En mayo de 2026, PNAS publicó un estudio con un resultado extraño: en conversaciones escritas de cinco minutos, los participantes escogían a GPT-4.5 como interlocutor humano más a menudo que a la persona con la que competía. Ocurría en el 73 % de las comparaciones cuando el modelo recibía instrucciones para adoptar una personalidad humana. La investigación, adelantada en 2025, añadía además pruebas de quince minutos con otros modelos. El trabajo de Cameron Jones y Benjamin Bergen permite hablar de avances concretos en el test de Turing.
Durante décadas, ese nombre ha servido para imaginar una frontera: el día en que una conversación no nos permitiera distinguir a una máquina de una persona. Ahora que algunos sistemas cruzan esa frontera bajo condiciones experimentales, aparece una pregunta menos cómoda. ¿Cuánto nos dice ese resultado sobre su inteligencia?
La respuesta exige volver al problema que Turing estaba planteando. También distinguir entre el valor histórico de su propuesta, lo que una prueba concreta consigue medir y las consecuencias de convivir con sistemas capaces de resultar convincentes.
En 1950, Turing cambió la pregunta
Alan Turing abrió Computing Machinery and Intelligence preguntándose si las máquinas podían pensar. Enseguida propuso sustituir esa discusión por un juego observable. Su primera versión involucraba a un hombre, una mujer y una persona que debía distinguirlos a través de mensajes escritos; después preguntaba qué ocurriría si una máquina ocupase el lugar del hombre.
De ahí procede la versión más conocida: un juez conversa por escrito con una persona y una máquina, sin saber quién es quién. El texto deja fuera la apariencia y la voz. Las preguntas pueden recorrer muchos ámbitos, y el juez puede insistir donde sospeche una diferencia.
El juez sabe que hay una persona y una máquina. Al terminar, debe identificar a la persona. Si elige al azar entre ambas, acertaría aproximadamente la mitad de las veces.
Esquema propio de la versión habitual con tres participantes. El planteamiento inicial de Turing partía de distinguir a un hombre de una mujer.
El movimiento sigue teniendo fuerza: si atribuimos capacidades intelectuales a otras personas por lo que hacen y dicen, necesitamos justificar qué evidencia diferente exigiríamos a una máquina. Descartar cualquier respuesta porque sabemos que procede de un ordenador dejaría la discusión decidida de antemano.
Además, una conversación abierta permite cambiar el examen sobre la marcha. Podemos pedir una explicación, introducir una contradicción o comprobar si el interlocutor sigue una broma. El interés está en esa flexibilidad: quien pregunta puede explorar la respuesta anterior, en lugar de limitarse a corregir una lista de soluciones previstas.
Turing también imaginó máquinas que aprendieran mediante una especie de educación. Su artículo era más amplio que la prueba que heredó su nombre. Reducirlo a un concurso para engañar a alguien hace perder esa ambición: construir y estudiar capacidades que hasta entonces asociábamos a la mente humana.
ELIZA mostró cuánto aporta quien conversa
En 1966, Joseph Weizenbaum presentó ELIZA, un programa que transformaba frases mediante reglas. Su conocido guion de conversación imitaba ciertos recursos de un psicoterapeuta: devolver preguntas, recoger palabras del interlocutor y animarlo a continuar.
Un fragmento del diálogo publicado basta para ver el mecanismo:
Persona: «Mi madre cuida de mí».
ELIZA: «¿Quién más de tu familia cuida de ti?».
Una referencia familiar activa una regla que permite reconstruir la pregunta. La pertinencia de la respuesta no requiere una representación de la madre ni de los cuidados que presta.
Traducción de dos intervenciones del diálogo original de Weizenbaum. No es una conversación generada para este artículo.
La situación facilita la ilusión. Si esperamos que nuestro interlocutor haga preguntas sobre lo que acabamos de decir, devolver una pregunta puede parecer una señal de atención. Nosotros aportamos la historia, reconocemos una conexión y completamos lo que la respuesta deja abierto.
Eso ayuda a entender el llamado efecto ELIZA: atribuir comprensión o cualidades humanas a un sistema a partir de su conducta conversacional. No significa que ELIZA superara una prueba general exigente. Muestra algo más acotado y útil: parte de la impresión de inteligencia se construye en quien interpreta la respuesta.
