AI 2027 se desplaza hacia 2028-2032 mientras su pronóstico de superinteligencia se enfrenta a la realidad

AI 2027 se enfrenta a una prueba decisiva de su cronograma, pese a la renovada atención de Google News que sugiere que su escenario de superinteligencia sigue, en términos generales, en marcha. El escenario original situaba la programación sobrehumana en 2027 y la superinteligencia artificial hacia finales de 2027 o comienzos de 2028. Los modelos actualizados y los cuellos de botella observados respaldan ahora con mayor comodidad una ventana más amplia de 2028-2032 que aquella secuencia original tan drástica.

Ese cambio no vuelve irrelevante a AI 2027. Cambia lo que los lectores deberían extraer de él. El escenario parece cada vez más útil como mapa de dependencias, no como un calendario fiable de acontecimientos.

El conflicto central se da entre el rápido avance del software y los sistemas más lentos que lo rodean. Los mejores agentes de programación son reales, mientras que los experimentos de investigación, la evaluación fiable, la construcción de centros de datos, el suministro eléctrico y la adopción organizacional siguen operando según ritmos humanos y físicos. Esas limitaciones determinan si los agentes capaces desencadenan una mejora desbocada o simplemente se convierten en mejores herramientas.

El resultado es una imagen más compleja de lo que sugiere el titular de Google News. Las capacidades de IA avanzan, pero la evidencia de que sistemas autónomos puedan gestionar programas de investigación completos sigue siendo limitada. Un retraso de 2027 a 2028-2032 preservaría el mecanismo central del escenario, al tiempo que rechazaría sus supuestos más comprimidos.

Qué cambió realmente en el cronograma de AI 2027

El desarrollo importante no es una fecha confirmada para la superinteligencia. Es la creciente brecha entre el calendario narrativo del escenario y sus pronósticos subyacentes.

El AI Futures Project publicó AI 2027 en abril de 2025 como un escenario detallado, no como una predicción convencional. Su laboratorio líder ficticio, OpenBrain, despliega agentes cada vez más capaces para automatizar la investigación en IA. Esa automatización interna acelera la creación de sistemas aún mejores.

La versión de carrera avanza a través de cuatro hitos principales. Un programador sobrehumano llega en marzo de 2027, seguido por un investigador de IA sobrehumano en agosto. En noviembre aparece un investigador de IA enormemente superior, y en diciembre llega la superinteligencia artificial.

El proyecto define la superinteligencia artificial como un sistema que rinde mucho mejor que los mejores humanos en todas las tareas cognitivas. Eso es mucho más exigente que superar benchmarks, escribir código de producción u operar un navegador sin ayuda.

Incluso la investigación que respalda el proyecto ofrece una imagen menos precisa que su narrativa. Su pronóstico de despegue sitúa la llegada mediana de la superinteligencia artificial en abril de 2028, condicionada a la aparición de un programador sobrehumano en marzo de 2027. Su intervalo de incertidumbre se extiende desde junio de 2027 hasta más allá de 2100.

El mismo pronóstico sitúa noviembre de 2027 como la mediana para un investigador de IA superinteligente. Sin embargo, su intervalo declarado va de mayo de 2027 a 2034. Esos rangos no son matices menores. Muestran que las fechas memorables dependen de juicios profundamente inciertos.

El proyecto también añadió una advertencia en diciembre de 2025. Señala que el pronóstico de despegue se basa en gran medida en el juicio intuitivo, porque la evidencia disponible no permite una extrapolación concluyente. Ese reconocimiento importa más que si un hito se mueve varios meses.

Su modelo de cronograma también cambió. Un enfoque actualizado de horizonte temporal desplazó una estimación mediana de programador sobrehumano de agosto de 2027 a febrero de 2029. Un modelo independiente de benchmarks y brechas pasó de diciembre de 2028 a marzo de 2030.

Estas revisiones no producen un pronóstico oficial para 2028-2032. Sin embargo, sí hacen que ese rango sea una síntesis razonable de las estimaciones actualizadas del proyecto sobre programadores y de su transición esperada de la automatización de programación a una superinteligencia más amplia.

