Cronología del desarrollo de la IA

Kurt Gödel publicó sus teoremas de incompletitud, demostrando que cualquier sistema formal lo suficientemente potente contiene proposiciones que no pueden probarse ni refutarse dentro del propio sistema. Este descubrimiento no sólo conmocionó a la comunidad matemática, sino que también tuvo profundas implicaciones para la teoría de la computación y la inteligencia artificial.

Alonzo Church y Alan Turing propusieron de forma independiente la célebre tesis de Church-Turing. Esta tesis afirma que toda función efectivamente computable es Turing-computable. De este modo se formaliza la noción intuitiva de «computabilidad», convirtiéndose en el fundamento de la ciencia de la computación.

Alan Turing introdujo el concepto de la máquina de Turing en su artículo fundamental «On Computable Numbers, with an Application to the Entscheidungsproblem». Este modelo abstracto de computación puede simular cualquier proceso matemáticamente computable.

Alonzo Church propuso el cálculo lambda, un sistema formal para la definición y aplicación de funciones. El cálculo lambda se considera la base teórica de la programación funcional. El cálculo lambda original de 1936 no tenía tipos; Church añadió tipos simples en 1940 («A Formulation of the Simple Theory of Types»), creando uno de los primeros sistemas explícitamente tipados.

Warren McCulloch y Walter Pitts publicaron «A Logical Calculus of the Ideas Immanent in Nervous Activity», introduciendo el primer modelo de neurona artificial (neurona McCulloch-Pitts). Este modelo simplificaba las neuronas a interruptores de umbral binario, sentando las bases para la investigación posterior en redes neuronales.

Norbert Wiener publicó «Cybernetics: Or Control and Communication in the Animal and the Machine», fundando la nueva disciplina de la cibernética. El estudio de cómo los sistemas se autorregulan mediante mecanismos de retroalimentación tuvo un profundo impacto en la IA y la robótica.

Claude Shannon publicó «A Mathematical Theory of Communication», sentando las bases de la teoría de la información. Conceptos cómo entropía, codificación y cantidad de información se convirtieron en herramientas fundamentales para comprender los datos y el procesamiento de la información.

En «Computing Machinery and Intelligence», Turing sustituyó la ambigua pregunta «¿Pueden pensar las máquinas?» por el juego de imitación, en el que una persona evaluadora usa una conversación escrita para distinguir una máquina de un ser humano. Es un criterio conductual, no una prueba de conciencia.

En 1955, John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon usaron el término «artificial intelligence» en la propuesta del Dartmouth Summer Research Project y trazaron un programa de investigación para el verano de 1956.

El taller de Dartmouth del verano de 1956 ayudó a establecer el nombre «artificial intelligence» y su agenda de investigación como identidad de un nuevo campo académico; el término ya aparecía en la propuesta de 1955.

Allen Newell y Herbert Simon desarrollaron el «Logic Theorist», uno de los primeros programas prácticos de IA. Este programa podía demostrar teoremas de los Principia Mathematica y se cita con frecuencia entre los primeros programas de inteligencia artificial. Newell y Simon recibieron el Premio Turing en 1975.

Frank Rosenblatt propuso el modelo Perceptron, un influyente modelo temprano de red neuronal artificial. El Perceptron es un clasificador binario lineal simple que aprende a clasificar datos de entrada ajustando pesos.

John McCarthy desarrolló Lisp en el MIT, uno de los primeros lenguajes de alto nivel estrechamente asociados con la investigación en IA. La flexibilidad de Lisp y su potente procesamiento simbólico lo convirtieron en el lenguaje predilecto para la investigación en inteligencia artificial.

Newell y Simon desarrollaron el General Problem Solver (GPS) entre 1957 y 1959, con colaboradores como J. C. Shaw. Fue el primer programa de IA que intentó simular la resolución humana de problemas separando la técnica de resolución del conocimiento del dominio concreto del problema, mediante la descomposición de objetivos y la búsqueda de subobjetivos (análisis de medios y fines).

Frank Rosenblatt demostró la propiedad de convergencia del algoritmo de aprendizaje del perceptrón, mostrando que si los datos son linealmente separables, el perceptrón definitivamente convergerá.

