Genio en matemáticas, torpe con tu hoja de cálculo: por qué la IA es brillante en unas cosas e incompetente en otras

LA TESIS. La IA no es lista ni tonta: es irregular, y lo es por razones que se pueden explicar. Avanza deprisa donde una máquina puede comprobar si la respuesta es correcta, como en las matemáticas o en el código. Avanza despacio donde comprobarlo es difícil, donde el conocimiento no está escrito en ninguna parte o donde el trabajo exige recordar y encadenar muchos pasos durante días. Nuestra lectura es que esta irregularidad no desmiente el progreso. Sí desmiente un atajo muy repetido: deducir del examen que el empleo está resuelto. A corto plazo, eso significa que la sustitución de trabajo será más lenta y más desigual de lo que prometen las demos. También significa que el riesgo de fiarse de la IA donde falla es muy real. A largo plazo, las tres causas de la irregularidad son problemas de ingeniería, y ya hay gente trabajando en cada una.

EL MAPA DE LOS PICOS Y LOS VALLES. Los datos dibujan un mapa con altibajos muy marcados. En julio de 2025, un modelo Gemini Deep Think de Google DeepMind obtuvo 35 de 42 puntos en la Olimpiada Internacional de Matemáticas. Es nota de oro, y la certificó el propio comité de la olimpiada. OpenAI anunció la misma puntuación, aunque en su caso la corrección fue interna. Ahora miremos el valle. El Remote Labor Index (RLI), creado por Scale AI y el Center for AI Safety, encarga a los agentes proyectos freelance reales de diseño, 3D, arquitectura o análisis de datos. Después pregunta si un cliente razonable aceptaría el resultado. En octubre de 2025, el mejor agente lo conseguía en el 2,5% de los proyectos. En 2026, según el propio CAIS, Fable 5 de Anthropic llega a alrededor del 16%. Es más del cuádruple en menos de ocho meses, pero aun así fracasa en cinco de cada seis encargos. El término que mejor describe esto nació en 2023. Un estudio de Harvard y Boston Consulting Group con 758 consultores habló de una «frontera tecnológica irregular» (jagged frontier, en inglés). El concepto lo popularizó el profesor Ethan Mollick. En las tareas que caían dentro de lo que GPT-4 hacía bien, los consultores con IA completaron un 12,2% más de tareas, un 25,1% más rápido y con más de un 40% más de calidad. En una tarea diseñada para quedar fuera de esa frontera ocurrió lo contrario: tuvieron 19 puntos porcentuales menos de probabilidad de acertar que quienes trabajaron sin IA. Ese es el dato que importa. Usar la IA donde no sirve no se queda en no ayudar. Empeora el resultado.

LO QUE SE PUEDE COMPROBAR, SE PUEDE ENTRENAR. La primera causa de la irregularidad es cómo se entrenan hoy los modelos. Desde 2024, los laboratorios usan a gran escala el aprendizaje por refuerzo con recompensas verificables (RLVR, por sus siglas en inglés). Es decir, el modelo hace millones de intentos y un programa automático le dice cuáles aciertan. En matemáticas, el resultado se comprueba. En programación, se ejecutan los tests. Esa señal es barata, objetiva e infinita, y por eso los modelos mejoran sin parar justo ahí. Andrej Karpathy, cofundador de OpenAI, lo resume, según las crónicas de su charla, con una idea: con los modelos de lenguaje, la cosa funciona cuando puedes verificar. ¿Cómo se verifica un buen informe para un cliente difícil, o la decisión de qué columna de la hoja de cálculo es la buena entre tres versiones contradictorias? No hay un test automático para eso. La segunda causa son los datos. Internet está lleno de demostraciones y de código, pero casi nadie escribe cómo se negocia con un proveedor o por qué un archivo se llama FINAL_v3_bueno. Es el conocimiento tácito: lo que se aprende haciendo y no queda escrito. Aquí aparece una versión actualizada de la paradoja de Moravec. En los años ochenta, el investigador Hans Moravec observó que a las máquinas les resultaba fácil lo que a nosotros nos cuesta, como el ajedrez, y difícil lo que hacemos sin pensar, como caminar. Hoy la frontera no separa lo intelectual de lo físico. Separa lo que es verificable y está escrito de lo que es ambiguo y está implícito.