Esa distinción es esencial. Ningún benchmark público ha verificado una cuenta regresiva hacia la superinteligencia. Lo que ha cambiado es el equilibrio de la evidencia en torno al primer hito crucial del escenario.

La historia original trataba a un programador sobrehumano en 2027 como el punto de ignición. Trabajos posteriores otorgan más peso a las capacidades ausentes, los requisitos de fiabilidad y las barreras de integración. Si el encendido se traslada a 2029 o 2030, un modelo de despegue de un año empuja naturalmente los hitos posteriores hacia los primeros años de la década de 2030.

La cobertura de Google News puede hacer que el cambio parezca un simple aplazamiento. Se entiende mejor como un giro desde la precisión narrativa hacia la incertidumbre del pronóstico.

Por qué los agentes de IA siguen sosteniendo el escenario

AI 2027 no ha quedado invalidado porque la tendencia de capacidades que lo motivó sigue siendo visible, especialmente en tareas de software.

El escenario se apoya en gran medida en la idea de un horizonte temporal de IA. Esta métrica estima la duración de una tarea, medida según el tiempo de finalización de un experto humano, que un agente puede completar con una tasa de éxito determinada.

METR, una organización independiente de evaluación de modelos, calcula horizontes temporales del 50 por ciento y del 80 por ciento en un conjunto de tareas de software. Su investigación concluyó que la duración de las tareas que los agentes de frontera podían completar se duplicaba aproximadamente cada siete meses durante varios años.

Esa tendencia ayudó a hacer plausible el pronóstico original de un programador sobrehumano. Si los agentes continúan resolviendo tareas más largas a un ritmo sostenido, terminan pasando de ayudar con fragmentos de trabajo a completar proyectos de ingeniería sustanciales.

Las evaluaciones recientes han reforzado el caso limitado de capacidad. METR informó que los principales agentes públicos evaluados a comienzos de 2026 tenían horizontes medidos superiores a dos días equivalentes de trabajo a tiempo completo en su conjunto actualizado. Algunos sistemas resolvieron tareas iniciales de reimplementación de software que a las personas les llevarían mucho más tiempo.

Esos resultados representan avances significativos. Sugieren que los sistemas de frontera están yendo más allá de funciones aisladas y ejercicios breves de depuración. Pueden sostener cadenas más extensas de razonamiento, uso de herramientas y modificación de código.

Sin embargo, el horizonte temporal no es una cuenta regresiva hacia la investigación autónoma. La propia nota sobre limitaciones de METR advierte que un horizonte medido no equivale al tiempo que una IA puede trabajar de forma independiente. Representa trabajo humano serial sustituible bajo una configuración de evaluación definida.

Una tasa de éxito del 50 por ciento sigue siendo insuficiente para muchos entornos de investigación y producción. Un experimento fallido puede desperdiciar cómputo costoso. Un error sutil de software puede corromper resultados posteriores sin revelarse de inmediato.

La métrica puede mejorar mientras la automatización fiable avanza más lentamente. Las tareas más largas producen fallos más complejos, y esos fallos pueden requerir mayor esfuerzo humano para diagnosticarse. La verificación se vuelve más difícil a medida que los agentes operan sobre bases de código más grandes y flujos de trabajo más extensos.

AI 2027 supone que los laboratorios pueden ejecutar muchas copias de agentes de programación avanzados. El paralelismo permitiría a esos agentes proponer experimentos, modificar sistemas de entrenamiento, analizar resultados y desarrollar a sus sucesores. Ese ciclo de retroalimentación es el motor del escenario.

La evidencia actual respalda partes de ese mecanismo. Los sistemas de programación ya pueden generar pruebas, inspeccionar repositorios, corregir defectos y coordinar herramientas. Cada vez ayudan más a los investigadores a implementar ideas que, de otro modo, consumirían tiempo de ingeniería.

Sin embargo, una organización de investigación hace más que escribir código. Elige preguntas útiles, reconoce resultados engañosos, equilibra objetivos contrapuestos, gestiona infraestructura confidencial y decide cuándo la evidencia es lo bastante sólida como para orientar otra ejecución de entrenamiento.

La diferencia se parece a la brecha entre un excelente programador y un laboratorio de investigación eficaz. Automatizar lo primero no reproduce automáticamente lo segundo.