Unimate se convirtió en el primer robot en trabajar en una línea de montaje. En 1961, General Motors lo instaló en su planta de Trenton, Nueva Jersey, para descargar una máquina de fundición a presión, retirando de ella las piezas todavía calientes. Unimation construyó estas máquinas para trabajos difíciles, peligrosos o monótonos para las personas.

En su tesis doctoral del MIT de 1963, Larry Roberts describió un sistema para interpretar a partir de imágenes escenas de sólidos poliédricos simples, una importante base inicial de la visión por computadora tridimensional.

El MIT lanzó Project MAC en 1963 bajo la dirección de Robert Fano para estudiar tiempo compartido, computación y cognición asistida por máquinas. El proyecto de inteligencia artificial del MIT, fundado en 1959, participó después; no eran un único laboratorio fundado en 1959.

Joseph Weizenbaum creó ELIZA en el MIT, uno de los primeros chatbots. ELIZA simulaba la conversación de un psicoterapeuta mediante el reconocimiento de patrones, provocando una profunda reflexión sobre la interacción humano-computadora.

SRI International desarrolló Shakey, uno de los primeros robots móviles autónomos capaz de percibir su entorno, planificar rutas y ejecutar tareas. Shakey combinaba visión por computadora, procesamiento de lenguaje natural y algoritmos de planificación.

Marvin Minsky y Seymour Papert publicaron «Perceptrons», un análisis riguroso de lo que los perceptrones de una capa pueden y no pueden representar. El libro suele asociarse con el posterior descenso del interés en las redes neuronales, pero los cambios de financiación también reflejaron límites de cómputo, expectativas incumplidas y decisiones políticas más amplias.

Alain Colmerauer, Philippe Roussel y sus colaboradores desarrollaron en Marsella la primera versión de Prolog, aplicando la lógica de predicados a la programación e impulsando la programación lógica y la IA simbólica.

El científico británico James Lighthill presentó un informe pesimista sobre la investigación en IA al gobierno del Reino Unido, lo que condujo a recortes significativos en el financiamiento.

Marvin Minsky publicó el «Frame Paper», en el que propuso la teoría de marcos (Frames) para representar el conocimiento. Esta teoría influyó en la programación orientada a objetos y en métodos posteriores de representación del conocimiento.

La Universidad de Stanford desarrolló MYCIN, un sistema experto para diagnóstico médico. Demostró la viabilidad de los sistemas expertos, aunque nunca se utilizó clínicamente debido a problemas de responsabilidad.

DEC desplegó XCON (eXpert CONfigurer), un sistema experto para configurar sistemas informáticos VAX. Su desarrollo comenzó en 1978 en la Universidad Carnegie Mellon, el primer despliegue se produjo en 1979 y el sistema estaba plenamente operativo en 1980. Fue uno de los primeros sistemas expertos con éxito comercial y ahorró millones a la empresa cada año.

Tras evaluaciones críticas y recortes de financiación en la década de 1970, parte de la investigación en IA entró en retroceso. El «primer invierno de la IA» es una periodización retrospectiva cuya fecha e intensidad varían según el país y el área.

Japón anunció el proyecto de computadoras de quinta generación (FGCS) en una conferencia de JIPDEC y el MITI en octubre de 1981, una iniciativa nacional de 10 años para desarrollar computadoras capaces de razonamiento lógico y procesamiento del conocimiento. El proyecto se puso en marcha formalmente en abril de 1982 con la fundación del ICOT (Institute for New Generation Computer Technology).

David Rumelhart, Geoffrey Hinton y Ronald Williams publicaron sobre el algoritmo de retropropagación, haciendo posible el entrenamiento de redes neuronales multicapa.

A finales de la década de 1980, unas expectativas que se habían adelantado a los resultados quedaron defraudadas. Los fabricantes de máquinas Lisp perdieron terreno frente a las estaciones de trabajo de uso general, varias empresas de IA cerraron y la financiación de DARPA para la investigación básica en IA cayó entre 1987 y 1989.

En la década de 1990, los métodos estadísticos comenzaron a dominar la investigación en IA. Los modelos ocultos de Markov (HMM) en reconocimiento de voz, Naive Bayes y árboles de decisión en aprendizaje automático obtuvieron buenos resultados.

El ejército estadounidense utilizó sistemas de planificación y logística basados en IA durante la Guerra del Golfo, demostrando el potencial de la IA en aplicaciones reales.

