectorial o híbrida (palabras clave + vectores)	Traer trozos irrelevantes
Reordenado	Ordenar por relevancia real	Modelos de reordenado	Saltarse este paso
Generación	El LLM responde citando las fuentes	Citas obligatorias	Inventar cuando no encuentra nada
Evaluación	Medir fidelidad y relevancia	RAGAS, revisión humana	No medir nada

2.3.4 · Agentes: componentes y niveles de autonomía

Elemento o nivel	Qué hace	Ejemplo	Riesgo
Modelo	Razona y decide el siguiente paso	Claude, GPT, Gemini	Errores de juicio
Herramientas	Le permiten actuar	Buscar, ejecutar código, usar el navegador	Acciones no deseadas
Memoria	Recuerda entre pasos y sesiones	Notas, bases vectoriales	Guardar datos sensibles
Planificación	Divide un objetivo en pasos	Patrones ReAct o planificador-ejecutor	Planes que se desvían
Protocolos	Conectan herramientas de forma estándar	MCP (Anthropic), A2A (Google)	Inyección de instrucciones
Nivel 1 · asistente	Responde y usa alguna herramienta	Chat con búsqueda web	Bajo
Nivel 2 · flujo	Sigue pasos definidos por una persona	Automatización con LangChain	Medio
Nivel 3 · agente	Elige sus propios pasos	Claude Code, Codex	Medio-alto
Nivel 4 · multiagente	Varios agentes coordinados	Orquestador con subagentes	Alto
Nivel 5 · autonomía prolongada	Trabaja horas o días con poca supervisión	Agentes de investigación	Alto: exige control humano

Para recordar

La calidad de la instrucción y del contexto cambia mucho el resultado.
RAG es la forma estándar de dar al modelo información privada o actual.
Un agente es un LLM con herramientas, memoria y un objetivo: cuanta más autonomía, más supervisión hace falta.

2.4Seguridad, regulación y fronteraLección 4 · riesgos, alineamiento, leyes y tendencias

Lección 4 · Seguridad, regulación y frontera

Cuanto más capaces son los modelos, más importa que sean seguros y estén alineados con lo que queremos. Esta lección resume los riesgos, las técnicas para reducirlos, las leyes que los regulan y hacia dónde se mueve la frontera técnica en 2026.

2.4.1 · Riesgos principales

Riesgo	Descripción	Ejemplo	Cómo se mitiga
Alucinaciones	Datos falsos dichos con seguridad	Abogados sancionados por citar sentencias inventadas	RAG, citas y verificación humana
Sesgo y discriminación	Trato injusto a ciertos grupos	Sistemas de selección de personal	Auditorías y datos equilibrados
Privacidad	Exposición de datos personales	Memorización de datos del entrenamiento	Anonimización, privacidad diferencial
Desinformación	Contenido falso a gran escala	Ultrafalsos en campañas electorales	Marcas de agua y detección
Ciberseguridad	Ayuda a atacantes	Phishing automatizado	Filtros y equipos rojos
Inyección de instrucciones	Secuestro de un agente con texto oculto	Una web con órdenes invisibles	Aislar entradas y dar permisos mínimos
Uso dual biológico o químico	Ayuda para crear armas	Instrucciones de síntesis	Evaluaciones específicas y bloqueos
Pérdida de control	Objetivos desalineados	Comportamientos engañosos observados en pruebas de laboratorio	Interpretabilidad y supervisión
Concentración de poder	Pocas empresas controlan la IA	Coste enorme del cómputo	Regulación y modelos abiertos
Impacto laboral	Automatización de tareas	Programación junior, atención al cliente	Formación y políticas públicas