Por eso una fecha de principios de la década de 2030 puede seguir siendo compatible con un rápido crecimiento de capacidades. Un periodo de preparación más largo da a los laboratorios tiempo para mejorar la fiabilidad, construir sistemas de gestión de agentes, ampliar el cómputo y rediseñar los flujos de trabajo de investigación.

Por tanto, la ventana actualizada no es necesariamente un pronóstico pesimista sobre la IA. Puede describir el mismo mecanismo rápido desarrollándose mediante un mayor número de pasos operativos.

La afirmación de Google News se enfrenta a la limitación física del cómputo

El software puede mejorar con rapidez, pero la infraestructura necesaria para entrenar y ejecutar sistemas de frontera no puede copiarse a la velocidad del software.

El modelo de cómputo de AI 2027 es agresivo incluso antes de que entren en juego sus supuestos sobre investigación automatizada. Proyectaba que el stock global de cómputo relevante para la IA crecería diez veces entre marzo de 2025 y diciembre de 2027.

El pronóstico mide la capacidad en equivalentes de H100, una unidad normalizada basada en el acelerador H100 de Nvidia. Estimaba un aumento de 10 millones de equivalentes de H100 a 100 millones durante ese periodo.

La empresa líder de IA capturaría una proporción creciente de este suministro. AI 2027 proyectaba que la capacidad utilizable de esa empresa aumentaría de aproximadamente 500.000 equivalentes de H100 a finales de 2024 a 20 millones en diciembre de 2027.

Su pronóstico de cómputo también proyectaba 60 gigavatios de demanda global de energía para IA hacia finales de 2027. Asignaba 50 gigavatios a Estados Unidos y 10 gigavatios al laboratorio líder.

Estos son insumos del escenario, no resultados medidos. Los autores describen explícitamente la información pública como escasa e incierta. También afirman que las secciones posteriores dependen en gran medida de la progresión de capacidades asumida por el escenario.

La energía ya se está convirtiendo en una limitación vinculante. La nueva generación, las líneas de transmisión, las subestaciones, los transformadores, los sistemas de refrigeración y las salas de datos requieren permisos y construcción. El trabajo sigue procesos regionales de planificación que las mejoras de software no pueden comprimir al mismo ritmo.

Gartner estimó anteriormente que la escasez de energía restringiría al 40 por ciento de los centros de datos de IA para 2027. Su pronóstico energético describía la disponibilidad de electricidad como una limitación seria para las nuevas instalaciones.

RAND exploró una trayectoria igualmente exigente. Su análisis estimó que los centros de datos de IA requerirían 68 gigavatios a nivel global para 2027 si continuaba el crecimiento exponencial del suministro de chips. Ese total se acercaba al doble del requerimiento energético global de centros de datos registrado para 2022.

Estas estimaciones validan en términos generales la preocupación de AI 2027 por la concentración de cómputo. No validan la afirmación de que más cómputo generará investigadores sobrehumanos según un calendario fijo.

La disponibilidad de hardware y la eficiencia algorítmica son variables independientes. Un laboratorio puede poseer muchos aceleradores sin conocer el método de entrenamiento correcto para un sistema de investigación ampliamente superior. A la inversa, un avance algorítmico puede reducir el hardware necesario para una capacidad determinada.

El escenario supone avances en ambas dimensiones. La producción de chips se expande mientras investigadores automatizados descubren mejoras de eficiencia. La combinación permite a una empresa líder ejecutar enormes poblaciones de trabajadores de IA a velocidades aceleradas.

Ese mecanismo crea un problema de financiación y despliegue. La organización debe distribuir capacidad entre entrenamiento, inferencia, datos sintéticos, productos para clientes y experimentos internos. Cada acelerador asignado a un ciclo de investigación especulativo deja de estar disponible para cargas de trabajo generadoras de ingresos.

AI 2027 proyectaba que solo entre el 5 y el 10 por ciento de la capacidad de la empresa líder ejecutaría agentes de IA directamente. Asignaba el 20 por ciento a datos sintéticos y el 35 por ciento a experimentos de investigación. Esa distribución representaría un importante compromiso estratégico con la automatización interna.

