Mejor Bot de Ajedrez: Qué Es Maia, Qué Tan Fuerte Es y Dónde Jugarlo

Si estás buscando el mejor bot de ajedrez para jugar hoy mismo, gratis y sin trucos, la respuesta corta es Maia. Escribe BOT maia1 en la barra de búsqueda de Lichess y te empareja al instante, sin pagar nada, contra una red neuronal que jamás intenta calcular la jugada objetivamente más fuerte del tablero. Ese es el proyecto Maia: una familia de modelos entrenados para predecir lo que jugaría realmente un humano en una calificación específica, no lo que jugaría un motor de ajedrez tradicional. Esa diferencia importa mucho más de lo que parece, porque un motor simplemente debilitado comete errores de una manera que una persona real nunca comete, jugando varias jugadas excelentes seguidas y de pronto regalando la dama sin razón aparente. Esta página es la referencia rápida y estructurada: qué es Maia en realidad, en qué se diferencian sus tres generaciones, si de verdad es gratis, dónde jugar contra ella hoy y cómo se compara con Stockfish.

Una aclaración antes de seguir. Si llegaste a esta página buscando el "Maia Chess Open", se trata de un torneo real, homologado por la FIDE y sin ninguna relación con lo que sigue, que se celebra cada año en la localidad de Maia, Portugal, cerca de Oporto; su edición 2026 se disputó del 21 al 29 de agosto en las categorías U2000 y Maestros. No tiene nada que ver con el proyecto de inteligencia artificial del que habla este artículo, más allá de compartir el nombre.

¿Qué es Maia, el bot de ajedrez?

Maia nació como un artículo de investigación de 2020, "Aligning Superhuman AI with Human Behavior: Chess as a Model System", firmado por McIlroy-Young, Sen, Kleinberg y Anderson, presentado en KDD 2020 y publicado como arXiv:2006.01855. El equipo perteneció al Computational Social Science Lab de la Universidad de Toronto, en colaboración con la Universidad de Cornell y Microsoft Research. Esa autoría importa: al menos una página que hoy aparece bien posicionada para este término le atribuye el proyecto, por error, a la Universidad Carnegie Mellon, un dato que ninguna fuente primaria respalda.

La idea rompía de verdad con la forma habitual de construir un motor de ajedrez: en vez de debilitar la búsqueda de un motor fuerte para simular una calificación más baja, el equipo entrenó un modelo directamente sobre millones de partidas humanas reales, así que su resultado refleja lo que la gente realmente juega. La primera versión pública de Maia se lanzó como bot de Lichess en diciembre de 2020 y se jugó más de 40.000 veces en su primera semana.

Cómo funciona Maia, en pocas palabras

Cada modelo de Maia se entrena sobre partidas reales de Lichess etiquetadas según la calificación del jugador que hizo cada jugada, y luego predice, para una posición dada y una calificación objetivo, la probabilidad de que se juegue a continuación cada jugada legal. Si subes la calificación objetivo, la distribución se inclina hacia las jugadas que suelen elegir los jugadores más fuertes; si la bajas, se inclina hacia las jugadas de los jugadores más débiles, errores incluidos. Es un problema de datos de entrenamiento, no de búsqueda, y por eso simplemente limitar la profundidad de búsqueda de un motor fuerte no puede reproducirlo. Ya explicamos arriba por qué ese atajo no funciona, así que no lo repetimos aquí.

Las tres generaciones de Maia, comparadas

Bajo el nombre Maia hoy conviven tres modelos distintos, publicados con seis años de diferencia entre el primero y el último, cada uno medido contra partidas humanas reales con la métrica de precisión de coincidencia de jugada: con qué frecuencia la jugada que predice el modelo coincide con la que un humano real en esa calificación realmente jugó a continuación, sobre un conjunto de partidas reservado para la prueba.

Dos cosas llaman la atención que ninguna página de rankings suele explicar así. Primero, el salto de Maia-1 a Maia-3 no es solo un número más grande: el propio artículo de Maia-3 describe cómo su checkpoint de 79 millones de parámetros supera a un modelo anterior de 355 millones de parámetros que dependía de búsqueda, con menos de la cuarta parte de los parámetros. Segundo, la licencia cambia en cada generación, y no de forma lineal: GPL-3.0, luego MIT, luego AGPL-3.0, la más estricta de las tres.

