Por qué el test de Turing perdió su sentido en la era de la IA

En una prueba controlada de cinco minutos realizada en 2024, los participantes identificaron a GPT-4 como humano el 54% de las veces. En otra prueba de tres participantes, GPT-4.5 llegó al 73% cuando recibió instrucciones para adoptar una personalidad humana. Estos datos no demuestran que un modelo de lenguaje se haya convertido en una persona. Demuestran que una conversación breve por texto es una forma débil de distinguir a una persona de una máquina.

Por eso el test de Turing perdió su lugar como examen general de la inteligencia. Todavía sirve para medir si un sistema puede imitar una conversación humana bajo un protocolo concreto. No dice si comprende el mundo, detecta sus propios errores, mantiene un plan durante horas o puede encargarse de una tarea real.

Qué propuso realmente Turing

En su artículo de 1950, “Computing Machinery and Intelligence”, Alan Turing comenzó con la pregunta «¿Pueden pensar las máquinas?». En vez de fijar primero una definición de «máquina» y «pensar», describió un juego de imitación. Un interrogador humano se comunica por texto con dos participantes ocultos: una persona y una máquina.

El interrogador debe decidir cuál de los dos es la máquina. Si la máquina vuelve poco fiable ese juicio, gana el juego. El diseño excluye la voz, la apariencia y el movimiento físico; el resultado depende de la conversación escrita y del razonamiento que aparece en ella.

La idea era inteligente porque el pensamiento no se puede observar directamente, mientras que una conducta conversacional sí se puede registrar. El problema llegó después: una aproximación conductual empezó a tratarse como una teoría completa de la inteligencia.

El lenguaje se convirtió en una superficie optimizable

Los modelos de lenguaje aprenden a partir de grandes colecciones de textos humanos y generan continuaciones plausibles. En un examen cuyo objetivo visible es “parecer humano”, comienzan con una ventaja estructural.

Un modelo no necesita haber tenido infancia para contar un recuerdo convincente. No necesita sentimientos privados para responder con empatía. Tampoco necesita una memoria personal duradera para sostener un personaje durante cinco minutos. Esas conductas pueden producirse con patrones lingüísticos, instrucciones y contexto.

El estilo se puede ajustar todavía más: usar jerga, escribir poco, cometer errores ocasionales, fingir inseguridad o cambiar de tema cuando la pregunta se complica. Eso no hace inútil la naturalidad en un asistente. La confusión aparece cuando una buena interfaz conversacional se toma como prueba de capacidades internas mucho más amplias.

El juego premia la actuación, no la fiabilidad

Un asistente fiable debería separar hechos de conjeturas, citar fuentes, reconocer la falta de evidencia, pedir contexto y detenerse ante una acción peligrosa. En una charla informal, esas precauciones pueden hacerlo parecer menos humano, porque las personas también son inconsistentes y se equivocan con confianza.

El juego de imitación premia otra cosa. Fingir una experiencia personal, cometer un pequeño error o esquivar una respuesta precisa puede mejorar la impresión de humanidad. El objetivo es convencer al juez, no entregar la respuesta más exacta.

Cuando un modelo optimiza una puntuación que recompensa el engaño, puede mejorar sin volverse más competente. Esa es la falla de medición: se evalúa la resistencia del juez a las señales sociales, no la capacidad del sistema para trabajar de manera segura.

Lo que muestran las pruebas recientes

El estudio preregistrado de Jones y Bergen de 2024 comparó ELIZA, GPT-3.5, GPT-4 y participantes humanos en conversaciones de cinco minutos. GPT-4 fue considerado humano en el 54% de los casos; los participantes humanos alcanzaron el 67%.

El resultado importante no es que GPT-4 sea “casi humano”. Es que la identidad se vuelve difícil de juzgar incluso en una interacción corta. Los autores observaron que el estilo y las señales socioemocionales pesaban más que las nociones tradicionales de inteligencia.

En el estudio de 2025 “Large Language Models Pass the Turing Test”, GPT-4.5 fue considerado humano el 73% de las veces con una personalidad humanizada. Llama 3.1 alcanzó el 56%, mientras GPT-4o y ELIZA obtuvieron 21% y 23%. El texto es un preprint de arXiv, así que sus resultados deben leerse con esa cautela. Su patrón general sí es claro: el protocolo y las instrucciones cambian mucho el resultado.

Parecer humano no demuestra comprensión

Un sistema puede generar una respuesta persuasiva sin tener una representación del mundo conectada con los hechos. Puede describir una emoción sin sentirla, explicar una demostración y cometer luego un error lógico básico, o mencionar un turno anterior sin conservar una memoria estable de la persona.

Esto no demuestra que los modelos no tengan ninguna forma de comprensión. Demuestra que el test de Turing no puede resolver esa cuestión. La misma conducta externa puede surgir de procesos internos muy distintos, y una transcripción no permite observarlos.

El trabajo real exige mantener estados, validar entradas, usar herramientas, detectar fallos, revisar planes y dejar registros. Una buena conversación de cinco minutos no predice por sí sola el resultado de una investigación de seis horas o de un cambio de software con muchos pasos.

También existe el caso inverso. Un motor de ajedrez o un sistema científico puede superar a las personas en un dominio sin imitar una conversación humana. El estilo humano es una forma de conducta relacionada con la inteligencia; no es su definición.

La pregunta práctica se invirtió

El juego original preguntaba si una máquina podía hacer creer a alguien que era humana. Hoy necesitamos preguntar cómo verificar el origen, la autorización y la responsabilidad de una interacción.

Un mensaje que suena humano puede proceder de un bot. Uno que suena artificial puede ser de una persona cansada, una traducción o un texto editado. Rathi y sus colegas encontraron que, al juzgar transcripciones sin poder interrogar activamente, tanto las personas como los modelos perdían precisión; el mejor testigo GPT-4 llegó a ser considerado humano más veces que los testigos humanos.

Eso afecta a las estafas, las cuentas falsas, la suplantación de soporte y la propaganda automatizada. El estilo no es una credencial de identidad. La identidad necesita autenticación, el contenido necesita procedencia y las acciones importantes necesitan permisos y registros.

Qué debería reemplazarlo

No existe una prueba única porque la inteligencia tiene varias dimensiones. Hay que medir hechos con conjuntos ocultos y verificación de fuentes; razonamiento con tareas adversariales y contrafactuales; trabajo real con resultados de extremo a extremo; y fiabilidad con calibración, abstenciones, uso correcto de herramientas, coste, latencia y tasa de recuperación.

El test de Turing puede quedarse como una pequeña prueba de riesgo social: indica si un sistema produce una impresión humana convincente. Eso es útil para diseñar interfaces y estudiar el engaño. No basta para certificar inteligencia, conciencia o confianza.

Turing acertó al convertir una definición difícil en un experimento observable. Lo que dejó de funcionar fue convertir una conducta observable en una escala universal. Una máquina puede hablar como una persona sin ser fiable, y un sistema puede ser muy capaz sin hablar como una persona. El test no desapareció; cambió de categoría.