No hay garantía de que un laboratorio comercial vaya a tomar esa decisión. La demanda de los clientes, la presión competitiva, las pruebas de seguridad y las expectativas de los inversores influyen en la asignación de capacidad.

Aquí es donde el encuadre de Google News se vuelve demasiado simple. Seguir la construcción de centros de datos no revela si los laboratorios se acercan a una explosión de inteligencia. Muestra que las empresas esperan que la demanda de IA y el desarrollo de capacidades justifiquen compromisos de infraestructura inmensos.

El despliegue eleva el techo para los sistemas futuros. No indica cuándo los laboratorios encontrarán los algoritmos, métodos de evaluación o agentes fiables necesarios para alcanzar ese techo.

La verdadera contienda es automatización frente a fricción de investigación

El principal adversario en esta historia no es una empresa de IA contra otra. Es el progreso automatizado del software frente a la persistente fricción de la investigación en el mundo real.

La previsión de despegue de AI 2027 plantea con qué rapidez un programador sobrehumano conduciría a un investigador de IA sobrehumano. La diferencia parece modesta, pero concentra gran parte de la incertidumbre de la previsión.

Un programador puede implementar un cambio especificado. Un investigador debe decidir qué cambio merece la pena implementar. Eso exige criterio ante evidencia incompleta, intuición científica y comprensión de cómo encajan los experimentos anteriores.

El escenario supone que un programador sobrehumano puede acelerar el trabajo de software unas 100 veces en condiciones favorables. Sin embargo, los autores no esperan que el proceso general de investigación se vuelva 100 veces más rápido.

Los experimentos aún deben ejecutarse. Los equipos tienen que debatir resultados, comparar hipótesis, diagnosticar comportamientos inesperados y elegir la siguiente intervención. Las colas de cómputo y los fallos de hardware añaden más retrasos.

Esto es una aplicación de la ley de Amdahl, que limita la aceleración total cuando solo una parte de un proceso se vuelve más rápida. Si la programación consume una fracción cada vez menor del ciclo de investigación, acelerarla acaba produciendo rendimientos decrecientes.

AI 2027 sostiene que los agentes posteriores automatizarán una mayor parte del ciclo. Un investigador de IA sobrehumano diseñaría experimentos e interpretaría sus resultados, eliminando los cuellos de botella que limitan a un agente dedicado solo a programar.

Esa transición es precisamente lo que no se ha demostrado. Las evaluaciones públicas se centran mucho en tareas de software porque son más fáciles de especificar, repetir y puntuar. El juicio científico abierto es mucho más difícil de evaluar.

FutureSearch, que contribuyó trabajo de previsión al proyecto original, destacó esta brecha. Su crítica de la previsión señala que los experimentos del mundo real pueden tardar semanas, meses o años. El contexto organizativo y las compensaciones complejas pueden ralentizar aún más la automatización.

FutureSearch también cuestionó si los incentivos comerciales respaldarían la asignación de recursos del escenario. Los laboratorios de frontera suelen perseguir productos, adopción por parte de clientes e ingresos junto con investigación a largo plazo. La mejora recursiva interna compite con esos objetivos.

El desacuerdo no es entre progreso y estancamiento. Ambas partes aceptan que los agentes de programación mejorarán y que los laboratorios los desplegarán de forma más amplia.

Discrepan sobre la eficiencia de conversión. AI 2027 atribuye grandes aumentos de velocidad de investigación a agentes cada vez más capaces. Sus críticos esperan que los experimentos, el contexto, la gestión y la fiabilidad absorban una mayor parte de esas ganancias.

Una ventana de 2028-2032 da implícitamente más peso al lado de la fricción sin abandonar la automatización. Los agentes de programación pueden mejorar mucho durante ese periodo. Los laboratorios pueden integrarlos en desarrollo, evaluación y operaciones.

Los efectos prácticos aparecerían antes de la superinteligencia artificial. Los equipos de software delegarían proyectos más grandes. Los laboratorios de IA realizarían más experimentos por investigador. Los ciclos de producto se acortarían, mientras aumentaría la demanda de evaluación y supervisión.

Los trabajadores del conocimiento también se enfrentarían a un nuevo problema de información. Más investigación generada por agentes significa más informes, registros de experimentos, cambios de código y conclusiones contradictorias. Los equipos necesitarán una fiable base de conocimiento con búsqueda para preservar el contexto y auditar decisiones.