Tim Berners-Lee creó la World Wide Web. La proliferación de internet cambio el estilo de vida humano y proporcionó recursos de datos sin precedentes para la IA.

La recesión se atenuó gradualmente en lugar de terminar en una fecha concreta. Muchos investigadores se orientaron hacia objetivos más modestos y alcanzables, mientras que el renacimiento de las redes neuronales y de los métodos probabilísticos sentó las bases para una nueva era.

Vladimir Vapnik y colaboradores propusieron la máquina de vectores de soporte (SVM), un potente método de clasificación y regresión. La SVM logró un rendimiento excelente en clasificación de textos y reconocimiento de escritura manuscrita.

Deep Blue de IBM derrotó al campeón mundial de ajedrez Garry Kasparov, demostrando la capacidad de la IA para superar las capacidades humanas en tareas bien definidas.

Sepp Hochreiter y Jurgen Schmidhuber propusieron LSTM, un tipo especial de RNN capaz de aprender dependencias a largo plazo. LSTM logró un gran éxito en reconocimiento de voz y modelado del lenguaje.

Yann LeCun desarrolló LeNet-5, una CNN para el reconocimiento de dígitos manuscritos. LeNet-5 fue uno de los primeros modelos de aprendizaje profundo desplegados comercialmente a gran escala: AT&T/NCR la utilizó para leer cheques desde 1993 y el Servicio Postal de EE. UU. para reconocer códigos postales desde finales de la década de 1990.

Yoshua Bengio, Réjean Ducharme, Pascal Vincent y Christian Jauvin propusieron un modelo de lenguaje neuronal probabilístico que aprende conjuntamente representaciones distribuidas de palabras y probabilidades de secuencias para mitigar la maldición de la dimensionalidad. La red es prealimentada, no recurrente.

Desde 2004, un programa de CIFAR reunió regularmente a Geoffrey Hinton, Yann LeCun, Yoshua Bengio y colaboradores. Coordinó investigaciones que contribuyeron al renacimiento del aprendizaje profundo, sin constituir un único punto de partida universal.

Geoffrey Hinton y sus colegas propusieron las redes de creencia profundas (DBN), con un algoritmo voraz y rápido que las entrena capa a capa. Este preentrenamiento capa a capa ayudó a reavivar el interés por las redes neuronales profundas.

Los investigadores comenzaron a utilizar GPUs para acelerar el entrenamiento del aprendizaje profundo. La computación paralela de las GPU hizo posible el entrenamiento de grandes redes neuronales.

El equipo de ImageNet publicó en 2009 el artículo sobre una gran base jerárquica de imágenes organizada con WordNet. ImageNet y su posterior desafío de reconocimiento se convirtieron en infraestructura clave para entrenamiento y evaluación a gran escala.

Microsoft Research y la Universidad de Toronto abrieron el camino al primer gran avance del aprendizaje profundo en el reconocimiento de voz (Dahl, Yu, Deng 2011; Mohamed, Dahl, Hinton 2012), con reducciones notables de la tasa de error por palabra. Google desplegó en producción reconocimiento de voz basado en DNN y LSTM entre 2012 y 2015.

El equipo de Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton presentó AlexNet a la competición ImageNet de 2012 (ILSVRC) y ganó por un amplio margen: un error top-5 del 15,3 %, frente al 26,2 % del segundo clasificado.

Tomas Mikolov lanzó Word2Vec, un modelo de red neuronal para aprender representaciones de palabras. Word2Vec permitió a las computadoras comprender las relaciones semánticas entre palabras.

Ian Goodfellow propuso las GAN, una de las innovaciones más importantes en aprendizaje profundo. Las GAN generan imágenes extremadamente realistas mediante entrenamiento antagonista.

Kaiming He y colaboradores propusieron ResNet, resolviendo la dificultad de entrenamiento de redes profundas mediante conexiones de salto. ResNet permitió el entrenamiento de cientos de capas.

AlphaGo de DeepMind derrotó al campeón mundial de Go Lee Sedol por 4-1. El Go era considerado uno de los juegos de mesa más difíciles para la IA.

Google propuso la arquitectura Transformer, un avance revolucionario en el procesamiento del lenguaje natural. Transformer es la base de los modelos de lenguaje modernos a gran escala.

