Qué significa que una IA tenga sentido común

Esta guía, revisada el 30 de julio de 2026, parte de una escena corriente: alguien dice «he guardado el helado en el armario» y esperamos que un interlocutor detecte el problema sin recibir una lección previa de termodinámica. Una IA puede completar la frase con soltura y, aun así, no advertir que la acción contradice la finalidad de conservar el alimento. Esa distancia entre producir una respuesta plausible y manejar las expectativas tácitas del mundo es el problema del razonamiento de sentido común.

No es una sola facultad ni una prueba de AGI

John McCarthy formuló una ambición temprana en «Programs with Common Sense»: un programa debería deducir una clase suficientemente amplia de consecuencias inmediatas a partir de lo que se le dice y de lo que ya sabe. La definición sigue siendo útil porque desplaza la pregunta desde «¿parece inteligente?» hacia «¿qué consecuencias puede inferir y bajo qué condiciones?».

Pero «sentido común» agrupa problemas distintos. Incluye conocimiento físico —los recipientes abiertos pueden derramar líquido—, regularidades temporales, relaciones causales, expectativas sociales, intenciones, normas locales y lenguaje implícito. Resolver una pregunta sobre pronombres no demuestra que un sistema comprenda el peso de un objeto, y acertar una convención social no acredita que pueda planificar ante una excepción. Tampoco convierte por sí solo a un modelo en inteligencia artificial general. Es una familia de capacidades que debe separarse para poder medirse.

El conocimiento tácito: lo que una petición no dice

Las instrucciones humanas omiten casi todo lo que damos por supuesto. «Pon la compra en la nevera» no especifica que las latas cerradas pueden ir en un armario, que el helado necesita el congelador o que una botella rota no debe manipularse igual que una intacta. Un sistema útil tiene que completar parte de ese contexto sin inventar detalles decisivos.

Una vía consiste en representar relaciones explícitas. ConceptNet 5.5, por ejemplo, conecta palabras y expresiones mediante aristas etiquetadas y reúne conocimiento procedente de recursos expertos, colaboración colectiva y juegos. Un grafo así puede aportar que un objeto se usa para cierta finalidad o suele encontrarse en cierto lugar. Sin embargo, almacenar una relación no resuelve cuándo aplicarla, qué excepción la invalida o si la relación conserva su validez en otro idioma y otra cultura.

Razonar por defecto exige poder retractarse

El sentido común opera con conclusiones provisionales. Si alguien deja un vaso sobre una mesa, es razonable suponer que permanecerá allí; si después sabemos que la mesa se volcó, la inferencia debe retirarse. Es razonamiento por defecto o no monotónico: añadir información puede obligar a abandonar una conclusión anterior. La lógica deductiva clásica, en cambio, no retira una consecuencia válida al sumar premisas compatibles.

Esta diferencia ofrece una prueba práctica. No basta con preguntar qué suele ocurrir. Hay que introducir una excepción relevante y comprobar si el sistema actualiza su respuesta, explica qué supuesto dejó de valer y conserva los hechos no afectados. Una respuesta fluida que mantiene la primera conclusión después del cambio revela rigidez, aunque haya acertado el caso normal.

El lenguaje necesita anclaje fuera del texto

Los textos contienen muchas regularidades del mundo, pero describir una experiencia no equivale a tenerla. El trabajo «Experience Grounds Language» sostiene que la comunicación se apoya en experiencias físicas y sociales compartidas y organiza el anclaje en capas que van desde la interacción con el entorno hasta la cultura. Esto ayuda a leer con precisión una afirmación comercial: más datos lingüísticos pueden mejorar la predicción de texto sin demostrar percepción, acción ni experiencia compartida.

El anclaje también cambia la evaluación. Para examinar causalidad física no sirve únicamente otra prueba verbal. CLEVRER usa vídeos controlados de colisiones y preguntas descriptivas, explicativas, predictivas y contrafactuales. La escena es deliberadamente simple para aislar relaciones temporales y causales. Superar esa prueba tampoco acredita «sentido común completo», pero sí aporta evidencia más específica que una conversación convincente.

