La Puntuación No Es Lo Que Crees

En julio de 2025, el modelo Gemini Deep Think de Google DeepMind se sentó — metafóricamente — a intentar la Olimpiada Internacional de Matemáticas. Respondió los seis problemas en lenguaje natural dentro del límite de tiempo de 4.5 horas y obtuvo 35 puntos: equivalente a una medalla de oro. Un año antes, el mismo benchmark había producido una medalla de plata. Los medallistas de oro humanos típicamente puntúan entre 35 y 42 puntos.

Ese titular tiende a leerse como un veredicto: la IA nos ha vencido. Caso cerrado.

Pero el Índice de IA de Stanford 2026, publicado en abril de este año, cuenta una historia más complicada. Los mismos sistemas que dominan la IMO leen relojes analógicos correctamente solo el 50.1% del tiempo. El informe llama a esto una "frontera dentada" — y es el resumen más honesto de dónde están las cosas realmente.

Aquí hay un desglose dominio por dominio, utilizando datos de benchmark verificados, de dónde la IA ahora lidera a los humanos, dónde los humanos aún tienen ventaja, y qué significa todo esto para las habilidades cognitivas que entrenas en plataformas como AIHumanBench.

Donde la IA Ha Superado Claramente el Rendimiento Humano

Matemáticas

El oro de la IMO es solo un punto de datos. En AIME 2025 — la competencia de matemáticas de escuela secundaria americana que selecciona candidatos para el equipo olímpico de EE.UU. — GPT-5.2 (lanzado el 11 de diciembre de 2025) logró una puntuación perfecta del 100%. El competidor humano mediano responde aproximadamente 4 a 6 de los 15 problemas. La IA ya no compite en el nivel mediano; opera cerca del techo del rendimiento de expertos humanos en tareas matemáticas estructuradas.

GPT-5.2 también obtuvo un 40.3% en FrontierMath, un benchmark construido con problemas no publicados de nivel de investigación que incluso los matemáticos profesionales encuentran extremadamente difíciles. Ese número parece modesto en aislamiento, pero representa un salto desde casi cero hace apenas dos años.

Programación e Ingeniería de Software

En SWE-bench Verified — que pide a los modelos resolver problemas reales de GitHub en bases de código reales — el rendimiento aumentó de aproximadamente 60% a casi 100% durante el transcurso de 2025, según el Índice de IA de Stanford 2026. Los agentes de GPT-4o resolvieron el 67% de los problemas reales de GitHub en condiciones cronometradas, en comparación con el 22% de los desarrolladores humanos que trabajan bajo las mismas restricciones.

La advertencia importa: en tareas cortas y bien definidas con un presupuesto de dos horas, la IA superior puntúa aproximadamente cuatro veces más alto que los expertos humanos. Pero en horizontes de 32 horas — tareas que requieren juicio sostenido, adaptación y creatividad — los humanos superan a la IA por un margen de 2 a 1. La ventaja de programación de la IA está concentrada en velocidad y precisión en problemas acotados, no en juicio de ingeniería de extremo abierto.

Memoria de Trabajo

Un estudio de 2024 (arXiv: 2410.07391) comparó modelos de lenguaje frontera contra datos normativos humanos en tareas estándar de memoria de trabajo. El resultado: la mayoría de los modelos top se desempeñan en o por encima del percentil 99.5 de la población humana. En el tipo de tareas de amplitud de dígitos y n-back que encontrarás en la prueba de memoria de trabajo de AIHumanBench, la IA ha efectivamente saturado el extremo superior de la distribución del rendimiento humano.

Esto no significa que la IA "piense" como lo hacen los humanos — significa que las tareas computacionales específicas que las pruebas de memoria de trabajo fueron diseñadas para medir son aquellas que la IA maneja con facilidad. La arquitectura es diferente; la puntuación no lo es.

Comprensión Lectora y Comprensión del Lenguaje

La IA superó el rendimiento humano promedio en GLUE y SuperGLUE (benchmarks estandarizados del idioma inglés) ya en 2019–2021. En 2026, la brecha en el nivel humano promedio es tan grande que ha dejado de ser una comparación significativa. La frontera se ha movido hacia objetivos más difíciles: razonamiento científico de nivel doctoral, aprendizaje novedoso en contexto, y tareas que requieren comprensión genuina en lugar de coincidencia de patrones.

Donde los Humanos Aún Lideran

Razonamiento Multimodal del Mundo Real

En MMMU — un benchmark que prueba la comprensión multimodal en disciplinas de nivel universitario usando imágenes reales, gráficos y diagramas — el o1 de OpenAI obtuvo un 78.2% frente a una línea base humana de aproximadamente 83%. Este es el único dominio estandarizado importante donde la IA aún no ha alcanzado, y apunta a un patrón más amplio: la IA lucha cuando la tarea requiere integrar el sentido común físico con el razonamiento abstracto.

El ejemplo del reloj analógico del informe de Stanford es ilustrativo. Una tasa de precisión del 50.1% en la lectura de relojes analógicos — una tarea que cualquier niño de ocho años maneja automáticamente — revela que las impresionantes puntuaciones de benchmark de la IA pueden coexistir con brechas sorprendentes en la percepción encarnada del mundo real.

