Los modelos Frontier fallan en uno de cada tres intentos de producción y cada vez son más difíciles de auditar

Los agentes de IA ahora están integrados en flujos de trabajo empresariales reales y todavía fallan aproximadamente en uno de cada tres intentos en evaluaciones comparativas estructuradas. Eso brecha entre capacidad y confiabilidad es el desafío operativo decisivo para los líderes de TI en 2026, según el noveno informe anual del Índice de IA de Stanford HAI.

Este desempeño desigual e impredecible es lo que el Índice AI llama la «frontera irregular», un término acuñado por el investigador de IA Ethan Mollick para describir el límite donde la IA sobresale y luego falla repentinamente.

«Los modelos de IA pueden ganar una medalla de oro en la Olimpiada Internacional de Matemáticas», señalan los investigadores de HAI de Stanford, «pero aún no pueden decir la hora de manera confiable».

Cómo avanzaron los modelos en 2025

La adopción de la IA empresarial ha alcanzado el 88%. Logros notables en 2025 y principios de 2026:

• Los modelos Frontier mejoraron un 30% en sólo un año El último examen de la humanidad (HLE), que incluye 2500 preguntas sobre matemáticas, ciencias naturales, lenguas antiguas y otros subcampos especializados. HLE se creó para ser difícil para la IA y favorable para los expertos humanos.

• Los modelos líderes obtuvieron puntuaciones superiores al 87 % en MMLU-Pro, que prueba el razonamiento de varios pasos basado en 12.000 preguntas revisadas por humanos en más de una docena de disciplinas. Esto ilustra “cuán competitiva se ha vuelto la frontera en tareas de conocimiento amplio”, señalan los investigadores de Stanford HAI.

• Los mejores modelos, incluidos Claude Opus 4.5, GPT-5.2 y Qwen3.5, obtuvieron entre 62,9% y 70,2% en τ-bench. El punto de referencia prueba a los agentes en tareas del mundo real en dominios realistas que implican chatear con un usuario y llamar a herramientas o API externas.

• La precisión del modelo en GAIA, que compara a los asistentes generales de IA, aumentó de aproximadamente el 20% al 74,5%.

• El rendimiento de los agentes en SWE-bench Verified aumentó del 60 % a casi el 100 % en sólo un año. El punto de referencia evalúa los modelos según su capacidad para resolver problemas de software del mundo real.

• Las tasas de éxito en WebArena aumentaron del 15 % en 2023 al 74,3 % a principios de 2026. Este punto de referencia presenta un entorno web realista para evaluar agentes autónomos de IA, asignándoles tareas de recuperación de información, navegación del sitio y configuración de contenido.

• El rendimiento de los agentes progresó del 17 % en 2024 a aproximadamente el 65 % a principios de 2026 en MLE-bench, que evalúa las capacidades de ingeniería de aprendizaje automático (ML).

Los agentes de IA están mostrando ganancias de capacidad en ciberseguridad. Por ejemplo, los modelos de frontera resolvieron el 93% de los problemas en Cybench, un punto de referencia que incluye 40 tareas de nivel profesional en seis categorías de captura de bandera, que incluyen criptografía, seguridad web, ingeniería inversa, análisis forense y explotación.

Esto se compara con el 15% en 2024 y representa la «tasa de mejora más pronunciada», lo que indica que las tareas de ciberseguridad son «una buena opción para las capacidades actuales de los agentes».

La generación de vídeo también ha evolucionado significativamente durante el último año; Los modelos ahora pueden capturar cómo se comportan los objetos. Por ejemplo, Veo 3 de Google DeepMind se probó en más de 18.000 vídeos generados y demostró la capacidad de simular flotabilidad y resolver laberintos sin haber sido capacitado en esas tareas.

«Los modelos de generación de vídeo ya no se limitan a producir contenidos de apariencia realista», escriben los investigadores. «Algunos están empezando a aprender cómo funciona realmente el mundo físico».

En general, la IA se utiliza en una serie de áreas empresariales (gestión del conocimiento, ingeniería de software y TI, marketing y ventas) y se está expandiendo a dominios especializados como impuestos, procesamiento de hipotecas, finanzas corporativas y razonamiento legal, donde la precisión oscila entre el 60 y el 90%.

“La capacidad de la IA no se está estancando”, afirma Stanford HAI. «Se está acelerando y llegando a más personas que nunca».

La capacidad de la IA aumenta, pero la confiabilidad disminuye

Los modelos multimodales ahora cumplen o superan las bases humanas en preguntas científicas de nivel de doctorado, razonamiento multimodal y matemáticas competitivas. Por ejemplo, Gemini Deep Think obtuvo una medalla de oro en la Olimpiada Internacional de Matemáticas (OMI) de 2025, resolviendo cinco de seis problemas de principio a fin en lenguaje natural dentro del límite de tiempo de 4,5 horas, una mejora notable con respecto a una puntuación de nivel plata en 2024.

