GPT-4.5 engañó a personas en una prueba de Turing en vivo

GPT-4.5 ha hecho algo más embarazoso que presumir en los benchmarks y más útil que otro demo de chatbot: en una prueba de Turing en vivo fue considerado humano con más frecuencia que las personas reales sentadas al otro lado de la prueba. En un estudio de la Universidad de California en San Diego, los jueces conversaron en tiempo real tanto con una persona como con una IA, y luego tuvieron que decidir cuál era cuál basándose únicamente en los mensajes. Con un prompt de persona, GPT-4.5 fue elegido como humano en el 73% de los casos.

Eso no equivale a inteligencia, conciencia ni a nada que pertenezca a un monólogo de ciencia ficción. Sí demuestra, sin embargo, lo delgada que se ha vuelto la línea en conversaciones cortas e informales, especialmente cuando al modelo se le asigna un papel. El competidor cercano en el mismo experimento, LLaMa-3.1-405B, también cruzó la línea con suficiente frecuencia como para resultar inquietante, siendo tomado por humano en el 56% de los diálogos.

Cómo funcionó la prueba de Turing en vivo

El montaje fue simple y cruel en el mejor sentido investigativo. Los jueces hablaron simultáneamente con una persona y con una IA en un formato tripartito, y luego intentaron identificar al participante real usando solo el contenido del intercambio. Nada de fotos de perfil, nada de metadatos, nada de esos pequeños indicadores de escritura que pudieran salvar la situación.

Eso importa porque desplaza la prueba fuera del mito abstracto sobre chatbots y hacia el comportamiento cotidiano en la mensajería. El resultado tiene menos que ver con si un modelo puede pasar por un filósofo y más con si puede sobrevivir unos minutos en un chat normal sin delatarse.

Recomendado

Hassabis dice que las STEM te hacen 10 veces mejor en IA

Por qué el prompt de persona cambió el resultado

Los investigadores dicen que el prompt de persona hizo a los modelos sustancialmente más convincentes. Eso coincide con la forma en que ya se usan los productos de IA modernos: cuando le das a un modelo un rol, un tono o un público objetivo, mejora en sonar como alguien en lugar de como algo. En la práctica, eso es exactamente lo que lo hace útil para atención al cliente, tutoría y publicaciones en redes sociales —y exactamente lo que dificulta detectarlo.

La clásica prueba de Turing nunca fue una medida limpia de “pensamiento”, y este artículo no pretende lo contrario. Trata la prueba más como una comprobación de comportamiento para ver si algo resulta plausible, que es una afirmación más modesta y a la vez más inquietante. Un sistema no necesita comprender para crear el efecto social de comprensión.

Dónde esto se complica rápidamente

La implicación más amplia no es que la IA se haya vuelto humana. Es que una gran parte de la comunicación textual cotidiana ya puede ser demasiado superficial para distinguir de forma fiable a las personas de los sistemas con rapidez. Eso es un dolor de cabeza para la moderación, la detección de phishing, el servicio al cliente, las plataformas educativas y el mensaje político, todos los cuales dependen de decisiones rápidas de confianza.

• GPT-4.5 fue considerado humano en el 73% de los diálogos en vivo con un prompt de persona.
• LLaMa-3.1-405B fue considerado humano en el 56% de los diálogos en una configuración similar.
• Los jueces se basaron únicamente en el contenido de los mensajes, sin señales de identidad.

Así que sí, la máquina ahora puede imitar la presencia lo suficiente como para confundir a la gente en intercambios breves. La siguiente pregunta es menos filosófica y más práctica: si las interfaces de chat siguen volviéndose más convincentes, ¿quién las etiquetará con la claridad suficiente para que importe?