OpenAI lanzó GPT-3, un modelo de lenguaje de gran tamaño con 175 mil millones de parámetros. GPT-3 demostró capacidades asombrosas de generación de lenguaje, provocando un amplio debate sobre la AGI.

OpenAI lanzó DALL-E (generación de imágenes) y CLIP (aprendizaje contrastivo imagen-texto). Estos modelos demostraron la capacidad de la IA para comprender y generar contenido multimodal.

OpenAI lanzó Codex, un modelo de IA que comprende y genera código. GitHub Copilot se convirtió en el primer asistente de programación con IA de uso generalizado.

En noviembre de 2022, OpenAI lanzó ChatGPT, el primer asistente conversacional generativo orientado al mercado masivo. ChatGPT alcanzó 100 millones de usuarios en dos meses, convirtiéndose en el producto de consumo de más rápido crecimiento en la historia.

Stability AI lanzó Stable Diffusion, un modelo de generación de imágenes con pesos descargables libremente, bajo una licencia que restringe ciertos usos. La actividad de la comunidad de código abierto popularizó rápidamente la tecnología de generación de imágenes.

OpenAI lanzó GPT-4, un modelo multimodal capaz de procesar imágenes y texto. GPT-4 mostró un rendimiento cercano al humano en benchmarks profesionales y académicos.

Anthropic lanzó Claude, un asistente de IA centrado en la seguridad y la utilidad. El diseño de Claude refleja el énfasis en la seguridad de la IA: la IA debe ser útil, inofensiva y honesta.

Meta lanzó LLaMA, un modelo de lenguaje de gran tamaño bajo una licencia de investigación no comercial. Aunque LLaMA tiene un tamaño de parámetros relativamente pequeño, su excelente rendimiento promovió el desarrollo de LLM de pesos abiertos.

El concepto de agente de IA comenzó a recibir atención generalizada. Los agentes son sistemas de IA capaces de planificar y ejecutar tareas complejas de forma autónoma.

En febrero de 2024, Google presentó Gemini 1.5, con arquitectura mixture-of-experts y una ventana de contexto experimental de hasta un millón de tokens.

Anthropic lanzó la serie Claude 3, que incluye Opus, Sonnet y Haiku. Claude 3 Opus fue competitivo con GPT-4 en varios benchmarks, incluyendo MMLU y GPQA, pero quedó por detrás en otros.

Meta lanzó la familia Llama 3 con pesos abiertos, incluyendo modelos de 8 y 70 mil millones de parámetros.

La Unión Europea aprobó la Ley de IA, la primera regulación horizontal integral de la inteligencia artificial. La ley estableció una clasificación basada en riesgos y requisitos estrictos para sistemas de IA de alto riesgo.

OpenAI lanzó el modelo o1, un modelo grande con capacidades de razonamiento. o1 tiene un rendimiento excelente en tareas científicas y de programación, demostrando capacidad de «pensamiento».

En octubre de 2024, Anthropic lanzó la beta pública del uso de ordenador para una versión actualizada de Claude 3.5 Sonnet, permitiendo que los desarrolladores le indicaran observar la pantalla, mover el cursor, hacer clic y escribir.

Anthropic lanzó MCP (Model Context Protocol), un protocolo estándar abierto para conectar modelos de IA con herramientas externas y fuentes de datos. MCP se está convirtiendo en el «USB-C» de las aplicaciones de IA.

Para 2025, los agentes de IA maduraron de demostraciones de investigación a herramientas de producción. Agentes de código, agentes de navegador y agentes de tareas multi-paso se convirtieron en ofertas estándar, con OpenAI, Anthropic, Google y proyectos de código abierto lanzando sistemas competentes.

El laboratorio chino DeepSeek lanzó R1, un modelo de razonamiento con pesos abiertos, con código y pesos bajo licencia MIT, cuyo rendimiento rivalizaba con el o1 de OpenAI. El lanzamiento demostró que las capacidades de frontera podían lograrse fuera del establishment de IA de EE. UU. y desencadenó una reevaluación global de la competencia en IA.

OpenAI, Oracle, SoftBank y la emiratí MGX anunciaron conjuntamente su intención de invertir 500 000 millones de dólares en cuatro años para construir infraestructura de IA en Estados Unidos, incluidos varios grandes centros de datos.

