En 2025, un modelo llamado Gemini Deep Think resolvió cinco de los seis problemas de la Olimpíada Internacional de Matemática trabajando en lenguaje natural y dentro del límite de cuatro horas y media.
Obtuvo medalla de oro. Un año antes, otros dos sistemas de DeepMind —AlphaProof y AlphaGeometry 2— habían llegado a la plata, pero necesitaron que expertos tradujeran los problemas a lenguajes formales y días enteros de cómputo.
En otra prueba, el GPT-5.4 acierta la hora de un reloj de agujas apenas la mitad de las veces. Un humano acierta nueve de cada diez.
El AI Index de Stanford, en su novena edición, usa esa contradicción para explicar lo que los investigadores llaman la frontera dentada. La capacidad de estas herramientas no avanza como una marea que sube pareja. Avanza como una sierra: picos altísimos pegados a huecos absurdos. Y ese es el problema para quien va a comprarlas.
Los picos. En SWE-bench Verified, una prueba de programación, el rendimiento pasó en un solo año de equivaler al 60% de la referencia humana a rozar el 100%. Los mejores modelos superan el promedio de expertos humanos en ChemBench, una evaluación de más de 2.700 preguntas de química. En sistemas hospitalarios que adoptaron herramientas para redactar notas clínicas, los médicos reportaron hasta 83% menos tiempo escribiendo.
Los huecos. Los robots resuelven apenas el 12% de las tareas domésticas reales, aunque en simulaciones controladas de manipulación lleguen al 89,4%. Los agentes que operan una computadora saltaron del 12% al 66% de éxito en un año, pero todavía fallan una de cada tres veces. Y cuando deben replicar el análisis de un estudio de astrofísica ya publicado, los mejores modelos no llegan al 20%.
El despliegue de agentes autónomos sigue en un dígito en casi todas las funciones de negocio, aunque el 88% de las organizaciones encuestadas ya use inteligencia artificial en alguna parte, señala el estudio. Las ganancias medidas de productividad —entre 14% y 26%— aparecen en atención al cliente y desarrollo de software, y se debilitan o se dan vuelta en tareas que exigen criterio.
La pregunta para una empresa no es si la herramienta es buena. Es en qué parte exacta de su operación va a fallar, y si puede darse el lujo de ese fallo.