Maia-3 además viene en tres tamaños, no en uno solo: maia3-5m, de 5 millones de parámetros, que CSSLab describe como el adecuado para una primera prueba, para uso en CPU y para interfaces gráficas de ajedrez; maia3-23m, de 23 millones, con mejor precisión; y maia3-79m, de 79 millones, con la mejor precisión de los tres, el checkpoint detrás de la cifra destacada de 57,1%. El rango de calificación de 600 a 2600 en la escala de Lichess que anuncia maiachess.com pertenece a esta generación. Maia-1 nunca lo cubrió: sus nueve redes abarcaban solo de 1100 a 1999.

¿Es gratis y de código abierto?

Las tres generaciones son gratuitas y su código es público, pero lo que permite "código abierto" no es lo mismo en los tres casos. La licencia MIT de Maia-2 es la verdaderamente permisiva. La GPL-3.0 de Maia-1 no lo es en absoluto: es copyleft fuerte, obliga a cualquiera que distribuya una versión modificada a publicar ese código modificado bajo los mismos términos. La AGPL-3.0 de Maia-3 va todavía más lejos: incluye obligaciones de uso en red que las otras dos no tienen, lo que significa que una versión modificada ejecutada como servicio en red puede por sí sola generar la obligación de publicar ese código modificado, no solo una copia compilada. Es una distinción real para cualquiera que construya sobre Maia-3, incluida cualquier app que empaquete un checkpoint, y vale la pena leer el texto real de la licencia en vez de asumir que se comporta como las dos anteriores. Nada de esto es asesoría legal, solo una diferencia factual que una página que afirma que Maia es simplemente "abierto y libre de usar como quieras" suele pasar por alto.

Además del código en bruto, CSSLab mantiene maiachess.com, una plataforma completa y no solo un enlace a un bot: Play, Analysis, Puzzles, Hand and Brain, Drills, y un juego estilo test de Turing llamado Bot or Not. El inicio de sesión es con una cuenta de Lichess y no hay ninguna página de precios en todo el sitio. Si tu único objetivo es jugar contra Maia sin pagar nada, esta es una alternativa gratuita real y completa que vale la pena conocer antes de pagar por cualquier producto que simplemente empaquete el mismo modelo.

Dónde jugar de verdad contra Maia en 2026

Aquí es donde la mayoría de páginas se vuelven vagas. Solo Maia-1 se puede jugar el mismo día que la buscas, sin ninguna instalación: BOT maia1, BOT maia5 y BOT maia9 son cuentas de bot activas hoy mismo en Lichess. BOT maia1, entrenado con partidas de calificación 1100, tenía una calificación clásica de 1643 acumulada en más de 3,5 millones de partidas desde febrero de 2020, según la verificación del 28 de agosto de 2026. BOT maia9, entrenado con partidas de calificación 1900, tenía 1789 en más de 1,3 millones de partidas en la misma fecha. Ambas calificaciones cambian mientras los bots siguen jugando, así que tómalas como una fotografía del momento. Busca cualquiera de los dos nombres en el directorio de bots de Lichess y desafíalos directamente con una cuenta gratuita; todas las partidas contra bots ahí son gratis.

CSSLab no mantiene ninguna cuenta oficial de bot en Lichess ni para Maia-2 ni para Maia-3. Sí existen cuentas manejadas por la comunidad: el 28 de agosto de 2026, el único bot de Maia-3 activo que encontramos fue @maia3-79m_2200, operado por un tercero y no por el laboratorio, así que su disponibilidad y configuración no son responsabilidad de nadie en particular. El propio repositorio de Maia-2 de CSSLab dice directamente que para proyectos nuevos se recomienda usar Maia-3 en su lugar, y el repositorio de Maia-3 solo da instrucciones de instalación local, clonarlo, instalarlo, correrlo como motor UCI, sin mencionar ningún despliegue en Lichess. En la práctica eso deja tres caminos honestos hacia las generaciones más nuevas: correr el código tú mismo desde GitHub o Hugging Face, usar la página de juego propia de maiachess.com, o usar una app que empaquete un checkpoint directamente en el dispositivo. Las cuentas de bot de la comunidad aparecen y desaparecen sin aviso, así que confirma de nuevo cualquiera que encuentres cerca del momento en que leas esto.

