La IA puede ganar una olimpiada de matemáticas, pero no sabe leer un reloj. He aquí por qué eso es importante.

Imagen abstracta de redes neuronales de IA
Los modelos de IA que pueden realizar una tarea pueden fallar en otras debido a un fenómeno conocido como "inteligencia irregular".Imagen: Getty Images/iStockphoto
Este contenido ha sido traducido automáticamente con IA.
  • Los modelos de lenguaje complejos pueden ser buenos imitando el razonamiento, pero tienen dificultades para razonar sobre causalidad simple. La IA neurosimbólica puede ayudar a resolver este problema.

Puede parecer contradictorio que un modelo de inteligencia artificial (IA) resuelva con éxito un problema de nivel de la Olimpiada Internacional de Matemáticas, pero sea incapaz de decir la hora con precisión en un reloj analógico.

Sin embargo, esto sí ha sucedido. Gemini Deep Think de Google DeepMind logró obtener 35 puntos en la Olimpiada Internacional de Matemáticas de 2025 y ganar una medalla de oro, todo ello mientras pensaba en lenguaje natural, según Informe del Índice de IA de Stanford de 2026.

El mejor modelo de la misma generación, probado en el benchmark de IA de razonamiento visual ClockBench, leyó el reloj correctamente solo el 50,6% de las veces, en comparación con el 90,1% para los humanos. Cuando los modelos fallan, tienden a ser de una a tres horas libres, mientras que un ser humano tendría un margen de error de unos tres minutos.

Una respuesta prometedora para abordar esta inconsistencia es la IA neurosimbólica, que combina el aprendizaje de patrones de las redes neuronales con la lógica de seguimiento de reglas de los sistemas simbólicos.

Por qué la IA irregular es un riesgo operativo

Los modelos de lenguaje a gran escala (LLM, por sus siglas en inglés) se han vuelto extremadamente eficaces imitando el razonamiento, razón por la cual las empresas los están integrando en su trabajo diario. Crean largas cadenas de pensamiento que ayudan a producir código de calidad, resúmenes de documentos concisos y demostraciones matemáticas originales. Sin embargo, aún presentan dificultades para identificar de forma fiable las propiedades del mundo que los rodea o razonar mediante causalidad simple.

Los modelos de IA que pueden realizar una tarea pueden fracasar estrepitosamente en otras. Los investigadores llaman a esto “inteligencia irregular” – también conocida como la “frontera dentada” – que resalta lo impredecible límite entre las tareas más adecuadas para los humanos y las que para las máquinas.

Esto es importante, ya que desarrollar flujos de trabajo basados ​​en IA que puedan fallar en cualquier momento crea una vulnerabilidad en los productos y operaciones de una empresa. Los modelos también pueden insertar detalles erróneos en los contratos, malinterpretar el problema de un cliente o generar infracciones de cumplimiento.

El riesgo es medible. De hecho, ningún modelo obtiene una puntuación superior al 70,2% en banco de pruebas τ, un punto de referencia que mide qué tan bien los agentes de IA completan tareas del mundo real utilizando herramientas mientras siguen reglas de política. Los modelos también se quedan cortos en escenarios del mundo real. En los puntos de referencia de Vals AI, reportado en el Índice de IA Los mejores modelos alcanzan solo un 69,4 % de precisión al extraer información de certificados fiscales hipotecarios, un 68,3 % en documentos financieros extensos como contratos de crédito y un 63,3 % en tareas de analista financiero de nivel básico.

Para los líderes empresariales, esto significa que la fiabilidad de la IA es un riesgo operativo que debe gestionarse, y los resultados sobresalientes de un modelo ofrecen una garantía mínima de la consistencia con la que funcionará dentro de sus propios flujos de trabajo.

¿Dónde entra en juego la IA neurosimbólica?

Como su nombre indica, la IA neurosimbólica combina redes neuronales e IA simbólica. Las redes neuronales reconocen patrones en los datos, mientras que la IA simbólica utiliza representaciones formales del conocimiento y el razonamiento para generar una solución. En conjunto, ambas ofrecen lo mejor de ambos mundos: el uso de redes neuronales para procesar información y la IA simbólica para razonar sobre ella crea una solución verificable.