Anthropic lanzó Claude 3.7 Sonnet, que presentó como el primer modelo de razonamiento híbrido disponible para el público general: los usuarios pueden alternar, en el mismo modelo, entre respuestas inmediatas y un razonamiento extendido.

En marzo de 2025, Anthropic anunció una ronda de financiación de 3,5 mil millones de dólares con una valoración de 61,5 mil millones de dólares, convirtiéndose en una de las startups de IA más valoradas del mundo y reflejando una mayor concentración de capital en la industria de la IA.

Meta publicó los modelos multimodales de pesos abiertos Llama 4 Scout y Maverick y presentó Behemoth, un modelo maestro aún en entrenamiento y no publicado.

Anthropic lanzó la familia Claude 4 (Opus 4 y Sonnet 4), introduciendo la capacidad de «pensamiento extendido» (Extended Thinking) con mejoras significativas en programación, razonamiento y tareas de largo horizonte. Claude 4 consolidó la posición de Anthropic en el mercado de IA empresarial.

El 2 de agosto de 2025 comenzaron a aplicarse las reglas de gobernanza y las obligaciones para modelos de IA de propósito general. Otras disposiciones siguen calendarios distintos; no fue el inicio general de toda la ejecución.

OpenAI lanzó GPT-5, un modelo insignia unificado que integra las capacidades de razonamiento de la serie o con las capacidades conversacionales de la serie GPT. GPT-5 estableció una nueva frontera en programación, matemáticas y razonamiento, admitiendo contextos más largos y uso de herramientas.

OpenAI completó la recapitalización de su estructura. El negocio con fines de lucro pasó a ser una public benefit corporation llamada OpenAI Group PBC, y la OpenAI Foundation, entidad sin fines de lucro, sigue controlándolo con la misma misión. Según OpenAI, la recapitalización se produjo tras casi un año de conversaciones con los fiscales generales de California y Delaware.

En el primer semestre de 2026, las capacidades agénticas salieron de la demostración y entraron en los productos empresariales publicados: los agentes de programación, de soporte y de automatización de oficina pasaron a ser funciones documentadas, y a su alrededor maduró la infraestructura de llamada a herramientas y de colaboración multiagente. Hasta dónde llegó realmente la adopción no está resuelto. Las encuestas publicadas dan tasas de producción muy distintas porque no coinciden en qué cuenta como agente; esta entrada registra por tanto una dirección y no un nivel.

En el primer semestre de 2026, las publicaciones de pesos abiertos de DeepSeek, Alibaba Qwen, Moonshot, Zhipu y Meta alcanzaron una escala antes reservada a los sistemas cerrados, con pesos y fichas de modelo descargables y no solo descritos. Si alguno de ellos iguala la frontera cerrada depende del índice de referencia que se use y de cómo se pondere; esta entrada registra por tanto qué se publicó y bajo qué licencia, no una clasificación.

Nature publicó Co-Scientist, un sistema multiagente construido sobre Gemini que formula hipótesis de investigación inéditas para su verificación experimental. El artículo informa de la validación en tres aplicaciones biomédicas: el reposicionamiento de fármacos, el descubrimiento de nuevas dianas y la explicación de mecanismos de resistencia antimicrobiana. Los autores lo presentan como asistente de los investigadores y no como sustituto, lo que supone prueba revisada por pares de una IA que participa en la formulación de hipótesis y no solo en el análisis.

Según una noticia del 11 de junio de 2026, Meta empezó a deshacer la integración de su adquisición de Manus, detuvo el intercambio de datos y separó operaciones. La noticia vincula la medida con requisitos regulatorios chinos; el estado jurídico y operativo posterior debe comprobarse en divulgaciones actualizadas.

Anthropic lanzó el 9 de junio de 2026 Fable 5, con salvaguardas para uso general, y Mythos 5 para socios verificados de Project Glasswing. Los controles estadounidenses del 12 de junio exigieron restricciones a extranjeros; al no poder verificar la nacionalidad en tiempo real, Anthropic suspendió ambos modelos globalmente. Tras levantarse los controles el 30 de junio, Fable 5 volvió globalmente el 1 de julio y Mythos 5, primero para organizaciones estadounidenses aprobadas.