2.4.2 · Técnicas de alineamiento y seguridad

Técnica	Qué hace	Quién la usa	Límite
RLHF	Ajusta el modelo con preferencias humanas	Todos los laboratorios	Puede premiar la complacencia
IA constitucional	Principios escritos guían la autocrítica	Anthropic	Depende de qué principios se elijan
Equipos rojos	Ataques controlados antes del lanzamiento	Todos los laboratorios	No encuentran todos los fallos
Interpretabilidad mecanicista	Analiza neuronas, rasgos y circuitos	Anthropic, Google DeepMind	Todavía parcial
Evaluaciones de capacidades peligrosas	Miden riesgos biológicos, ciber y de autonomía	Laboratorios e institutos de seguridad de IA	Las pruebas son imperfectas
Políticas de escalado responsable	Más salvaguardas a más capacidad	Anthropic (niveles ASL), OpenAI (Preparedness), DeepMind (Frontier Safety Framework)	Son autorregulación
Clasificadores y filtros	Bloquean entradas y salidas peligrosas	Todos los productos	Falsos positivos
Supervisión escalable	Usar IA para vigilar a la IA	Investigación abierta	Aún en desarrollo

2.4.3 · Regulación y gobernanza

Marco	Ámbito	Qué exige	Estado
Reglamento de IA de la UE (AI Act)	Unión Europea	Prohíbe usos inaceptables y regula el alto riesgo y los modelos generales	En vigor desde ago-2024. Con el Ómnibus Digital (jun-2026), el alto riesgo se retrasa a dic-2027 (Anexo III) y ago-2028 (Anexo I)
Código de buenas prácticas para modelos generales	Unión Europea	Transparencia, derechos de autor y seguridad	Publicado en 2025
AESIA	España	Agencia que supervisa la IA, con sede en A Coruña	Operativa
Política federal de EE. UU.	Estados Unidos	Órdenes ejecutivas y planes de acción	Cambia con cada Administración
Controles de exportación	Estados Unidos	Limitan chips y modelos avanzados a ciertos destinos. En jun-2026 obligaron a Anthropic a suspender Fable 5 y Mythos 5 del 12 al 30 de junio	En evolución constante
Cumbres internacionales	Mundial	Bletchley (2023), Seúl (2024), París (2025), Nueva Delhi (2026); la próxima, en Ginebra (2027)	Compromisos voluntarios
Normas de IA generativa	China	Registro de algoritmos y control de contenidos	En vigor desde 2023
ISO/IEC 42001	Mundial	Sistema de gestión de IA certificable	Publicada en 2023

2.4.4 · La frontera técnica en 2026

Tendencia	Qué es	Ejemplos	Por qué importa
Razonamiento en inferencia	Pensar más antes de responder	Serie o de OpenAI, pensamiento extendido de Claude, DeepSeek R1	Mejora mates, ciencia y código
Agentes de larga duración	Tareas de horas con poca ayuda	Claude Code, Codex	Productividad real en empresas
Contextos enormes	Leer repositorios o libros enteros	Gemini, DeepSeek V4 (un millón de tokens)	Menos dependencia del RAG
Multimodalidad nativa	Texto, imagen, audio y vídeo en un mismo modelo	Gemini, GPT	Asistentes de voz y visión
Modelos del mundo	Simular entornos físicos	Genie, Cosmos	Base de la robótica
Robótica con IA	Robots humanoides y generalistas	Atlas, Figure, Optimus	La IA sale de la pantalla
Eficiencia	Más capacidad por euro y por vatio	Mezcla de expertos, destilación, cuantización	IA más barata y local
Saturación de benchmarks	Las pruebas se quedan cortas	MMLU saturado; nacen HLE y ARC-AGI	Hacen falta nuevas formas de medir

Para recordar

Ningún método de seguridad es suficiente por sí solo: se combinan varias capas.
En Europa, el Reglamento de IA clasifica los usos por nivel de riesgo.
La frontera de 2026 se mueve hacia agentes, razonamiento y robótica.

2.5Camino a la AGI 2035Lección 5 · definiciones, niveles, predicciones y retos

Lección 5 · Camino a la AGI

La AGI es la meta declarada de los grandes laboratorios, pero nadie la define igual ni sabe cuándo llegará. Esta lección compara definiciones y predicciones, explica los niveles propuestos por DeepMind y repasa lo que todavía falta. Debajo siguen la cuenta atrás, la saturación de benchmarks, el horizonte de tareas y los escenarios para 2035.

