Estos desafíos de inteligencia aún superan a los modelos de IA ¿Podrás resolverlos tú?

Cuando las IAs se quedan en blanco con los rompecabezas

En diciembre de 2024, un grupo de científicos de la Universidad de Columbia se sacó un dato brutal: las mejores IAs del momento solo lograban resolver el 18% de los puzzles “Connections” que propone el New York Times. Sí, ese juego que parece sacado de la heladera de la abuela, con palabras y conexiones raras. En solo unos meses —antes de marzo de 2025— algunas de esas IAs ya lograban resolverlos casi a la perfección. ¿Qué pasó? Que la evolución de las máquinas en cuanto a resolver estos acertijos es vertiginosa, pero eso no quiere decir que lo hagan todo bien o que estén listas para comerse el mundo.

Es más, los puzzles no solo sirven para medir la fuerza intelectual de las máquinas (que es algo así como un influencer midiendo su impacto con likes), sino para localizar en qué puntos aún se comen los mocos y, por ende, dónde los humanos todavía las paseamos por la manzana sin despeinarnos. Convengamos que algunas veces las IAs se traban con cambios sutiles en acertijos clásicos; las visualizaciones son su talón de Aquiles; y ni hablar de cosas que requieren intuición y cierta flexibilidad mental (esa de la que tanto nos jactamos los humanos). Así que antes de creer que la IA lo sabe todo, mejor te recomiendo que tú mismo te metas con estos siete retos que directamente las dejaron pagando.

Razones por las que la IA no puede revolver objetos en la cabeza como un ingeniero

Sacarme un problema típico de rotación mental de un test de coeficiente intelectual es como pedirle a una IA que arme un mueble de IKEA sin instrucciones. Pasa que estas IAs modernas, por más que expliquen que “entienden” entornos físicos y tienen modelos del mundo, todavía son incapaces de manipular imágenes tridimensionales como un arquiteto o un ingeniero mecánico con años de experiencia.

El problema se resume en algo simple: sabemos girar objetos mentalmente y reconocerlos desde ángulos distintos — sin mover ni un dedo — pero las IAs fallan miserablemente cuando les das esta tarea. Incluso los modelos de lenguaje avanzados que pueden manejar inputs visuales, se quedan cortos. Son como niños que recién aprenden a ver en 3D: la pista está en cómo entienden la continuidad del espacio, la perspectiva y las formas, cosas que en humanos son innatas y que no se traduce fácil a datos numéricos o palabras.

¿Quieres un ejemplo? Presenta una figura, y luego varias opciones rotadas. Hay solo una correcta, pero la IA es incapaz de identificarla. Esto se debe a que procesa todo como texto o números, no como objetos con volumen ni profundidad. Por eso, aunque vaya acompañada de imágenes, su “razonamiento espacial” sigue siendo mendigo frente a un cerebro humano medianamente entrenado. Así que esos discursos de “la IA puede todo” son, en este caso, pura espuma.

Memoria monstruosa pero poco flexible: el problema de las “ballenas” informáticas

Pongámoslo así: las IAs tienen una memoria gigantesca, casi descomunal. Vienen entrenadas con cantidades industriales de datos, más literales que un chisme en Twitter. Este mega “rollo” de información hace que sean bestias para la trivia, repitiendo hechos y datos al dedillo sin pestañear. ¿Pero esto es siempre bueno? No, ni de coña. A veces esa memoria se vuelve una trampa.

Hubo un estudio en 2024 de Google junto a la Universidad de Illinois Urbana-Champaign donde entrenaron a las IAs con un clásico puzzle de “Caballeros y Canallas” (o Knights and Knaves). Estos puzzles implican personajes que siempre mienten o siempre dicen la verdad, y hay que descubrir quién es quién en base a sus declaraciones. Las IAs, en vez de adaptarse a variantes o cambios sutiles en el problema, se quedan pegadas repitiendo lo aprendido de memoria, ignorando que las condiciones se modificaron.

Exacto, se atascan porque un cambio pequeño en el enunciado pasa desapercibido para ellas, o no saben improvisar y mirar más allá de lo memorizado. En cambio, los humanos sí captan esas diferencias y adaptan la solución. Eso hace que, en esos casos, los modelos top terminen fallando miserablemente.

Lo curioso es que este problema también aparece en uno llamado SimpleBench, que trata de problemas de lógica parecidos pero algo más complejos—también muestra que las IAs tienen una rigidez mental muy molesta. Mientras tanto, los humanos suelen identificar rápido la trampa. Si te gusta darles un golpe bajo a las máquinas, esta es tu oportunidad.

¿Visuales? Mejor ni me acerco…

Los fallos en razonamiento espacial no terminan ahí. Las pruebas ARC-AGI muestran que las IAs, incluso con acceso a imágenes, tienden a fallar cuando tienen que inferir reglas abstractas en patrones visuales. Este benchmark está pensado para evaluar cómo se pueden aprender reglas generales y la IA, para ser justos, ha mejorado mucho en un año, pero llega a trampas donde su lógica parece la de un paciente con Alzheimer en fase inicial.

