Los científicos propusieron una nueva forma de medir la inteligencia de IA por encima del nivel humano

Un grupo de investigadores en julio de 2026 publicó un trabajo en arXiv proponiendo un nuevo enfoque para medir las capacidades de sistemas de IA que ya superan a los humanos: en lugar de pruebas fijas escritas por humanos, los modelos mismos generan ensayos públicos entre sí, y los resultados se agregan en una calificación psicométrica competitiva.

Cuál es el Problema Con los Puntos de Referencia Existentes

La pregunta planteada en el título del trabajo — "cómo medir la inteligencia más allá de la escala humana" — se vuelve cada vez más práctica a medida que los modelos insignia uno tras otro superan a los humanos en exámenes profesionales, pruebas de programación y olimpiadas científicas. Los puntos de referencia escritos por humanos se saturan con el tiempo (saturate) — los modelos gradualmente acumulan puntuaciones máximas o cercanas a máximas en ellos, y la prueba cesa de distinguir sistemas por calidad. Para modelos que ya superan a humanos en un área particular, el problema empeora: los creadores de pruebas (examinadores) simplemente pueden no saber qué tareas son simultáneamente suficientemente difíciles y verificables (verifiable) para un sistema de ese nivel.

Los autores argumentan que esta dificultad — no una ocurrencia fortuita de pruebas específicas, sino una consecuencia sistémica del enfoque de evaluación en una escala absoluta (absolute-scale evaluation), cuando el resultado se compara contra un estándar humano fijo.

Cómo Funciona el Nuevo Enfoque

En lugar de una escala absoluta, los autores proponen un paradigma de medición relativa (relative measurement): los modelos mismos generan ensayos públicos (public challenges) diseñados para separar otros sistemas por calidad — es decir, la prueba es creada no por un experto humano, sino por el sistema de IA mismo compitiendo con otros.

• Los resultados de tales ensayos se agregan en un sistema de calificación psicométrica competitiva (adversarial psychometric rating system)
• Tal sistema, según el diseño de los autores, es capaz de escalar junto con el crecimiento de las capacidades de los sistemas evaluados — es decir, no "golpea el techo" como puntos de referencia estáticos
• Los autores describen protocolos prácticos que reducen incentivos para ataques basados en información privada (private-information attacks) — es decir, intentos de "espiar" respuestas o condiciones de prueba
• Los protocolos soportan adjudicación sin la participación de un juez (judge-free), es decir, no requieren un modelo-árbitro separado o humano para emitir un veredicto
• El marco se prueba tanto en tareas verificables como en dominios abiertos, no sujetos a verificación formal (open-ended non-verifiable)

Por Qué Se Necesita Tal Sistema de Evaluación

La idea es que la evaluación pudiera "seguir funcionando" incluso después de que los sistemas superen el nivel humano (human frontier) en un área particular — donde los puntos de referencia escritos por humanos ya son incapaces de distinguir un modelo bueno de uno excelente, porque el creador de la prueba mismo no puede garantizar evaluar la complejidad y corrección de una tarea para un sistema sobrehumano.

El desafío clave de ingeniería de tal enfoque es prevenir que los modelos "se confabulen" entre sí o adapten pruebas a las debilidades de competidores de formas injustas. Es precisamente por eso que los autores describen por separado protocolos contra ataques basados en información privada e insisten en adjudicación sin un juez separado: cuantos menos puntos en el sistema que pueden ser "engañados" por acciones coordinadas de participantes de evaluación, más confiable es la calificación resultante.

Qué Significa Esto

El trabajo se ajusta a una discusión más amplia sobre la saturación de puntos de referencia de IA existentes: a medida que los modelos superan pruebas humanas una tras otra, la industria necesita métodos de medición que no dependan de la capacidad de los humanos de idear tareas suficientemente complejas. Un enfoque donde los modelos mismos generan y evalúan ensayos entre sí es una posible respuesta a este desafío, aunque su confiabilidad práctica y resistencia a la manipulación aún necesitan ser probadas en sistemas reales y ampliamente utilizados.

Preguntas Frecuentes

¿Cuál es la

Idea Central Detrás del Nuevo Enfoque de Punto de Referencia?

En lugar de usar pruebas fijas escritas por humanos, los modelos mismos generan desafíos públicos entre sí y se clasifican en un sistema de calificación psicométrica competitiva. Esto permite medición continua incluso a medida que los modelos superan los niveles de desempeño humano.

¿Cómo Maneja Este Enfoque el Problema de Saturación?

Al tener modelos que generan pruebas dinámicamente basadas en competir con otros sistemas, el enfoque escala intrínsecamente con la capacidad de los sistemas evaluados. A medida que los modelos se vuelven más fuertes, se generan naturalmente pruebas más desafiantes, previniendo el problema del "techo" de puntos de referencia estáticos.

¿Qué

Salvaguardas Previenen que los Modelos Jueguen el Sistema?

Los autores describen protocolos contra ataques de información privada y soportan adjudicación sin juez, minimizando puntos de manipulación en el sistema de calificación y asegurando la confiabilidad de la clasificación final.