Científicos proponen una nueva forma de medir la inteligencia de la IA por encima del nivel humano

En julio de 2026, un grupo de investigadores publicó en arXiv un trabajo que propone un nuevo enfoque para medir las capacidades de sistemas de IA que ya superan a los humanos. En lugar de pruebas fijas escritas por personas, los modelos generan retos públicos unos para otros y los resultados se agregan en un ranking psicométrico adversarial.

Qué falla en los benchmarks actuales

La pregunta que da título al trabajo, cómo medir la inteligencia más allá de la escala humana, es cada vez más práctica a medida que los modelos insignia superan a las personas, uno tras otro, en exámenes profesionales, pruebas de programación y olimpiadas científicas. Los benchmarks escritos por humanos se saturan con el tiempo: los modelos alcanzan poco a poco la puntuación máxima o casi máxima, y la prueba deja de distinguir a los sistemas por calidad. Para los modelos que ya superan a los humanos en un área concreta, el problema se agrava: los diseñadores de pruebas (examiners) pueden no saber qué tareas son a la vez lo bastante difíciles y verificables para un sistema de ese nivel.

Los autores sostienen que esta dificultad no es casualidad de unas pruebas concretas, sino consecuencia sistémica del propio enfoque, la evaluación en escala absoluta, en la que el resultado se compara con una referencia humana fija.

Cómo funciona el nuevo enfoque

En lugar de una escala absoluta, los autores proponen un paradigma de medición relativa: los modelos generan retos públicos diseñados para separar a otros sistemas por calidad. Es decir, la prueba no la crea un experto humano, sino un sistema de IA que compite con los demás.

• Los resultados de estos retos se agregan en un sistema de calificación psicométrica adversarial
• Según el planteamiento de los autores, el sistema puede escalar a medida que crecen las capacidades de los sistemas evaluados, de modo que no «choca con el techo» como los benchmarks estáticos
• Los autores describen protocolos prácticos que reducen los incentivos para ataques basados en información privada, es decir, intentos de «espiar» las respuestas o las condiciones de la prueba
• Los protocolos permiten una adjudicación sin juez, es decir, no requieren un modelo árbitro aparte ni a una persona que emita el veredicto
• El marco se ha probado tanto con tareas verificables como con dominios abiertos que no admiten verificación formal

Para qué sirve un sistema de evaluación así

La idea es que la evaluación pueda «seguir funcionando» después de que los sistemas superen la frontera humana en un área concreta. Ahí, los benchmarks escritos por personas ya no distinguen un buen modelo de uno excelente, porque el diseñador humano no puede garantizar que evalúa bien la dificultad y la corrección de una tarea para un sistema sobrehumano.

El desafío técnico central de este enfoque es evitar que los modelos «se confabulen» entre sí o que adapten los retos de forma deshonesta a los puntos débiles de sus competidores. Por eso los autores describen aparte protocolos contra ataques basados en información privada e insisten en una adjudicación sin un juez independiente: cuantos menos puntos del sistema puedan «engañarse» mediante acciones coordinadas de los participantes, más fiable será el ranking final.

Qué significa

El trabajo se inscribe en el debate más amplio sobre el agotamiento (saturation) de los benchmarks de IA actuales: a medida que los modelos superan las pruebas humanas una tras otra, la industria necesita métodos de medición que no dependan de la capacidad de las personas para idear tareas lo bastante difíciles. Que los modelos generen y evalúen retos entre sí es una de las respuestas posibles, aunque su fiabilidad práctica y su resistencia a la manipulación aún deben comprobarse en sistemas reales de uso amplio.