Maia vs Stockfish: ¿cuál es el mejor bot de ajedrez?

No son dos respuestas que compitan por la misma pregunta. Stockfish, actualmente en la versión 18, publicada el 31 de enero de 2026, analiza una posición y devuelve la jugada que calcula como objetivamente más fuerte, sin importar quién tenga que jugarla después. Su red NNUE se reconstruyó para esta versión; el propio anuncio de lanzamiento de Stockfish afirma una ganancia de Elo de hasta 46 puntos sobre Stockfish 17; la cifra absoluta de CCRL 40/15 en un solo CPU, alrededor de 3653, viene de agregadores externos y no del propio proyecto. Maia hace una pregunta distinta: dada una posición y una calificación objetivo, qué jugaría realmente un humano, errores incluidos. Ninguno de los dos modelos es "mejor" en ningún sentido que sobreviva a compararlos directamente.

Un matiz más: la misma arquitectura Chessformer también se integró en Leela Chess Zero, ahí puramente para ganar fuerza de juego y no para predecir jugadas humanas, donde sumó más de 100 puntos de Elo y produjo victorias de torneo sobre Stockfish. Es un uso distinto de la arquitectura, orientado a la fuerza bruta, y no tiene relación con los checkpoints de Maia3 que predicen jugadas humanas y que se describen en el resto de este artículo. Confundir ambos le atribuiría a Maia3 una afirmación de fuerza que el propio proyecto nunca hace sobre su juego.

¿Qué tan fuerte es Maia en realidad?

La precisión de coincidencia de jugada, de 46% a 52% para Maia-1, 53,25% para Maia-2, 57,1% para Maia-3, mide con qué frecuencia el modelo predice lo que un humano real jugó a continuación, sobre un conjunto amplio de partidas reservado para la prueba. La propia investigación de Maia-1 también reporta que predice correctamente errores garrafales humanos, como regalar la dama u otros descuidos igual de graves, más del 25% de las veces: predice el error, no solo la buena jugada, algo que un motor tradicional no tiene forma de igualar.

Nada de eso te da una única calificación Elo, porque Maia está condicionado por diseño a una calificación, y la etiqueta que lleva un bot no es una garantía exacta de cómo se siente jugar contra él. Jugadores reales en los propios foros de Lichess lo señalan directamente: hay quien describe a BOT maia1, con calificación nominal de 1100, jugando notablemente más fuerte de lo que sugiere ese número, uno de ellos lo dice sin rodeos: "hasta maia 1100 parece jugar bastante fuerte, muy por encima de lo que sugiere su calificación de 1100." La propia documentación del repositorio de CSSLab reconoce esa brecha y explica por qué los bots juegan por encima de su etiqueta. El resumen honesto: Maia juega de forma más parecida a un humano real de un nivel dado que un motor con profundidad limitada, no es un clon perfectamente calibrado de un jugador de esa calificación exacta.

Nosotros generamos nuestros propios números sobre una pregunta completamente distinta, con nuestro propio pipeline, el 28 de agosto de 2026: maia3-js corriendo el checkpoint maia3-5m, el modelo pequeño que corre en el dispositivo, contra el final de la Partida de la Ópera, Morphy contra el Duque de Brunswick y el Conde Isouard, París 1858, con Stockfish 17 a profundidad 20 y MultiPV configurado para evaluar cada jugada legal. A esa métrica la llamamos Encontrabilidad (la probabilidad de encontrar la jugada): la probabilidad que Maia3 le asigna a la jugada específica que Stockfish considera mejor, en siete calificaciones distintas. Esto no es precisión de coincidencia de jugada y no debería compararse con el 57,1% de arriba; la precisión de coincidencia de jugada mide si Maia predice lo que un humano realmente jugó, mientras que Encontrabilidad mide la probabilidad que Maia le asigna a lo que el motor considera objetivamente correcto. Es una sola partida, puntuada de forma exhaustiva y no muestreada a gran escala, así que toma estos números como una ilustración y no como una afirmación válida para toda la población de jugadores.