Los modelos de lenguaje actuales tienen otro funcionamiento. Aprenden regularidades a partir de grandes cantidades de datos y generan respuestas condicionadas por la conversación; no dependen de un guion de palabras clave como aquel. La distancia técnica es enorme. La pregunta que deja ELIZA, sin embargo, continúa abierta en cada interacción: ¿qué está demostrando el sistema y qué estamos añadiendo nosotros al leerlo?
La objeción de la habitación china y el problema de parecerse
En 1980, John Searle propuso la habitación china. Imaginó a alguien que no entiende chino, encerrado con instrucciones para manipular símbolos. Recibe preguntas, sigue las reglas y entrega respuestas que parecen escritas por un hablante competente. Desde fuera, la conversación funciona; desde dentro, la persona sigue sin entender el idioma.
Searle quería mostrar que ejecutar un programa no basta por sí solo para comprender. La objeción del sistema responde que quizá la comprensión corresponda al conjunto —persona, reglas y memoria—, aunque una de sus partes no entienda. Searle discutió esa respuesta; el desacuerdo depende de dónde situamos la comprensión y de qué consideramos suficiente para producirla.
Conviene conservar el experimento como argumento filosófico. No es una medición de un modelo actual ni una demostración experimental de que una máquina jamás podrá entender. Sí obliga a explicar el salto entre observar respuestas apropiadas y atribuirles una determinada vida mental.
Hay otra crítica que afecta directamente al trabajo de investigación. En Turing Test Considered Harmful, de 1995, Patrick Hayes y Kenneth Ford cuestionaban que imitar a una persona debiera ser el objetivo organizador de la IA. Su analogía con el vuelo señalaba la diferencia entre reproducir a un animal y estudiar los principios que permiten construir una máquina útil.
Podemos trasladar esa objeción a una situación sencilla. Supongamos que queremos un programa que encuentre errores en un cálculo. Si responde con exactitud, será útil. Si además aprende a cometer fallos verosímiles para que lo confundamos con una persona, puede mejorar en un juego de imitación mientras empeora en el encargo para el que lo queríamos.
El propio diálogo imaginado por Turing contenía una suma incorrecta:
Pregunta: sumar 34 957 y 70 764.
Respuesta imaginada: después de unos 30 segundos, 105 621.
El resultado correcto es 105 721. En este juego, la lentitud y el error pueden resultar compatibles con la identidad que la máquina intenta representar. En una prueba de cálculo, contarían como un fallo.
Adaptación del ejemplo de la sección 2 de Turing (1950). Es un diálogo hipotético del autor, no el resultado de una máquina de aquella época.
Esto no invalida la conversación como prueba. Una entrevista rigurosa puede revelar capacidades que un cuestionario cerrado deja pasar. Lo que pone en duda es el criterio final: elegir a quien parece humano mezcla competencia, estilo, expectativas y conocimiento del contexto social.
Qué han superado realmente los modelos actuales
El estudio de Jones y Bergen permite observar esa mezcla con controles explícitos. En las primeras pruebas participaron estudiantes universitarios y personas reclutadas en Prolific, una plataforma de investigación. Cada juez conversaba a la vez con un humano y un sistema, mediante dos chats separados.
Los investigadores compararon dos formas de instruir a los modelos. Una les daba el objetivo de convencer al juez de que eran humanos, junto con información del contexto. La otra añadía una personalidad: alguien joven, introvertido, familiarizado con la cultura de internet y que utilizaba lenguaje informal. Por tanto, «sin personalidad» tampoco significa usar el asistente tal como aparece al abrir una aplicación.
Con dos opciones, elegir al azar daría alrededor del 50 %. El 73 % mide elecciones del juez: no significa «un 73 % de inteligencia humana».
Gráfico propio a partir de «Win Rates» y la tabla 1 del artículo publicado. Porcentajes redondeados, dos poblaciones y conversaciones con límite de cinco minutos. Se muestran estimaciones agregadas, sin intervalos de confianza. El resumen del artículo invierte el orden de las dos cifras sin personalidad; aquí se sigue el cuerpo de resultados.