Ese requisito organizativo mundano importa. Un agente de IA que no puede acceder al historial interno correcto puede repetir experimentos fallidos u optimizar según supuestos obsoletos. La gestión del contexto se convierte en parte del rendimiento de la investigación.

Por tanto, la interpretación de principios de la década de 2030 se apoya en una secuencia plausible. Primero, los agentes automatizan trabajo de programación acotado; después, participan en proyectos más largos; y finalmente, abordan decisiones de investigación más amplias bajo supervisión.

Cada transición requiere más que una puntuación de referencia más alta. Requiere confianza, integración, seguridad y evidencia de que los errores siguen siendo detectables.

Lo que la previsión de 2028-2032 todavía no puede demostrar

Mover la fecha no resuelve la incertidumbre central del modelo, porque la velocidad de despegue sigue condicionada a un hito que nadie ha alcanzado.

El intervalo 2028-2032 puede parecer más creíble que finales de 2027 porque permite más tiempo para el progreso. Una ventana más amplia y posterior sigue sin ser evidencia directa.

Las previsiones a menudo preservan su afirmación central desplazando la fecha tras no cumplir hitos previstos. Esa flexibilidad puede dificultar la falsación de una teoría. Por ello, los lectores deberían juzgar AI 2027 mediante predicciones intermedias observables.

La primera es una programación sobrehumana fiable en todo el trabajo realizado dentro de un laboratorio de frontera. Esto exige más que completar tareas de referencia. Un sistema debe manejar repositorios desconocidos, objetivos ambiguos, restricciones de seguridad y requisitos cambiantes.

También debe superar a los mejores ingenieros mientras opera con suficiente rapidez y bajo coste como para ejecutar muchas copias. Esas condiciones económicas y de fiabilidad forman parte de la definición del proyecto.

La segunda predicción se refiere a la aceleración de la investigación. Los laboratorios deberían informar o demostrar que el uso de agentes acorta de forma medible el ciclo desde la hipótesis hasta el resultado validado. Generar más código por sí solo no cumpliría ese estándar.

La tercera se refiere a las ganancias recursivas. La investigación asistida por IA debe producir mejores sistemas de IA, que a su vez mejoren aún más el proceso de investigación. Las mejoras ordinarias de productividad no demuestran una explosión de inteligencia.

La medición plantea otra dificultad. Los laboratorios de frontera pueden mantener privados sus mejores sistemas internos. Los modelos públicos podrían ir por detrás de la capacidad interna, mientras que las preocupaciones de seguridad pueden limitar la divulgación.

También existe el riesgo contrario. Las empresas tienen incentivos para presentar a los agentes como más autónomos de lo que son. Las demostraciones cuidadosamente seleccionadas pueden ocultar preparación humana, reintentos, diseño de tareas limitado o una verificación extensa.

Las pruebas de referencia públicas pueden volverse menos informativas a medida que los desarrolladores optimizan para ellas. El éxito puede reflejar familiaridad con patrones de evaluación, en lugar de una capacidad general para realizar investigación.

La cautela de METR es especialmente relevante aquí. Sus investigadores subrayan que duplicar un horizonte temporal no duplica la cantidad de automatización económicamente útil. Los requisitos de fiabilidad y verificación varían según las tareas.

La comunidad experta en general también está mucho menos concentrada en torno a 2028. Una encuesta a 2.778 investigadores de IA otorgó a máquinas sin asistencia una probabilidad del 10 por ciento de superar a los humanos en todas las tareas para 2027. Su fecha mediana para una probabilidad del 50 por ciento fue 2047.

Esa encuesta de expertos no refuta AI 2027. La agregación de previsiones puede pasar por alto cambios rápidos, y muchos encuestados quizá carezcan de experiencia especializada en previsión. El resultado sí muestra que el escenario representa una región agresiva dentro de una distribución mucho más amplia.

Las definiciones añaden confusión adicional. La inteligencia artificial general, la inteligencia artificial de alto nivel, la programación sobrehumana y la superinteligencia artificial describen umbrales diferentes. Un sistema puede superar a los humanos en muchas tareas económicamente útiles sin llegar a ser mejor en toda actividad cognitiva.

