Los últimos modelos de chatgpt alucinan un montón. fin de la burbuja. el agi fué una ilusión.

Los ChatGPT alucinan más que nunca: el 48% falla en test de personas​

A mediados de abril de 2025, mientras la industria seguía vendiendo la llegada de la inteligencia artificial general como un hecho inminente, OpenAI publicó los resultados de un test interno incómodo. En PersonQA, una evaluación diseñada para medir la precisión sobre personas concretas, el modelo o3 falló el 33% de las preguntas. El o4-mini, su versión ligera más reciente, alcanzó el 48%. Las tasas de error duplican o triplican las de la generación anterior.

El test que desmonta la fiabilidad de ChatGPT​

Los datos, recogidos por TechCrunch, comparan cuatro modelos de la familia o. El o1 fallaba el 16%, el o3-mini el 14,8%, el o3 el 33% y el o4-mini el 48%. No es una regresión cualquiera: es una tendencia a peor según se lanzan versiones nuevas. Los responsables de la compañía podrán llamarlas «alucinaciones», pero en la práctica significan que el modelo inventa personas, datos y fuentes con total naturalidad.

• o1: 16% de error en PersonQA
• o3-mini: 14,8%
• o3: 33%
• o4-mini: 48%

Alguien que consulte a ChatGPT para documentar un artículo, un informe o un expediente está citando a un interlocutor que no distingue entre verdad y verosimilitud. Y eso, aplicado a escala, es un problema de salud informativa.

«Con total seguridad, pero inventado»: lo que comprueba el usuario en casa​

La estadística tiene su reflejo doméstico. Un caso real es el del jornalero que recogía naranjas en Valencia en 1970: la respuesta de ChatGPT situó el salario entre 40 y 60 pesetas diarias, cuando la realidad estaba en torno a las 200. Grok, preguntado por lo mismo, dio un rango aproximado de 100 a 300 pesetas. Más cerca, pero sin precisión.

Otro ejemplo vale para ilustrar el mecanismo: a la pregunta de una palabra española con las cinco vocales, ChatGPT respondió con «abstemio», que tiene cuatro. La herramienta no comprueba, completa. Es una especie de tuitero que nunca reconoce que no lo sabe.

Modelos lite, versiones de pago y el humo del AGI​

Hay matices que matizan el titular. o3 y o4 no son los modelos de mayor potencia, sino versiones ligeras, y sobre ellas se ha medido el desastre. Además, la diferencia entre la versión gratuita y la de pago es abismal: la misma pregunta sobre las vocales se resuelve bien en el modelo de 240 euros al mes, aunque el de acceso gratuito la falla en segundos. El problema es que la mayoría de los mortales usa la versión gratis, y es la que está generando confianza envenenada.

Paralelamente, el panorama se ha fragmentado. Grok, que el verano pasado era la alternativa desenfadada, ha caído en calidad y ha incorporado censura. Claude mantiene mejor conversación, pero limita el plan gratuito. DeepSeek, dentro de su sesgo pro chino, convence a algunos. La sensación de estancamiento es general: los generadores de imágenes hacen lo que les da la gana, los modelos de texto responden con seguridad apabullante y datos falsos, y el AGI se aleja.

Y sin embargo, la burbuja sigue hinchada. Los que venden la inteligencia artificial general inminente hablan de un futuro que no se sostiene con los números de PersonQA. Los modelos actuales son, en el mejor de los casos, asistentes supervisados que ahorran tiempo en tareas concretas. En el peor, papagayos estadísticos que inundan internet de basura verosímil. La pregunta es cuándo se notará en los balances de quienes han basado su valoración en la promesa del AGI.