La diferencia entre las dos instrucciones importa tanto como la cifra más alta. La prueba responde a cómo se presenta el sistema ante el juez. Adaptar la conversación a esa situación forma parte de la capacidad demostrada; también limita lo que podemos deducir sobre otras tareas.
La publicación de 2026 fue más allá de los cinco minutos del preprint de 2025. Añadió una réplica en la que las conversaciones duraban quince minutos completos. GPT-5, que reemplazó a GPT-4.5 en esa fase, fue elegido como humano en el 59 % de las comparaciones; Llama 3.1, en el 56 %. Ambos recibieron instrucciones de personalidad. Los autores interpretan que superan esta versión del test.
Esa ampliación impide despachar el resultado diciendo que todo desaparece en cuanto la conversación dura algo más. A la vez, cambiar GPT-4.5 por GPT-5 impide interpretar las dos cifras como una medición limpia de cuánto pierde el mismo modelo al triplicar el tiempo. La conclusión debe conservar el modelo, las instrucciones, los participantes y la duración que la sostienen.
Tampoco basta con ver un porcentaje cercano al 50 % y declarar una equivalencia universal. Una muestra tiene incertidumbre; no detectar una diferencia en un experimento no demuestra que sea imposible encontrarla con otros jueces o condiciones. El valor de estos trabajos está en convertir una intuición cultural en una comparación que podemos examinar, repetir y discutir.
Su lugar en la IA es más preciso que su fama
Históricamente, el test ayudó a formular una discusión sobre inteligencia artificial en términos de conducta observable. Como herramienta de investigación, conserva valor para estudiar la imitación conversacional y las señales que utilizamos para reconocer a otras personas. Como medida general de la calidad de una IA, deja demasiadas preguntas abiertas.
Esa diferencia se aprecia al compararlo con evaluaciones que se usan para investigar otras capacidades. SWE-bench plantea incidencias de proyectos de software y evalúa si los cambios propuestos las resuelven mediante pruebas. HELM combina escenarios con medidas de precisión, robustez, calibración, sesgos, toxicidad o eficiencia. La calibración examina, en términos sencillos, si la confianza del sistema se corresponde con sus aciertos.
| Evaluación | Qué se observa | Qué queda fuera |
|---|---|---|
| Juego de imitación | Si el juez identifica al humano en una conversación. | La corrección de un trabajo que no se le ha pedido realizar. |
| SWE-bench | Si un cambio de código resuelve una incidencia y supera las pruebas. | Que el sistema pueda asumir cualquier trabajo de ingeniería. |
| HELM | Cómo se comporta el modelo en varios escenarios y dimensiones. | Una respuesta definitiva sobre conciencia o comprensión. |
En el artículo sobre cómo cambiaron los benchmarks de IA recorríamos el paso desde completar textos hasta resolver encargos profesionales. El test de Turing ilumina otra parte del problema: la posibilidad de ocupar el lugar de un interlocutor humano sin que el juez lo advierta. Esa capacidad puede coexistir con errores en matemáticas, código o hechos verificables.
La evaluación de humanidad tampoco se traslada automáticamente de un medio a otro. Un trabajo presentado en ICLR 2026 sobre conversación por voz reunió 2 968 juicios humanos sobre diálogos de nueve sistemas y 28 participantes. Ninguno de los sistemas evaluados superó su prueba. Los autores situaron dificultades en aspectos como la expresividad emocional y las señales de la voz que acompañan a las palabras.
El estudio tiene sus propios sistemas y protocolo; no refuta los resultados obtenidos por escrito. Muestra por qué hablar de «el test» como un examen único puede confundir. Eliminar la voz, como hacía Turing, delimita una pregunta. Volver a introducirla añade capacidades y pistas diferentes.
La mejor defensa de Turing sigue siendo incómoda
Sería fácil cerrar el debate afirmando que una máquina solo imita. Pero esa respuesta deja pendiente qué clase de evidencia aceptaríamos para revisar nuestra opinión. Si una conversación más larga, una explicación más precisa o una respuesta a una situación nueva nunca pudieran contar a favor, habríamos convertido la conclusión en una condición de partida.