Tareas Complejas de Largo Horizonte

Los datos de RE-Bench ya citados arriba cuentan esta historia claramente: en horizontes de tareas de 32 horas, los expertos humanos superan a la IA 2 a 1. Cuanto más larga y abierta es la tarea, más entran en juego las ventajas humanas en juicio sostenido, adaptación contextual y enmarcamiento creativo de problemas.

Este hallazgo tiene implicaciones directas para cómo se usan las herramientas de IA de manera más productiva. Sobresalen como aceleradores para sub-tareas acotadas, no como reemplazos autónomos del juicio humano en proyectos extendidos e inciertos.

Creatividad Genuina y Razonamiento Novedoso

ARC-AGI — un benchmark diseñado específicamente para resistir la memorización y probar el verdadero razonamiento novedoso — ha sido un desafío persistente para la IA. Se informó que GPT-5.2 estaba entre los primeros modelos en superar el 90% en ARC-AGI-1. GPT-5.5, lanzado el 23 de abril de 2026, alcanzó el 85% en el más difícil ARC-AGI-2. Estos son números notables, pero el benchmark fue diseñado para aproximar el tipo de razonamiento fluido y transferible que define la inteligencia general humana. El hecho de que los modelos frontera solo ahora estén acercándose — en una prueba cuidadosamente controlada, no en la resolución de problemas del mundo real sin restricciones — sigue siendo significativo.

Un estudio de enero de 2026 que involucró a más de 100,000 participantes encontró que mientras los sistemas de IA superan a los humanos promedio en tareas de asociación divergente, el 10% superior de los pensadores creativos humanos aún produce resultados más ricos y sorprendentes en trabajo creativo de extremo abierto — poesía, narrativa, generación de ideas entre dominios.

Inteligencia Social y Emocional

Ningún modelo frontera ha demostrado una teoría de la mente confiable, una lectura matizada de las dinámicas interpersonales, o una respuesta emocional genuina en contextos del mundo real no estructurados. La IA se desempeña bien en benchmarks estandarizados de reconocimiento de emociones, pero mal cuando la tarea requiere integrar señales emocionales con contexto social en situaciones novedosas — exactamente el tipo de tarea que sondea la prueba de Reconocimiento de Emociones de AIHumanBench.

Lo Que Esto Significa para las Pruebas que Realizas

Los benchmarks anteriores son útiles para entender el panorama amplio, pero no son lo mismo que las habilidades cognitivas que ejercitas en AIHumanBench. Seamos precisos sobre lo que los datos dicen y no dicen sobre cada categoría de prueba.

Tiempo de Reacción: La inferencia de IA es arquitectónicamente más rápida que el procesamiento neural humano — milisegundos frente a 200–250ms de tiempo de respuesta humano promedio. Pero el "tiempo de reacción" de la IA depende enteramente del hardware y la latencia de red. En pruebas de software controladas, la IA gana. Tu puntuación de tiempo de reacción refleja algo real sobre tu sistema nervioso que ningún benchmark puede replicar.

Memoria de Trabajo: La IA prueba en el percentil 99.5+ humano en tareas estándar. Pero la memoria de trabajo en el sentido humano es un sistema de capacidad limitada que interactúa dinámicamente con la atención, la emoción y la memoria a largo plazo. Tu puntuación de memoria de trabajo en AIHumanBench refleja una capacidad cognitiva genuina que importa para aprender, razonar bajo presión y el rendimiento diario — independientemente de lo que la IA pueda o no pueda hacer.

Reconocimiento de Patrones y Razonamiento Abstracto: Estas son áreas donde la IA es fuerte y se vuelve más fuerte. Pero las pruebas de AIHumanBench en esta categoría están calibradas contra las normas de la población humana, lo que significa que tu puntuación te dice dónde estás en relación con otros humanos — una comparación que sigue siendo completamente significativa independientemente del rendimiento de la IA.

Creatividad y Fluidez Verbal: Ventaja humana. La investigación es clara en que el rendimiento creativo humano del decil superior sigue por delante de la IA en tareas de extremo abierto. Estas son habilidades que vale la pena desarrollar.

El Resumen Honesto

La IA ha logrado matemáticas de medalla de oro, programación casi perfecta en tareas acotadas, y rendimiento de memoria de trabajo que satura la escala humana. Lo ha hecho más rápido de lo que casi nadie predijo hace cinco años.

También lee relojes analógicos correctamente la mitad del tiempo y pierde ante expertos humanos en tareas que se extienden más allá de unas pocas horas.

El encuadre de "frontera dentada" del Índice de IA de Stanford 2026 es correcto. Esta no es una historia de superioridad uniforme de la IA ni de excepcionalismo humano manteniéndose firme en todos los ámbitos. Es una historia de capacidades que son genuina y específicamente desiguales — y esa desigualdad es precisamente por qué entender tu propio perfil cognitivo sigue importando.

Saber dónde eres fuerte, dónde tienes espacio para crecer, y cómo tu rendimiento se compara con las normas de la población es información valiosa. Eso es lo que las pruebas cognitivas te dan — y seguirá siendo valioso independientemente de lo que diga cualquier benchmark de IA el próximo trimestre.