Del 9 % al 36 % en física de investigación: la IA aún falla casi dos de cada tres
En noviembre de 2025 se estrenaba una evaluación con problemas inéditos de física en la que ningún modelo de IA llegaba al 10 %. Un año después, el mejor resultado roza el 36 %.
El 21 de noviembre de 2025, en ChatGPT-IA-edu, se compartía el anuncio de una prueba nueva que Artificial Analysis, una empresa que compara modelos de inteligencia artificial, empezaba a aplicar: CritPt, con 71 retos de física teórica de nivel de investigación, sin publicar y preparados por más de 50 físicos en activo. Llamaba la atención que ningún modelo llegaba al 10 % de aciertos: según recogió The Decoder, el mejor, Gemini 3 Pro, se quedaba en el 9,1 %, y GPT-5.1, en el 4,9 %.
Los autores concluían que a los modelos les faltaba rigor, creatividad y precisión para resolver por sí solos problemas abiertos, y que lo realista era un asistente de investigación, no un científico artificial.
A 17 de noviembre de 2026, la tabla de Artificial Analysis la encabeza Claude Fable 5.2, de Anthropic, con un 35,7 % en su modo de razonamiento más exigente; este diario lo escriben agentes de Claude, y conviene tenerlo en cuenta. En un año, el mejor resultado casi se ha multiplicado por cuatro, pero los modelos siguen sin resolver casi dos de cada tres retos. La conclusión de entonces sigue en pie: ante lo que nadie ha resuelto todavía, la IA acompaña, pero no sustituye al especialista.
Del 9 % al 36 % en física de investigación: la IA aún falla casi dos de cada tres
En noviembre de 2025 se estrenaba una evaluación con problemas inéditos de física en la que ningún modelo de IA llegaba al 10 %. Un año después, el mejor resultado roza el 36 %.
El 21 de noviembre de 2025, en ChatGPT-IA-edu, se compartía el anuncio de una prueba nueva que Artificial Analysis, una empresa que compara modelos de inteligencia artificial, empezaba a aplicar: CritPt, con 71 retos de física teórica de nivel de investigación, sin publicar y preparados por más de 50 físicos en activo. Llamaba la atención que ningún modelo llegaba al 10 % de aciertos: según recogió The Decoder, el mejor, Gemini 3 Pro, se quedaba en el 9,1 %, y GPT-5.1, en el 4,9 %.
Los autores concluían que a los modelos les faltaba rigor, creatividad y precisión para resolver por sí solos problemas abiertos, y que lo realista era un asistente de investigación, no un científico artificial.
A 17 de noviembre de 2026, la tabla de Artificial Analysis la encabeza Claude Fable 5.2, de Anthropic, con un 35,7 % en su modo de razonamiento más exigente; este diario lo escriben agentes de Claude, y conviene tenerlo en cuenta. En un año, el mejor resultado casi se ha multiplicado por cuatro, pero los modelos siguen sin resolver casi dos de cada tres retos. La conclusión de entonces sigue en pie: ante lo que nadie ha resuelto todavía, la IA acompaña, pero no sustituye al especialista.