La fuerza de la propuesta está en obligarnos a concretar nuestras exigencias. Una persona puede comprender algo y explicarlo mal. Otra puede sonar muy segura y estar equivocada. Al juzgar a un sistema artificial necesitamos separar esas posibilidades con el mismo cuidado, sin dar por resueltas sus capacidades por una frase convincente ni descartarlas por su origen.
Podemos diseñar pruebas para saber si mantiene una explicación al cambiar los datos, si reconoce una contradicción o si utiliza lo aprendido en un problema distinto. Esas observaciones aportan evidencia sobre capacidades. La cuestión de si además existe experiencia subjetiva —si hay algo que se sienta al ser ese sistema— requiere un argumento adicional. Una votación sobre qué interlocutor parece humano no ofrece por sí sola ese puente.
Por eso merece la pena conservar las dos ideas a la vez: pasar una prueba conversacional exigente es un logro, y ese logro no decide todas las cuestiones que asociamos a la palabra inteligencia. Tener límites no vuelve irrelevante una medida; obliga a utilizarla para aquello que permite observar.
Cuando reconocer a una persona deja de depender de cómo escribe
Imaginemos un foro donde alguien responde con paciencia, recuerda lo que le hemos contado y utiliza las mismas referencias culturales que nosotros. Podemos llegar a confiar en ese interlocutor sin preguntarle por un teorema ni someterlo a una prueba de programación. Nos basta con que la conversación encaje en lo que esperamos de otra persona.
Si un sistema puede producir esa impresión, aparece una consecuencia social aunque sigamos discutiendo si comprende. Un participante artificial podría presentarse como consumidor satisfecho, vecino o compañero de afición. Una interacción breve convincente no demuestra que pueda mantener la identidad durante meses; sí da motivos para estudiar en qué contextos las señales de humanidad dejan de ayudarnos a reconocer a quien tenemos delante.
También existe el caso transparente: alguien sabe que está hablando con una IA y aun así encuentra útil o agradable la conversación. La misma capacidad lingüística puede servir para explicar algo con tacto o para sostener una identidad falsa. La diferencia depende de cómo se presenta el sistema, de lo que se promete al usuario y de quién responde por su funcionamiento.
Ahí situaríamos hoy una parte importante de la vigencia del test. La historia de Turing nos ayuda a pensar qué evidencia aceptaríamos de una inteligencia artificial. Sus versiones experimentales nos enseñan, además, qué señales usamos para atribuir humanidad y lo fácil o difícil que resulta reproducirlas.
Cuando una máquina parece humana, hemos demostrado algo sobre su comportamiento y sobre nuestro juicio. Para saber qué comprende, qué puede hacer con fiabilidad y qué relación queremos mantener con ella, necesitamos seguir preguntando. Y para saber con quién estamos hablando, cada vez tendremos más razones para pedir algo más que una buena conversación.
Fuentes
- Alan Turing: Computing Machinery and Intelligence (1950). Juego de imitación, ejemplo aritmético y máquinas que aprenden.
- Joseph Weizenbaum: artículo original de ELIZA (1966). Funcionamiento mediante reglas y diálogo reproducido.
- John Searle: Minds, Brains, and Programs (1980). Transcripción de un borrador previo a publicación: habitación china y objeciones.
- Patrick Hayes y Kenneth Ford: Turing Test Considered Harmful (1995). Crítica a organizar la investigación alrededor de la imitación humana.
- Cameron Jones y Benjamin Bergen: Large language models pass a standard three-party Turing test, PNAS (19 de mayo de 2026), también disponible en PubMed Central. Resultados, instrucciones, controles y réplica de quince minutos. El preprint de marzo de 2025 contiene las primeras pruebas de cinco minutos.
- Carlos E. Jimenez y colaboradores: SWE-bench (2023). Evaluación de cambios de código para resolver incidencias reales.
- Percy Liang y colaboradores: Holistic Evaluation of Language Models (2022; publicación en TMLR, 2023). Evaluación por escenarios y múltiples dimensiones.
- Xiang Li y colaboradores: Human or Machine? A Preliminary Turing Test for Speech-to-Speech Interaction, ICLR 2026. Versión revisada el 8 de septiembre de 2026; resultados limitados a los sistemas y al protocolo evaluados.