Sin embargo, estos mismos sistemas de IA todavía fallan en aproximadamente uno de cada tres intentos y tienen problemas con las tareas básicas de percepción, según Stanford HAI. En ClockBench, una prueba que cubre 180 diseños de relojes y 720 preguntas, Gemini Deep Think logró solo un 50,1% de precisión, en comparación con aproximadamente el 90% de los humanos. GPT-4.5 High alcanzó una puntuación casi idéntica del 50,6%.

«Muchos modelos multimodales todavía luchan con algo que la mayoría de los humanos consideran rutinario: decir la hora», señala el informe HAI de Stanford. La tarea aparentemente simple combina la percepción visual con aritmética simple, la identificación de las manecillas del reloj y sus posiciones, y su conversión en un valor de tiempo. En última instancia, los errores en cualquiera de estos pasos pueden producirse en cascada y dar lugar a resultados incorrectos, según los investigadores.

En el análisis, se mostró a los modelos una variedad de estilos de relojes: analógicos estándar, relojes sin segundero, aquellos con flechas como manecillas, otros con esferas negras o números romanos. Pero incluso después de realizar ajustes en 5.000 imágenes sintéticas, los modelos mejoraron sólo en formatos familiares y no lograron generalizarse a variaciones del mundo real (como esferas distorsionadas o manecillas más delgadas).

Los investigadores extrapolaron que, cuando los modelos confundían las manecillas de las horas y los minutos, su capacidad para interpretar la dirección se deterioraba, lo que sugiere que el desafío no radica sólo en los datos, sino en la integración de múltiples señales visuales.

«Incluso cuando los modelos cierran la brecha con los expertos humanos en tareas intensivas en conocimiento, este tipo de razonamiento visual sigue siendo un desafío persistente», señala Stanford HAI.

Las alucinaciones y el razonamiento de varios pasos siguen siendo lagunas importantes

Incluso cuando los modelos siguen acelerando su razonamiento, las alucinaciones siguen siendo una preocupación importante.

En un punto de referencia, por ejemplo, las tasas de alucinaciones en 26 modelos líderes oscilaron entre el 22% y el 94%. La precisión de algunos modelos cayó drásticamente cuando se los puso bajo escrutinio; por ejemplo, la precisión del GPT-4o cayó del 98,2% al 64,4%, y DeepSeek R1 se desplomó de más del 90% al 14,4%.

Por otro lado, Grok 4.20 Beta, Claude 4.5 Haiku y MiMo-V2-Pro mostraron las tasas más bajas.

Además, los modelos siguen teniendo dificultades con los flujos de trabajo de varios pasos, incluso cuando se les asignan más tareas. Por ejemplo, en el punto de referencia τ-bench, que evalúa el uso de herramientas y el razonamiento de múltiples turnos, ningún modelo superó el 71%, lo que sugiere que “gestionar conversaciones de múltiples turnos mientras se utilizan correctamente las herramientas y se siguen las restricciones políticas sigue siendo difícil incluso para los modelos de frontera”, según el informe HAI de Stanford.

Los modelos se vuelven opacos

Los modelos líderes ahora son “casi indistinguibles” entre sí en lo que respecta al rendimiento, señala el informe HAI de Stanford. Los modelos de peso abierto son más competitivos que nunca, pero están convergiendo.

Como la capacidad ya no es un “claro diferenciador”, la presión competitiva se está desplazando hacia el costo, la confiabilidad y la utilidad en el mundo real.

Los laboratorios Frontier están revelando menos información sobre sus modelos, los métodos de evaluación están perdiendo relevancia rápidamente y las pruebas independientes no siempre pueden corroborar las métricas informadas por los desarrolladores.

Como señala Stanford HAI: «Los sistemas más capaces son ahora los menos transparentes».

El código de entrenamiento, el recuento de parámetros, el tamaño de los conjuntos de datos y la duración a menudo son retenidos por empresas como OpenAI, Anthropic y Google. Y la transparencia está disminuyendo en términos más generales: en 2025, 80 de 95 modelos se lanzaron sin el código de capacitación correspondiente, mientras que solo cuatro hicieron su código completamente abierto.

Además, después de aumentar entre 2023 y 2024, las puntuaciones en el Índice de transparencia del modelo de fundación – que clasifica a los principales desarrolladores de fundaciones según 100 indicadores de transparencia – han disminuido desde entonces. La puntuación media es ahora de 40, lo que representa una disminución de 17 puntos.

“Persisten lagunas importantes en la divulgación de datos de capacitación, recursos informáticos y el impacto posterior a la implementación”, según el informe.

La evaluación comparativa de la IA es cada vez más difícil y menos confiable

Los puntos de referencia utilizados para medir el progreso de la IA enfrentan crecientes problemas de confiabilidad, con tasas de error que alcanzan el 42% en evaluaciones ampliamente utilizadas. “La IA se está probando de manera más ambiciosa en términos de razonamiento, seguridad y ejecución de tareas del mundo real”, señala el informe de Stanford, pero “es cada vez más difícil confiar en esas mediciones”.