2.5.1 · Qué se entiende por AGI

Fuente	Definición	Criterio	Matiz
OpenAI (carta fundacional)	Sistemas muy autónomos que superan a las personas en la mayor parte del trabajo con valor económico	Económico	Mide trabajo, no inteligencia
Google DeepMind (2023)	Niveles según rendimiento y amplitud de tareas	Rendimiento × generalidad	Ver tabla siguiente
Anthropic (Dario Amodei, 2024)	«IA poderosa» más lista que un premio Nobel en la mayoría de campos	Científico	Evita la palabra AGI
Test de Turing (1950)	Conversación indistinguible de la de un humano	Conversacional	Ya se supera en la práctica
Test del café (Wozniak)	Entrar en una casa desconocida y preparar un café	Físico	Exige robótica
Test del empleo (Nilsson)	Poder hacer la mayoría de trabajos humanos	Económico	Muy exigente

2.5.2 · Los niveles de AGI de Google DeepMind

Nivel	Rendimiento	IA estrecha (ejemplos)	IA general (ejemplos)
0 · Sin IA	—	Calculadora, compilador	Trabajo humano asistido por ordenador
1 · Emergente	Igual o algo mejor que una persona no experta	Sistemas de reglas sencillos	ChatGPT, Gemini, Llama 2 (según el estudio de 2023)
2 · Competente	Mejor que el 50 % de los adultos cualificados	Asistentes de voz, detectores de toxicidad	Aún no alcanzado en 2023
3 · Experto	Mejor que el 90 %	Correctores como Grammarly, generadores de imagen	Aún no alcanzado en 2023
4 · Virtuoso	Mejor que el 99 %	Deep Blue, AlphaGo	Aún no alcanzado en 2023
5 · Sobrehumano	Mejor que el 100 % de las personas	AlphaFold, AlphaZero, Stockfish	Superinteligencia (no alcanzada)

2.5.3 · Predicciones sobre su llegada

Quién	Predicción	Cuándo lo dijo	Nota
Elon Musk (xAI y Tesla)	IA más lista que cualquier persona a finales de 2026, y más que toda la humanidad junta hacia 2031	Enero de 2026 (Davos)	Ha recortado sus plazos varias veces. Fuente: Skynet Countdown y Xataka ◐
Dario Amodei (Anthropic)	«IA poderosa», mejor que los expertos en casi todo, a finales de 2026 o en 2027	2024-2026	Ensayo «Machines of Loving Grace» y entrevistas posteriores
Sam Altman (OpenAI)	AGI en unos dos años; OpenAI se propone tener un investigador de IA automatizado en marzo de 2028	Marzo de 2026	Ve GPT-6 Astra como primer paso. Fuente: Skynet Countdown y La Razón ◐
Jack Clark (cofundador de Anthropic)	Finales de 2028	2026	Hitos definitivos de autonomía y competencia general ◐
Shane Legg (cofundador de DeepMind)	50 % de probabilidad hacia 2028	Desde 2011	Mantiene la misma cifra desde hace más de una década
Jensen Huang (NVIDIA)	IA capaz de superar cualquier examen humano en unos 5 años (≈ 2029)	Marzo de 2024	Depende de cómo se defina la AGI, según él
Ray Kurzweil	IA de nivel humano en 2029 y singularidad en 2045	Desde los años 2000; reiterado en 2026	Predicción mantenida durante décadas
Demis Hassabis (Google DeepMind)	Antes de 2030: «a unos pocos años, quizá menos de una década»	2025-2026	Postura prudente; pide más avances científicos
Metaculus (comunidad de pronóstico)	25 % antes de 2029 y 50 % antes de 2033; una AGI «débil» hacia mediados de 2028	Febrero de 2026	Media de miles de pronosticadores. Fuente: Skynet Countdown ◐
Masayoshi Son (SoftBank)	Superinteligencia (ASI) hacia 2035	2024	Apuesta financiera fuerte por OpenAI y Stargate
Geoffrey Hinton	Superinteligencia en menos de 20 años; entre un 10 y un 20 % de probabilidad de que cause la extinción humana	2023-2026	Tras dejar Google para hablar de riesgos ◐
Yann LeCun	Los LLM actuales no bastan; hacen falta modelos del mundo	2023-2026	Fundó AMI Labs, que captó 1.030 M$ con una valoración de 3.500 M$ (mar-2026) ◐
Gary Marcus	Los LLM no llevarán a la AGI a corto plazo	2023-2026	Apostó públicamente a que no habría AGI en 2027
Andrew Ng	Aún faltan décadas	2024-2025	Considera el término exagerado; prefiere hablar de aplicaciones
Encuesta AI Impacts	50 % de probabilidad de máquinas de nivel humano hacia 2047	Encuesta de 2023	Trece años antes que en la encuesta anterior