Es fácil pensar que los modelos más grandes superarán estas deficiencias, y la medalla de oro en la Olimpiada de 2025 puede considerarse una prueba que respalda este argumento. Sin embargo, esta misma generación de modelos aún tiene dificultades con tareas aparentemente más sencillas, como leer la hora, lo que sugiere que la escala por sí sola no ha resuelto el problema de la fiabilidad.

El razonamiento simbólico ha demostrado ser muy prometedor para abordar la inteligencia fragmentada. En PlanBench, una plataforma de evaluación comparativa diseñada para probar la capacidad de planificación de la IA en lugar del reconocimiento de patrones, los investigadores descubrieron que, cuando la estructura subyacente de un problema se ocultaba, la mayoría de los modelos de vanguardia resolvían menos problemas en varios ámbitos.

El GPT-5 de OpenAI bajó de 21 de 45 problemas a 12 en Blocksworld, y de 15 a 7 en Sokoban, mientras que el LLM de razonamiento de código abierto DeepSeek-R1 de DeepSeek bajó a resolver 3 problemas en Blocksworld y 0 problemas en Floortile y Sokoban. Sin embargo, el solucionador simbólico LAMA mantuvo una capacidad constante para resolver problemas independientemente de si los problemas estaban ofuscados, según el índice de IA Esto demuestra que un enfoque estructurado puede producir mejores resultados.

Los principales laboratorios están comenzando a implementar el razonamiento neurosimbólico. El de Google DeepMind. Geometría Alfa Combina modelos de lenguaje neuronal con motores de deducción simbólica para resolver problemas de geometría de nivel olímpico, generando demostraciones verificables durante el proceso. Los productos fiables dependerán cada vez más de modelos como este.

La regulación y los agentes de IA aumentan las apuestas.

Con la entrada en vigor de las leyes de IA en la UE, comenzamos a vislumbrar cómo serán las regulaciones para la IA. Desde el 2 de agosto de 2026, la Comisión Europea ha estado aplicando partes de la Ley de IA, incluyendo normas que exigen que se informe a las personas cuando interactúan con IA. A partir del 2 de diciembre de 2027, se aplicarán normas más estrictas para los sistemas de IA de alto riesgo.

A medida que aumentan estos requisitos, la IA basada en el razonamiento simbólico puede facilitar la explicación y documentación de su proceso de toma de decisiones. Históricamente, las redes neuronales han tenido dificultades con esto, por lo que añadir el razonamiento simbólico nos ayuda a construir una IA fiable.

El futuro de la IA se centrará en agentes capaces de realizar tareas para las empresas. Estos agentes deberán analizar problemas y generar soluciones fiables. Mediante un enfoque neurosimbólico, podemos dotar a los modelos de IA de la capacidad de verificar la corrección de sus acciones.

Cómo deberían las empresas evaluar la IA

Esto significa que las empresas deben modificar sus métodos de evaluación al momento de adquirir estos productos. Los líderes empresariales deberán analizar el rendimiento de un modelo en una plataforma de referencia de IA que refleje su carga de trabajo, con las restricciones aplicadas.

También deberán asegurarse de que sus pruebas de concepto les permitan ver cómo el modelo puede analizar problemas y autocorregirse. El modelo también deberá poder demostrar cómo llegó a su respuesta.

Si bien las capacidades de la IA siguen avanzando, persisten interrogantes sobre el razonamiento, la coherencia y la fiabilidad. Antes contábamos con sistemas expertos capaces de pensar con precisión, pero poco fiables. Ahora disponemos de aprendizaje profundo, fiable pero incapaz de pensar con precisión.

La IA neurosimbólica nos permitirá dotar a los modelos de lógica descriptiva (MLD) de la fiabilidad necesaria para tareas que exigen fiabilidad. Al permitir que las redes neuronales piensen simbólicamente, las empresas pueden lograr precisión y fiabilidad.

Licencia y republicación
Los artículos del Foro Económico Mundial pueden volver a publicarse de acuerdo con la Licencia Pública Internacional Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0, y de acuerdo con nuestras condiciones de uso. Las opiniones expresadas en este artículo son las del autor y no del Foro Económico Mundial.