El 4 de septiembre de 2026 coincidieron tres acontecimientos de gran impacto: OpenAI presentó oficialmente GPT-6 Astra, tres de los principales proveedores de modelos de IA —OpenAI, Anthropic (Claude) y xAI (Grok)— sufrieron caídas simultáneas en sus servicios, y el equipo de ARC Prize lanzó ese mismo día la evaluación oficial de ARC-AGI-3 junto con las puntuaciones obtenidas por Astra. En Hacker News, la publicación sobre el lanzamiento de Astra acumuló rápidamente 1.091 puntos y 802 comentarios, mientras que el hilo sobre las interrupciones del servicio sumó 107 puntos y 39 comentarios. En apenas veinticuatro horas se concentraron un lanzamiento clave, un colapso generalizado de infraestructura y una disputa técnica sobre metodologías de evaluación. Tres hechos que apuntan a un mismo problema de fondo: mientras la narrativa sobre las capacidades de los modelos crece a un ritmo vertiginoso, la infraestructura operativa y los estándares de evaluación se han quedado atrás.
Tres plataformas caídas a la vez, y nadie puede explicar por qué
OpenAI, Anthropic (Claude) y xAI (Grok) experimentaron graves interrupciones de servicio justo en la misma franja horaria en la que se anunciaba GPT-6 Astra. El hilo correspondiente en Ask HN atrajo 107 puntos y 39 comentarios, pero la comunidad no llegó a ninguna conclusión definitiva. Algunos especularon con que la avalancha de tráfico desatada por el anuncio de OpenAI saturó a proveedores compartidos de red y computación en la nube; otros sospecharon de fallos en nodos de infraestructura comunes, mientras que algunos consideraron que se trataba de una mera coincidencia.
¿Qué nos enseña la caída simultánea de tres competidores directos? Al menos una cosa: que la infraestructura que sostiene a los principales servicios de IA es mucho más frágil de lo que el público asume. Cuando los picos de tráfico se suman a la tensión operativa, el margen de redundancia real es significativamente más estrecho de lo que los usuarios imaginan. Con un ritmo de lanzamientos cada vez más apretado, la presión sobre los equipos de infraestructura no para de aumentar.
ARC-AGI-3 se satura en seis meses: las métricas no alcanzan a los modelos
El mismo día, ARC Prize hizo públicos los resultados oficiales de la evaluación de GPT-6 Astra en ARC-AGI-3. Cuando en su momento se le preguntó a François Chollet, creador del benchmark ARC-AGI, cuándo preveía que ARC-AGI-3 llegaría a un punto de saturación, estimó un plazo: alrededor de un año. Sin embargo, ese pronóstico se había hecho hace tan solo seis meses. Tras publicar la evaluación de Astra, Chollet admitió abiertamente: «Astra representa un progreso el doble de rápido de lo que esperaba».
Imagen: Rendimiento de GPT-6 Astra en la tabla de clasificación de ARC-AGI-3. Fuente: ARC Prize Blog
La serie de evaluaciones ARC-AGI nació expresamente para medir la «inteligencia general real», diferenciándose con claridad de los benchmarks tradicionales que premian la memorización o la resolución mecánica de patrones sobre conjuntos fijos de datos. Pero incluso su creador subestimó la celeridad con la que avanzarían los modelos: los estándares de evaluación fueron superados mucho antes de lo previsto. Antes de que la regla termine de medir, ya se ha quedado corta.
Un mismo ranking, dos estándares contradictorios
La publicación de los resultados de Astra vino acompañada de una situación incómoda en el marcador de ARC. GPT-5.6 Sol figura en la tabla oficial de clasificación con un 7,8 %, pero la propia documentación técnica de ARC señala textualmente: «Se estima aproximadamente un 30 % utilizando el harness de responses API». Para un mismo modelo, el simple hecho de cambiar el entorno de pruebas (harness) generó una discrepancia de casi cuatro veces en la puntuación.
Esta enorme brecha puso en entredicho la comparabilidad de todo el ranking. Si variar el harness provoca semejante disparidad, ¿la tabla de clasificación está midiendo las capacidades intrínsecas del modelo o simplemente la afinidad con una metodología de prueba específica? ARC Prize argumentó que la estandarización exige un harness uniforme, pero el contraargumento de la comunidad es igualmente sólido: si ellos mismos estimaron un 30 %, ¿por qué mantener publicado el 7,8 % en el tablero principal? Ambas posturas encuentran cierta justificación, pero mostrar dos estándares contradictorios de forma paralela genera una inevitable desconfianza.
Imagen: Comparativa de acciones y eficiencia entre diferentes modelos en ARC-AGI-3. Fuente: ARC Prize Blog
¿Se está diluyendo o impulsando la definición de AGI?
Tras la presentación de GPT-6 Astra surgieron dos reacciones diametralmente opuestas en la comunidad técnica. Por un lado, en LessWrong se desarrolló un debate especializado en torno a la arquitectura recurrente (recurrent) de Astra (19 puntos), evaluando las ventajas prácticas que este diseño aporta en razonamientos de largo alcance. Por otro lado, en Hacker News proliferaron críticas incisivas señalando que el concepto de «AGI» se está degradando hasta convertirse en un argumento de marketing para la salida a bolsa (IPO) de Sam Altman: con cada nuevo modelo se asegura estar «más cerca de la AGI», aun cuando su definición real nunca ha estado claramente establecida.
Ambas perspectivas se apoyan en hechos reales. La arquitectura recurrente de Astra representa indiscutiblemente un paso adelante en términos de ingeniería, y el reconocimiento de Chollet sobre un ritmo de avance imprevisto es una prueba directa. Sin embargo, entre un progreso técnico veloz y la verdadera cercanía a una AGI se interpone una variable decisiva: ¿dónde se fija la definición de AGI? En la actualidad, ese listón lo mueven de manera unilateral quienes lanzan los modelos. Y con métricas que mutan a cada paso, la frontera entre un avance genuino y un reajuste de conveniencia se vuelve cada vez más difusa.
La carrera de capacidades adelanta a nuestra capacidad de medirla
Analizados de forma aislada, cada uno de los tres sucesos ocurridos el día del lanzamiento de GPT-6 Astra tiene su propia explicación técnica. No obstante, vistos en su conjunto, dejan al descubierto una misma tensión estructural: el ritmo y el volumen mediático de los lanzamientos se aceleran, mientras que la estabilidad de las infraestructuras, la coherencia de las evaluaciones y la definición misma de «inteligencia» intentan desesperadamente no quedarse atrás. La previsión de un año de Chollet se redujo a la mitad. En el ranking coexisten un 7,8 % y un 30 %, debilitando la credibilidad de las cifras. Y la caída simultánea de tres plataformas puso a prueba el suelo de fiabilidad operativa.
La narrativa sobre las capacidades de los modelos avanza a mayor velocidad que nuestra capacidad colectiva para verificarlas. Cuando llegue el próximo gran modelo, verificar la solidez de las reglas con las que medimos el progreso podría resultar mucho más relevante que las puntuaciones que el modelo afirme alcanzar.
Enlaces de referencia:
- ARC Prize Blog
- OpenAI
- LessWrong
- Discusión en HN (item?id=49554643)
- Discusión en HN (item?id=49555691)