2.5.4 · Qué falta para la AGI

Reto	Estado en 2026	Por qué es difícil	Señal de avance
Fiabilidad	Menos alucinaciones, pero siguen	No hay garantías formales	Pruebas de veracidad
Aprendizaje continuo	Los modelos apenas aprenden tras el entrenamiento	Olvido catastrófico	Memoria persistente útil
Tareas largas	Ya se completan tareas de horas	Los errores se acumulan	El horizonte de tareas (METR) se duplica cada pocos meses
Mundo físico	Robótica todavía limitada	Pocos datos y caros	Robots generalistas en fábricas y hogares
Eficiencia	Consumo de energía enorme	Un cerebro humano usa unos 20 W	Más rendimiento por vatio
Alineamiento	Técnicas parciales	Es difícil especificar objetivos	Avances en interpretabilidad
Medición	Los benchmarks se saturan	Medir la generalidad es complicado	Nuevas pruebas como HLE y ARC-AGI

Para recordar

«AGI» no es un interruptor: hay niveles y criterios distintos.
Las fechas que dan los laboratorios son más cortas que las de las encuestas académicas.
Los mayores retos pendientes son fiabilidad, aprendizaje continuo, mundo físico y alineamiento.

Qué significa AGI

AGI (inteligencia artificial general) es un sistema con capacidad igual o superior a la humana en casi cualquier tarea cognitiva: no solo escribir o programar, sino también transferir conocimiento entre ámbitos, planificar a largo plazo y aprender tareas nuevas sin un entrenamiento específico.

La definición parece clara, pero no lo es. Cada laboratorio usa la suya, y por eso las predicciones no se pueden comparar: cuando OpenAI presenta GPT-6 Astra como «el posible inicio de la era AGI» y otro experto dice que faltan años, hablan de cosas distintas. Antes de leer cualquier predicción, la pregunta correcta es: ¿con qué definición?

Las tres preguntas sin respuesta acordada

Pregunta	Una respuesta	La otra	Por qué cambia la fecha
¿Igualar a las personas en qué?	En la media de las tareas	En las más difíciles	Lo primero puede estar cerca; lo segundo, mucho más lejos
¿Con cuánta autonomía?	Siempre con supervisión humana	Totalmente autónoma	Con supervisión, muchos sistemas actuales ya cuentan
¿Cómo se demuestra?	Aprobando benchmarks	Haciendo el trabajo real de un empleado	Los benchmarks se saturan; el valor económico es más exigente

Cómo la define cada uno

Quién	Definición	Fiab.
OpenAI (carta fundacional, 2018)	Sistemas muy autónomos que superan a las personas en la mayor parte del trabajo económicamente valioso	✔
Contrato Microsoft-OpenAI	Según la prensa (2024), sistemas capaces de generar unos 100.000 M$ de beneficios; desde la reestructuración de 2025, la declararía un panel de expertos independiente	◐
Google DeepMind (2023)	Niveles según rendimiento (emergente, competente, experto, virtuoso y sobrehumano) y según generalidad	✔
Anthropic (Dario Amodei, 2024)	Prefiere hablar de «IA poderosa»: más capaz que un premio Nobel en la mayoría de campos y capaz de trabajar días de forma autónoma	✔
Legg y Hutter (2007)	Capacidad de un agente para lograr objetivos en una amplia variedad de entornos	✔

Fuentes: carta de OpenAI, Google DeepMind («Levels of AGI», 2023), Dario Amodei («Machines of Loving Grace»), The Information

Escalera OpenAI

Los 5 niveles de OpenAI · Bloomberg, 11-jul-2024

1 Chatbots

2 Razonadores

3 Agentes

4 Innovadores

5 Organizaciones

Niveles DeepMind

Niveles de AGI de Google DeepMind · Morris et al., arXiv 2311.02462

Combina rendimiento (de 'emergente' a 'sobrehumano') y generalidad (estrecha o general). Propone medir progreso en niveles, no un único salto.