El 13 de junio de 2026, una coalición de fiscales generales estatales liderada por Nueva York abrió una investigación sobre OpenAI y le remitió una citación judicial. El requerimiento exige documentación sobre la inserción de publicidad, la retención de usuarios, la tendencia del modelo a la adulación, el tratamiento de datos sanitarios y de consumidores, y la protección de menores y personas mayores. OpenAI declaró su voluntad de cooperar y recordó las salvaguardas reforzadas ya implementadas en ChatGPT para menores.

El 29 de junio de 2026, Samsung y SK Hynix anunciaron planes plurianuales por 800 billones de wones, incluidos cuatro centros de memoria en el suroeste de Corea del Sur. La conversión a dólares varía con el cambio; alcance, aprobaciones y ejecución siguen bajo revisión.

El 1 de julio de 2026, Google lanzó Gemini Spark — su asistente de IA agéntica 24/7 — para macOS, con seguimiento en tiempo real e integración más amplia con aplicaciones. Spark actúa de forma persistente sobre la vida digital del usuario, marcando el impulso de Google por llevar la IA agéntica al escritorio del consumidor.

En julio de 2026, Moonshot AI publicó en Hugging Face los pesos abiertos de Kimi K3. La ficha del modelo indica 2,8 billones de parámetros en total, de los cuales 104 000 millones están activados, una ventana de contexto de 1 048 576 tokens y la licencia Kimi K3. Por número total de parámetros, en el momento de su publicación estaba entre los mayores modelos de lenguaje de descarga libre.

El 1 de julio de 2026, Cloudflare anunció controles separados para Search, Agent y Training, e indicó que desde el 15 de septiembre los dominios nuevos bloquearían Training y Agent por defecto en páginas con anuncios y permitirían Search; los propietarios pueden cambiar la configuración y se aplica la regla más estricta a rastreadores multipropósito.

El 2 de julio de 2026, Microsoft anunció Microsoft Frontier Company, una nueva unidad operativa centrada en el despliegue de IA empresarial con las herramientas de IA existentes de Microsoft. El proyecto cuenta con una inversión de 2500 millones de dólares de Microsoft y 6000 expertos de industria e ingeniería — sumándose a Amazon y OpenAI en el lanzamiento de una organización dedicada al despliegue de IA.

El 9 de julio de 2026, tras concluir una vista previa limitada, OpenAI puso la familia GPT-5.6 en disponibilidad general: Sol, Terra y Luna. Durante la vista previa, OpenAI trabajó estrechamente con organismos expertos y socios de confianza.

El 2 de agosto de 2026, el Reglamento de IA de la UE pasó a ser plenamente aplicable y la Oficina de IA, junto con las autoridades nacionales, asumió su aplicación, supervisión y ejecución. La misma revisión aplazó las obligaciones de alto riesgo más gravosas: los sistemas autónomos del anexo III se aplican desde el 2 de diciembre de 2027 y la IA integrada en productos regulados desde el 2 de agosto de 2028. Las prácticas prohibidas ya se aplicaban desde el 2 de febrero de 2025 y las obligaciones sobre modelos de uso general desde el 2 de agosto de 2025.

El 2 de septiembre de 2026 ARC Prize publicó resultados ARC-AGI-3 verificados para GPT-6 Astra en doce configuraciones de harness. Sobre el mismo conjunto de evaluación semiprivado el modelo obtiene 62,71 % con el harness estándar, que le permite llevarse las notas que decide conservar, y 98,55 % con un harness Provider Adapter, que preserva el estado de razonamiento entre peticiones y comprime las conversaciones largas. Astra usó menos acciones que la mediana de los humanos evaluados en el 96 % de los niveles. La cifra mide un modelo junto con su andamiaje, y por eso aquí constan ambas.

El 3 de septiembre de 2026 OpenAI publicó una ficha de sistema que sitúa a GPT-6 Astra en el umbral Critical de capacidad cibernética según su propio Preparedness Framework, el primer modelo de la empresa en ese nivel. La ficha describe un modelo capaz de hallar fallos de seguridad hasta entonces desconocidos y de idear nuevas maneras de explotarlos en muchos sistemas bien protegidos sin que una persona guíe cada paso; las capacidades sensibles quedan tras un programa de acceso de confianza. La clasificación es la evaluación que OpenAI hace de su propio modelo frente a su propio marco, y la ficha no emplea las palabras AGI ni inteligencia general.