Lo curioso aquí es que las máquinas hacen trampa con las matemáticas y el cribado de datos: muchas veces no entienden la verdadera esencia del problema visual, sino que aplican reglas bizantinas y abstractas que no tienen generalización real. Básicamente, la IA memoriza trucos sin entender la causa real. El colmo: cuando se cambia ligeramente el puzzle, vuelve a la casilla cero.

Los humanos, en cambio, aplicamos intuición visual, emociones, y probablemente algo genético que nos permite resolverlos con relativa facilidad (claro, también depende de qué tan ducha seas en puzzles). Esta diferencia es otra muestra que las IAs siguen siendo “robóticas” en el sentido estricto, y que todavía estamos muy lejos de un sistema que funcione como una mente humana — aunque nos vendan otra cosa en los pitches corporativos.

¿Y nuestras propias trampas? Humanos vs. IA en emboscadas mentales

No nos flipemos: los humanos también somos una joya de errores cuando se trata de resolver estas pruebas. Algunos problemas aprovechan fallos cognitivos para hacernos caer de bruces. Por ejemplo, algunos test analizan respuestas de “instinto” o rápidas; en estas, nuestro cerebro puede saltar a conclusiones erróneas, mientras que los modelos serán mucho más metódicos y fríos, resolviendo de otro modo y sin el sesgo emocional.

En una lista llamada Lightning Round, hay preguntas clásicas que muchos se tragan a la primera: “Si una colonia de murciélagos duplica su población cada día y llena una cueva en 60 días, ¿cuándo está media llena?” (respuesta rápida: al día 59). O la del libro famoso donde Alice dice “I’m late, I’m late…” (sí, “Alicia en el País de las Maravillas”). Estas pruebas son trampas clásicas para humanos, pero las máquinas no se las tragan tan fácil porque no hacen conjeturas.

Esta parte revela que, a pesar que les echamos la culpa a las máquinas de todo, tienen una lógica distinta, no sometida a prejuicios y emociones sociales. Quizá uno de los mejores usos en el corto plazo de la IA es justamente hacer contrapeso a nuestros errores intuitivos en lugares donde la lentitud y el razonamiento frío son bienvenidos (aunque frustrante para quién busca soluciones rápidas).

Complejidad = Problemas sin final feliz para la IA

Una capa más aún: la dificultad y escala del problema. En Apple hicieron un análisis con modelos para resolver la Torre de Hanoi (para los desprevenidos: una torre con discos que tienes que mover sin poner uno más grande sobre uno más pequeño, siguiendo unas reglas), y también sirvió para puzzles de cruzar ríos con ciertas restricciones. Hasta que llegan a seis o más discos o personas… ahí se caen a pedazos.

El foco acá está en que esos problemas lógicos y de deducción tienen un escalón donde las máquinas empiezan a fallar estrepitosamente. No está claro si es una limitación real de la IA o solo el reflejo de lo que pasaría con cualquier mente (humana o artificial) frente a la complejidad creciente.

Lo cual también llega a otro tipo de retos: puzzles con matrices y lógica de cuadrículas que exigen deducir atributos y relaciones entre personas y objetos en base a pistas dispersas (como en ZebraLogic, un benchmark súper popular). A pesar del hype, las IAs todavía tropezan más que Popeye contra Bluto cuando se trata de ordenar múltiples datos lógicos de forma coherente manteniendo la consistencia.

En el caso de los agentes del FBI cruzando un río con sus informantes (con las reglas clásicas de que no se pueden quedar solos ciertos grupos ni dejar a otros atrás), la IA tiene que planificar varios viajes y condiciones. No es imposible, pero conforme crecen las condiciones, las máquinas empiezan a patinar.

¿Pero esto sirve para algo o estamos con un pasatiempo caro?

Estas pruebas no son juegos sin sentido ni retos para vaciar la cabeza. Sirven para mostrar los límites visibles del razonamiento de las IAs modernas, cuyo motor principal sigue siendo el aprendizaje estadístico masivo y la generación de texto o respuestas basadas en patrones, sin verdadera comprensión.

Que fallen en rotación mental, cambios sutiles o visualización nos dice que el “sentido común” y la intuición que tenemos los humanos (porque sí, no somos PCs, somos cerebros caóticos y brillantes) no se está replicando aún. El poder seguir identificando esas brechas es vital para orientar la investigación futura en IA, para no quedarnos solos admirando respuestas tipo “expertas” que en realidad están carcomidas por errores básicos.

En definitiva, estos tests son un espejo donde se refleja que, pese a toda la parafernalia tecnológica y el bombo mediático, la inteligencia artificial actual no es ni de broma un reemplazo fiable para el cerebro humano en áreas que involucran razonamiento deductivo, flexibilidad y manipulación visual.

Entonces, si te animas a intentar estos siete desafíos, tendrás en mano un medidor bien concreto para saber si realmente eres más ingenioso que una máquina o si la tecnología ya te pasó por arriba… ¿Listo para ese duelo sin piedad?

Artículos Relacionados