Los benchmarks miden cortes estrechos del problema

El Winograd Schema Challenge usa pares de frases donde resolver una referencia exige información de fondo, evitando que baste una pista sintáctica obvia. Su diseño hizo visible una capacidad concreta, no una escala universal de inteligencia. Cuando los modelos empezaron a obtener resultados altos en variantes de esa tarea, los autores de WinoGrande construyeron un conjunto mayor y adversarial para reducir sesgos espurios. La sucesión enseña una regla duradera: una puntuación puede subir porque mejora la capacidad buscada, porque el entrenamiento se parece a la prueba o porque el conjunto deja atajos.

Otros tests recortan dominios diferentes. CommonsenseQA creó 12.247 preguntas a partir de relaciones de ConceptNet y distractores diseñados por personas. Social IQa reunió 38.000 preguntas sobre motivaciones, reacciones y consecuencias de situaciones sociales. Las cifras describen el tamaño y el método de esos trabajos; no son porcentajes de «sentido común adquirido». Una prueba de elección múltiple, además, comprueba selección entre opciones, no necesariamente la capacidad de generar una explicación, actuar en un entorno o reconocer incertidumbre.

Cómo auditar una afirmación de sentido común

Ante la frase «el modelo ya razona con sentido común», conviene pedir cinco precisiones. Primera: ¿qué dominio se evaluó —físico, causal, temporal, social o lingüístico—? Segunda: ¿la prueba exige conocimiento, aplicación de una regla o revisión ante una excepción? Tercera: ¿las situaciones son nuevas respecto al entrenamiento y se controlaron los atajos? Cuarta: ¿se mide una opción correcta, una explicación verificable o una acción? Quinta: ¿qué ocurre cuando falta información o varias respuestas son plausibles?

Después hay que buscar una matriz de errores, no solo un promedio. Un sistema puede lograr una media alta y fallar sistemáticamente cuando cambia una negación, aparece una excepción rara o se modifica un nombre propio. También importa comparar versiones equivalentes del mismo problema: reformular la pregunta, invertir los papeles o sustituir objetos por otros con propiedades semejantes. Si la respuesta cambia sin razón material, la evidencia apunta a sensibilidad superficial, no a una regla estable.

Una batería mínima que cualquiera puede reproducir

Incluso sin acceso al conjunto de entrenamiento, se pueden preparar tres familias de pares. En la primera, se mantiene la pregunta y se cambia un detalle irrelevante, como un nombre: la conclusión debería permanecer. En la segunda, se altera la propiedad que sostiene la respuesta —el recipiente deja de estar cerrado, por ejemplo—: la conclusión debería cambiar y el sistema tendría que señalar el nuevo hecho. En la tercera, se elimina un dato necesario: una respuesta prudente debería expresar incertidumbre o pedirlo, no rellenar el hueco con seguridad.

La evaluación gana valor si se anota antes qué variación debe conservar la respuesta, cuál debe modificarla y por qué. Después se registran acierto, explicación y consistencia por separado. Así se evita conceder el punto a una opción correcta respaldada por una explicación contradictoria. Repetir los pares en distinto orden permite detectar además si el contexto reciente contamina el resultado. No es un certificado de inteligencia general; es un control pequeño que convierte la demostración en evidencia refutable.

Qué cuenta como progreso

Un avance defendible combina al menos cuatro señales: cobertura de varios dominios, resistencia a reformulaciones, actualización coherente cuando cambian los hechos y trazabilidad de los supuestos usados. Integrar modelos estadísticos con herramientas simbólicas, memoria o percepción puede ayudar, pero el nombre de la arquitectura no sustituye esas pruebas. Una red recurrente, un Transformer o un sistema neuro-simbólico no posee sentido común por definición.

La capacidad que debe llevarse el lector es concreta: descomponer cualquier promesa de «sentido común» en dominio, supuesto, excepción, anclaje y prueba. Ese examen no resuelve la investigación de AGI, pero impide confundir una demostración llamativa con una competencia general y convierte una etiqueta imprecisa en preguntas que sí pueden contrastarse.