Benchmarks saturados

Una prueba se 'satura' cuando los mejores modelos rozan el 100 % y ya no distingue entre ellos. Obliga a crear pruebas más difíciles.

Prueba	Mejor nota	Estado	Quién / fuente	Fiabilidad
GPQA Diamond	94,5 %	saturada	Claude Mythos Preview Mismas cifras que la tabla de 3.2	◐ Una fuente
ARC-AGI-1	98,5 %	saturada	GPT-6.1 Sol y Claude Opus 5.5 arcprize.org/results	✔ Verificado
ARC-AGI-2	94,2 %	casi saturada	GPT-6.1 Sol (BenchLM: GPT-6 Astra 95) arcprize.org/results; benchlm.ai	✔ Verificado
ARC-AGI-3	62,7 %	CONTRADICHA	GPT-6 Astra según BenchLM ARC Prize publica 96,37 % (GPT-6.1 Sol) y 99,95 %; BenchLM 62,7 %; Crypto Briefing dice que el 98,6 % de Astra no resiste el escrutinio. No se confirma.	? Sin confirmar
Humanity's Last Exam	65 %	abierta	Claude Fable 5.1 benchlm.ai/benchmarks/hle (1-oct-2026). No todas las filas indican si usaron herramientas.	✔ Verificado
FrontierMath T4	97,6 %	a verificar	Sin confirmar Una sola fuente en la investigación previa	? Sin confirmar
AutomationBench	51,3 %	abierta	Máximo citado Una sola fuente en la investigación previa	? Sin confirmar

Cuidado: en ARC-AGI-3 las fuentes se contradicen (62,7 % frente a 96-99 %). Se muestra el valor más bajo, marcado como no confirmado, hasta aclarar el protocolo.

Horizonte de tareas

Duración de las tareas (en horas de trabajo humano) que un modelo completa con un 50 % de éxito. Fuente: METR

Punto medido (una fuente)Proyección: se dobla cada 130,8 díasProyección: se dobla cada 207 días

Ritmo supuesto	Umbral	Se cruzaría en (ilustración)
Ritmo reciente (ajuste 2024-26)	1 mes laboral (≈167 h)	jun 2027
Ritmo reciente (ajuste 2024-26)	1 año laboral (≈2.000 h)	sep 2028
Ritmo más lento	1 mes laboral (≈167 h)	mar 2028
Ritmo más lento	1 año laboral (≈2.000 h)	abr 2030

Límites: METR advierte que por encima de 16 h las medidas no son fiables con su batería actual, y que el horizonte NO significa que la IA trabaje sola ese tiempo ni que automatice empleos. Las líneas discontinuas son una ilustración matemática, no una predicción.

Escenarios 2035

Cuándo prevén la AGI distintas fuentes. Fuente: AIMultiple y AI Impacts.

PersonaMercado o grupo de pronósticoEncuesta a investigadores (verificada)Hueco = una sola fuente

Aviso: Las fechas varían de 2027 a 2047 según quién y cómo se pregunte. 'AGI' no tiene definición única. 2035 es la fecha simbólica de esta web, no un pronóstico.

Por qué discrepan

Motivo	Explicación
Definiciones distintas	Cada uno mide una cosa: igualar a las personas en la media de tareas, en las más difíciles o en trabajo económico real (ver «Qué significa AGI»).
Incentivos distintos	Los líderes de laboratorios captan capital y talento con plazos cortos; los académicos se juegan su reputación en el rigor y suelen ser más prudentes.
Camino técnico en disputa	Unos creen que basta con escalar los LLM; otros, como LeCun, que harán falta arquitecturas nuevas, como los modelos del mundo.

Referencias externas

Seguimiento de terceros, útil para contrastar. Son estimaciones propias de esas webs, no medidas científicas.