Los desafíos clave incluyen:

• Informes «escasos y en declive» sobre el sesgo de los desarrolladores

• Contaminación de referencia, o cuando los modelos están expuestos a datos de prueba; esto puede conducir a puntuaciones “falsamente infladas”

• Discrepancias entre los resultados informados por los desarrolladores y las pruebas independientes

• Evaluaciones “mal construidas” que carecen de documentación, detalles sobre significación estadística y guiones reproducibles.

• “Creciente opacidad e indicaciones no estándar” que hacen que las comparaciones entre modelos no sean confiables

«Incluso cuando las puntuaciones de los puntos de referencia son técnicamente válidas, un buen rendimiento de los puntos de referencia no siempre se traduce en utilidad en el mundo real», según el informe. Además, «la capacidad de la IA está superando los puntos de referencia diseñados para medirla».

Esto está llevando a una “saturación de los puntos de referencia”, donde los modelos alcanzan puntuaciones tan altas que las pruebas ya no pueden diferenciar entre ellos. Cada vez es más difícil comparar formas de inteligencia más complejas e interactivas. Algunos piden evaluaciones que midan la colaboración entre humanos e IA, en lugar del rendimiento de la IA de forma aislada, pero esta técnica se encuentra en una etapa temprana de desarrollo.

“Las evaluaciones que debían ser desafiantes durante años se saturan en meses, comprimiendo la ventana en la que los puntos de referencia siguen siendo útiles para seguir el progreso”, según Stanford HAI.

¿Estamos en el «pico de datos»?

A medida que los constructores avanzan hacia una inferencia más intensiva en datos, existe una creciente preocupación por los cuellos de botella de los datos y la sostenibilidad a escala. Los principales investigadores advierten que el conjunto disponible de textos humanos y datos web de alta calidad se ha «agotado», un estado conocido como «datos máximos».

Los enfoques híbridos que combinan datos reales y sintéticos pueden “acelerar significativamente el entrenamiento” (a veces en un factor de 5 a 10) y modelos más pequeños entrenados con datos puramente sintéticos se han mostrado prometedores para tareas estrechamente definidas como clasificación o generación de código, según Stanford HAI.

Los datos generados sintéticamente pueden ser eficaces para mejorar el rendimiento del modelo en entornos posteriores al entrenamiento, incluido el ajuste fino, la alineación, el ajuste de instrucciones y el aprendizaje por refuerzo (RL), señala el informe. Sin embargo, «estos avances no se han generalizado a grandes modelos de lenguaje de propósito general».

En lugar de escalar los datos “indiscriminadamente”, los investigadores están recurriendo a podar, curar y refinar los insumos, y están mejorando el rendimiento limpiando etiquetas, deduplicando muestras y construyendo conjuntos de datos generales de mayor calidad.

«Las discusiones sobre la disponibilidad de datos a menudo pasan por alto un cambio importante en la investigación reciente de la IA», según el informe. «Las mejoras en el rendimiento se deben cada vez más a la mejora de la calidad de los conjuntos de datos existentes, no a la adquisición de más».

La IA responsable se está quedando atrás

Si bien la infraestructura para una IA responsable está creciendo, el progreso ha sido «desigual» y no puede seguir el ritmo de las rápidas ganancias de capacidad, según Stanford HAI.

Si bien casi todos los principales desarrolladores de modelos de IA de vanguardia informan resultados sobre puntos de referencia de capacidad, los informes correspondientes sobre seguridad y responsabilidad son inconsistentes y “irregulares”.

Los incidentes de IA documentados aumentaron significativamente año tras año: 362 en 2025 en comparación con 233 en 2024. Y, si bien varios modelos fronterizos recibieron calificaciones de seguridad «Muy buena» o «Buena» en uso estándar (según el Punto de referencia AILuminateque evalúa la IA generativa en 12 categorías de «peligros», el rendimiento de seguridad cayó en todos los modelos cuando se probó contra intentos de jailbreak utilizando indicaciones adversas.

«Los modelos de IA funcionan bien en pruebas de seguridad en condiciones normales, pero sus defensas se debilitan ante un ataque deliberado», señala Stanford HAI.

Además de este desafío, los constructores han informado que mejorar una dimensión, como la seguridad, puede degradar otra, como la precisión. «La infraestructura para una IA responsable está creciendo, pero el progreso ha sido desigual y no sigue el ritmo de la velocidad de implementación de la IA», según investigadores de Stanford.

Los datos de Stanford dejan una cosa clara: la brecha que importa en 2026 no es entre la IA y el desempeño humano. Está entre lo que la IA puede hacer en una demostración y lo que hace de manera confiable en producción. En este momento, con menos transparencia por parte de los laboratorios y puntos de referencia que se saturan antes de ser útiles, esa brecha es más difícil que nunca de medir.