Los titulares con frecuencia reducen esas distinciones. Eso hace que una historia sea más fácil de compartir, pero más difícil de evaluar. Una afirmación de que AI 2027 va por buen camino podría referirse al progreso de los agentes de programación, al gasto en infraestructura o a las mejoras en pruebas de referencia de modelos.

Ninguna de esas observaciones confirma de forma independiente toda la secuencia. Respaldan premisas seleccionadas del escenario.

Por tanto, la conclusión escéptica es precisa. La evidencia respalda mejoras rápidas continuas en las capacidades de software de IA. Todavía no respalda una fecha específica de 2028-2032 para la superinteligencia artificial.

Tres señales que decidirán si AI 2027 va por buen camino

El próximo juicio debería depender de cambios medibles en el trabajo autónomo, la aceleración de la investigación y el uso de infraestructura, no de otra afirmación dramática basada en el calendario.

La primera señal es un salto verificado en horizontes temporales fiables de los agentes. Los evaluadores deberían demostrar que los sistemas de frontera completan proyectos de software de varios días en tareas diversas y resistentes a la contaminación.

La fiabilidad importa tanto como la duración. Resultados cercanos a los requisitos de producción reforzarían el argumento a favor de un programador sobrehumano. Horizontes más largos acompañados de fallos ocultos frecuentes lo debilitarían.

La replicación independiente será esencial. Las demostraciones de laboratorio no pueden sustituir las pruebas externas, porque los evaluadores necesitan acceso a tasas de fallo, intervención humana, presupuestos de inferencia y políticas de reintento.

La segunda señal es evidencia de automatización integral de la investigación en IA. Un laboratorio de frontera tendría que demostrar que los agentes proponen hipótesis, implementan experimentos, interpretan resultados y seleccionan trabajo de seguimiento productivo.

La evidencia más sólida sería un aumento medible del progreso algorítmico por investigador humano. Un nuevo modelo creado principalmente mediante investigación dirigida por agentes reforzaría de forma sustancial el mecanismo de AI 2027.

Un gran volumen de experimentos generados sería menos convincente. La cuestión relevante es si los agentes identifican mejores direcciones de investigación, no si consumen más cómputo.

Observe cómo describen los laboratorios sus despliegues internos. Las afirmaciones sobre miles de agentes de programación merecen escrutinio si los humanos siguen definiendo cada tarea y verificando cada decisión relevante.

La tercera señal es cómo las empresas asignan el nuevo cómputo. AI 2027 espera que los principales laboratorios concentren una capacidad sustancial en datos sintéticos, agentes internos y experimentos de investigación dirigidos por IA.

La expansión pública de centros de datos por sí sola es insuficiente. La previsión se fortalece si las empresas trasladan explícitamente capacidad de la inferencia para clientes hacia la automatización interna de la investigación.

Se debilita si la mayor parte del nuevo hardware respalda la demanda convencional de nube, productos de consumo y el entrenamiento incremental de modelos. Esos usos pueden sostener un auge de la IA sin producir una auto-mejora recursiva.

La disponibilidad eléctrica también establece un límite práctico. Los retrasos en las conexiones a la red o el despliegue de aceleradores retrasarían el escenario, incluso si los algoritmos siguen mejorando. Ganancias de eficiencia más rápidas podrían reducir esa presión.

Los lectores que siguen Google News deberían tratar 2028-2032 como una ventana de observación, no como una cita. El intervalo de fechas combina estimaciones de hitos actualizadas con un modelo de despegue incierto. No ha sido verificado de forma independiente.

La pregunta útil ya no es si cada escena de AI 2027 llega a tiempo. Es si la programación autónoma se convierte en investigación autónoma antes de que las restricciones físicas, económicas y organizativas absorban las ganancias.

Siga esas tres señales durante los próximos meses: agentes de varios días probados de forma independiente, aceleración de investigación documentada y cómputo dedicado a la mejora recursiva. Si las tres avanzan juntas, se fortalece el caso para principios de la década de 2030. Si solo aumentan las pruebas de referencia y el gasto en centros de datos, el famoso despegue seguirá siendo un escenario convincente en lugar de una trayectoria observada.