La columna de 14.Rd1 es la versión limpia y esperable del condicionamiento por calificación: la Encontrabilidad sube de forma constante, de 36,70% a 1000 hasta 81,11% a 2200, con configuraciones más fuertes encontrando la elección del motor cada vez más seguido. La columna de 13...Nxd7 va al revés. Cuanto más alta la calificación que configures, menos probable es que Maia3 juegue la recaptura de caballo que recomienda el motor, cayendo de 4,57% a 1000 a 1,18% a 2200. Eso no es ruido. La alternativa, la recaptura humana de torre 13...Rxd7 que realmente se jugó en 1858, se vuelve más dominante mientras sube la calificación, de 92,26% hasta 96,34%. Las configuraciones más fuertes están más seguras de la jugada que el motor desprecia, no menos. Stockfish prefiere la recaptura de caballo por casi un peón entero, y cuanto más fuerte el jugador, con más consistencia captura con la torre de todas formas. Eso es exactamente el tipo de cosa que una evaluación de motor pura no te puede mostrar.

Promediada entre las siete posiciones no forzadas y no triviales de ese mismo final, la Encontrabilidad promedio se mantiene casi plana: 16,83% a 1000, 16,38% a 1400, 17,65% a 2200. No leas eso como "la calificación no ayuda a encontrar buenas jugadas". Significa que la calificación ayuda muchísimo en algunas posiciones, como el 14.Rd1 de arriba, y juega activamente en contra de la elección preferida del motor en otras, como 13...Nxd7, y un solo número promediado termina cancelando en silencio ambos efectos. Ya publicamos el desglose completo de las siete posiciones y la metodología, incluida una segunda posición donde se repite el mismo patrón alrededor de un mate forzado que se escapa, en nuestro artículo sobre qué puede y qué no puede decirte el análisis de ajedrez.

Cómo instalar y correr Maia tú mismo

Para Maia-1 no hay nada que instalar; su código vive en CSSLab/maia-chess bajo licencia GPL-3.0, pero para jugar contra él solo necesitas los bots de Lichess descritos arriba.

Para Maia-2, clona CSSLab/maia2 desde GitHub, con licencia MIT. La propia documentación del repositorio recomienda usar Maia-3 para proyectos nuevos, así que trata a Maia-2 como la generación que vale la pena conocer, no la que conviene usar hoy para construir algo.

Para Maia-3, clona CSSLab/maia3, con licencia AGPL-3.0. Elige el checkpoint según lo que necesites: maia3-5m para hardware común y para interfaces gráficas de ajedrez estándar como motor UCI, maia3-23m para un salto en precisión, o maia3-79m, también disponible en Hugging Face como UofTCSSLab/Maia3-79M con su propia ficha de modelo bajo licencia AGPLv3, para la mejor precisión al costo de más cómputo. La ficha del modelo indica con claridad su ventana de entrenamiento: partidas de Lichess de enero de 2023 a julio de 2025.

Chessdrive, la app que construimos nosotros, toma en cambio el camino empaquetado: incluye el checkpoint maia3-5m para correr completamente en el dispositivo como oponente, y ejecuta Stockfish por separado, después de la partida y no durante ella, para revisar lo que pasó. Esa combinación, un predictor de jugadas humanas como oponente y un motor de la jugada más fuerte para la revisión, es lo que separa tener la investigación disponible de forma gratuita de poder jugarla con el resultado explicado en un solo lugar. Es una brecha que un producto empaquetado puede cerrar sin que la investigación original deje de ser abierta; los caminos de arriba siguen siendo gratuitos.

Última verificación: 28 de agosto de 2026, contra las fuentes citadas arriba y contra la salida propia de Maia3 generada por Chessdrive y descrita en este artículo. Las cuentas de bot de Lichess, la disponibilidad de los checkpoints y los términos de licencia pueden cambiar sin aviso; confirma los detalles actuales en la página propia de cada proyecto antes de confiar en ellos.