Fuente	Qué ofrece	Dato a oct-2026
Skynet Countdown	Recopila predicciones con fuente y calcula un índice diario a partir de noticias de IA	Progreso del 83,76 %; fecha estimada de la AGI: 28-jun-2029 ◐
Metaculus	Mercado de pronósticos con miles de participantes	25 % antes de 2029 y 50 % antes de 2033 ◐
AI Impacts	Encuestas periódicas a investigadores de IA	50 % de máquinas de nivel humano hacia 2047

Ver la cronología de Skynet Countdown

Fuentes: Skynet Countdown (skynetcountdown.com, consultada el 3-oct-2026), Metaculus y AI Impacts

Señales a vigilar

Más útil que una fecha: señales observables de que la IA avanza hacia sistemas generales.

Señal	Qué mide
Transferencia	Resolver tareas de ámbitos nuevos sin entrenamiento específico. Los exámenes y el código ya están saturados; esta es la señal nueva.
Duración de las tareas	Cuánto trabajo humano equivale a la tarea más larga que un sistema completa sin supervisión (horizonte de METR). Sube trimestre a trimestre.
Rentabilidad	Hacer un proceso real de una empresa por menos coste que una persona. Ya ocurre en casos acotados, como la atención al cliente de primer nivel.
Definición operativa	Cuando un laboratorio anuncia un hito, la seriedad se ve en que lo defina con tareas y medidas concretas, no con frases filosóficas.

Predicciones fallidas

El error se repite en las dos direcciones: las fechas fallan porque las extrapolaciones no captan los saltos de arquitectura.

Caso	Qué se predijo	Qué pasó
Traducción automática	En 1954 (experimento Georgetown-IBM) se dio por resuelta en pocos años	Tardó décadas; la traducción neuronal la hizo útil de golpe en 2016-2017
Go	Tras Deep Blue (1997) se pensaba que el Go tardaría décadas	AlphaGo venció a Lee Sedol en 2016, unos diez años antes de lo que esperaban los expertos
Programación	En 2015-2020 se situaba a décadas	Copilot (2021) la volvió cotidiana; en 2025-2026 los modelos programan a nivel profesional en tareas acotadas

Lección: la dirección de una predicción (más capacidad, menos coste, ciclos más rápidos) suele acertar; la fecha hay que leerla como un intervalo, no como una promesa.

Mercado de la AGI 2026-2035

Previsión del tamaño del mercado de la AGI en miles de millones de dólares: de unos 81.000 M$ en 2026 a casi 2,3 billones $ en 2035.

Tamaño en 2026

81.050 M$

≈ 0,08 billones $

Tamaño en 2035

2,29 billones $

2.291.040 M$

Crecimiento anual (CAGR)

45 %

2026-2035

◐ Previsión de una consultora de mercado. Solo 2026 y 2035 son cifras publicadas; los años intermedios (barras con borde discontinuo) se calculan con su crecimiento del 45 % anual. Las previsiones sobre la AGI varían muchísimo según la fuente.

Fuente: Business Research Insights, «Artificial General Intelligence (AGI) Market Size 2035»

AGI y el trabajo

Momento	Qué incluye
Ya funciona	Atención al cliente de primer nivel, administración, documentos y programación asistida, con costes y retorno conocidos.
Está llegando	Agentes con más autonomía y sistemas que coordinan el trabajo de otros sistemas: el paso de chatbot a agente.
Ninguna fecha lo promete	Transferir conocimiento entre ámbitos sin entrenamiento y autonomía total con responsabilidad legal: el núcleo del debate de la AGI.

Consecuencia práctica: una empresa no necesita esperar a la AGI para automatizar; quien automatiza hoy aprovecha mejor lo que venga.

Si la AGI llega antes

¿Y si Altman acierta y llegan sistemas muy capaces a finales de 2026? La preparación es la misma que para la automatización de hoy.

Datos ordenados. Procesos documentados y datos accesibles permiten aplicar cualquier sistema nuevo en semanas.
Saber orquestar. Quien hoy monta automatizaciones con reglas, supervisión y medición sabrá montar sistemas más autónomos mañana.
Cumplimiento. El RGPD y la Ley de IA se aplican igual a los sistemas nuevos; mejor tener ya el registro de datos y las garantías de los proveedores.
Procesos, no herramientas. Una herramienta caduca con la siguiente generación; un proceso bien definido, no.

AGI.2035 · web v.2.18 · actualizada el 06.10.2026Datos con fiabilidad marcada en cada fila👁 Visitas000001(local)