EL PROBLEMA DE LA MEMORIA Y LOS TRABAJOS LARGOS. La tercera causa es el tiempo. METR, un laboratorio independiente de evaluación, mide el horizonte temporal de los agentes. Es la duración que tendría para un experto humano una tarea que el agente completa con un 50% de éxito. Según su actualización de enero de 2026, esa cifra se duplicaba cada cuatro meses y pico desde 2023. Para una versión preliminar de Claude Mythos, METR estima al menos 16 horas. Hay tres matices importantes, y los da METR. El primero es que el 50% de éxito es un listón bajo para una empresa, y con una exigencia del 80% el horizonte se acorta mucho. El segundo es que sus tareas son sobre todo de software, aprendizaje automático y ciberseguridad, es decir, de los dominios verificables. El tercero es que por encima de 16 horas su batería de pruebas ya no mide con fiabilidad. Además está la memoria. Un empleado aprende el primer mes y no comete el mismo error dos veces. Un modelo, en general, empieza cada conversación de cero. El informe del proyecto NANDA del MIT de 2025 lo señalaba como la causa principal de que, según sus autores, el 95% de los pilotos de IA generativa en empresas no diera un retorno medible: herramientas que no retienen lo aprendido ni se adaptan al contexto. La oficina real es justo eso. Contexto desordenado, decisiones que dependen de lo que se habló hace tres semanas y nadie que te diga si lo has hecho bien.

DEL EXAMEN AL EMPLEO: LO QUE HAY QUE SEPARAR DEL HYPE. OpenAI creó GDPval para medir trabajo con valor económico. Son tareas de 44 ocupaciones que hacen profesionales con años de experiencia, y luego otros expertos comparan a ciegas los resultados. En diciembre de 2025, OpenAI anunció que GPT-5.2 Thinking igualaba o superaba al profesional en el 70,9% de los casos. Es un avance real. Pero cada tarea llega con todas las instrucciones y archivos necesarios, y se resuelve de una sola vez. No hay reuniones, no hay cambios de criterio a mitad de camino ni hay un jefe que olvidó mencionar algo. Es un examen muy bien diseñado, pero sigue siendo un examen. La adopción real va más despacio. Según la encuesta de la Oficina del Censo de EE. UU. analizada en un estudio del NBER, entre noviembre de 2025 y enero de 2026 el 18% de las empresas usaba IA en alguna función. Ponderado por empleados, el dato sube al 32%, porque las grandes adoptan más. Y el estudio aleatorizado de METR de 2025 dejó una lección incómoda. Desarrolladores veteranos tardaron un 19% más con IA en sus propios proyectos, aunque creían haber ido un 20% más rápido. Los propios autores advierten de que no debe generalizarse, y las herramientas han mejorado mucho desde entonces. Aun así, muestra que la percepción engaña. Nuestra lectura: un benchmark dice qué puede hacer un modelo en condiciones ideales. El empleo depende de lo que hace en condiciones reales, y la distancia entre ambas cosas es justo la frontera irregular.

QUÉ DICE ESTO DE SU FUTURO. La irregularidad no es estática, y esa es la parte optimista. La frontera se mueve, y se mueve en una dirección predecible. Para los trabajadores, la pregunta útil no es si su empleo es difícil. Es si el resultado de su trabajo se puede comprobar de forma automática. Lo verificable caerá antes: código rutinario, conciliaciones, informes con formato fijo. Es coherente con lo que venimos contando en nuestra serie sobre empleo: el back-office es lo más expuesto. El criterio, la relación con el cliente y la gestión de la ambigüedad resisten más tiempo. Para las empresas, la lección del estudio de Harvard es que hace falta saber dónde está la frontera en sus propios procesos antes de automatizarlos. No basta con la demo. A corto plazo los problemas son reales. Hay empleos expuestos en tareas verificables. Hay errores caros cuando se confía en la IA fuera de su terreno. Y hay una brecha entre lo que se promete y lo que rinde. A más largo plazo, las tres causas tienen solución en el horizonte. Los laboratorios trabajan en verificadores para tareas más abiertas, en memoria persistente y en agentes capaces de trabajar durante días. Y la ciencia, del plegamiento de proteínas al diseño de fármacos, está llena de problemas que sí se pueden comprobar. Por eso el mismo mecanismo que hoy da oros en matemáticas puede acelerar mañana la lucha contra enfermedades. La IA que ganará primero es la que puede demostrar que acierta. Si conseguimos que la parte comprobable del trabajo la hagan las máquinas, a las personas les quedará la parte que exige criterio, relación y pasión. Ese es el futuro que merece la pena construir, con los pies en el suelo.