LeCun dice que la promesa de la AGI es una «tontería»: por qué importa

Yann LeCun vs. la narrativa del "país de genios"

Yann LeCun, premio Turing y uno de los padres fundadores del deep learning, ha vuelto a romper la narrativa dominante. En una entrevista reciente en el podcast Big Technology, LeCun calificó de "completa tontería" la idea de que pronto tendremos "un país de genios dentro de un centro de datos", la hipótesis que Dario Amodei (Anthropic) había popularizado al hablar de "50 millones de personas, todas ellas mucho más capaces que cualquier premio Nobel, estadista o tecnólogo".

La frase no es retórica vacía. LeCun ha sostenido durante años que los grandes modelos de lenguaje (LLM) no razonan, solo recuperan y recombinan patrones memorizados a partir de unos 30 billones de tokens de entrenamiento, el equivalente aproximado a 400.000 años de lectura humana a doce horas diarias. Un niño de cuatro años, recuerda, ha recibido más datos sensoriales brutos (vista y tacto) que el sistema más grande jamás entrenado.

¿Por qué importa que un "padre de la IA" diga esto?

No es un escéptico externo lanzando dardos. Es uno de los investigadores que ayudó a construir las bases de la IA actual. Por eso su baño de realidad pesa distinto. La industria tecnológica está volcando cifras históricas en infraestructura bajo la promesa de una AGI inminente, y uno de los arquitectos de la disciplina dice, literalmente, que "no vamos a llegar a la IA a nivel humano solo con escalar los LLM".

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

LeCun tampoco pide frenar la IA por miedo existencial, como otros líderes del sector. Su crítica es técnica: los LLM actuales son "un sistema con memoria y capacidad de recuperación gigantes, no uno que invente soluciones nuevas". Esa distinción separa a quienes discuten el timeline de la AGI de quienes niegan que la arquitectura actual pueda siquiera llegar allí.

El dato que incomoda: la inversión se multiplica

La tensión entre el discurso de LeCun y el gasto empresarial es la noticia. Según estimaciones de Goldman Sachs, los cinco mayores hyperscalers pasarán de unos USD 150.000 millones de capex anual en 2023 a unos USD 800.000 millones en 2026, un 94% más que en 2025, con proyecciones de USD 1,2 billones en 2027 y USD 1,4 billones en 2028. En total, la firma estima alrededor de USD 7,6 billones de inversión acumulada en infraestructura de IA entre 2026 y 2031, cubriendo cómputo, data centers y energía.

UBS va en la misma dirección: calcula que el capex de hyperscalers alcanzará aproximadamente USD 4,1 billones entre 2026 y 2028, más del triple de los USD 1,292 billones desplegados en los seis años anteriores. Amazon, Alphabet y Microsoft llegarán a gastar alrededor del 102% de sus ingresos cloud en capex en 2026, según UBS, reciclando prácticamente todo el dinero del cloud en infraestructura de IA.

Y aquí aparece la grieta: si la arquitectura central tiene un límite que LeCun lleva años señalando, ¿qué pasa cuando la deuda de capital acumulada supere a la capacidad de monetizar esos modelos? Goldman ya advierte que el crecimiento más lento del capex se encontrará con gastos de depreciación crecientes, lo que podría reducir la contribución de la IA a las ganancias del S&P 500.

El argumento de fondo de LeCun: los datos se acaban

LeCun añade un segundo problema, a menudo ignorado: la materia prima de los LLM es finita. Según cálculos de Epoch AI citados en la cobertura, el texto de calidad disponible en la web ronda los 300 billones de tokens. A esa tasa, los modelos podrían quedarse sin nuevas fuentes de información entre 2026 y 2032. Aunque se quisiera seguir escalando, no habría con qué alimentar a los LLMs tal como los conocemos.

Este punto conecta con algo que muchos founders descubren al construir productos: el techo de datos públicos no es solo un tema de investigación, es un techo de producto. Cualquier startup que hoy entrene o fine-tune modelos sobre data pública debe asumir que esa ventaja es temporal.

La apuesta de LeCun: world models y AMI Labs

LeCun no solo critica, propone una alternativa. Tras dejar Meta en noviembre de 2025 tras doce años como chief AI scientist, fundó AMI Labs en París. La startup levantó en marzo de 2026 la mayor ronda semilla europea, USD 1.030 millones a una valoración pre-money de USD 3.500 millones, con NVIDIA, Samsung y Bezos Expeditions entre los backers, según reportó TechCrunch en su momento.

La tesis: JEPA (Joint Embedding Predictive Architecture), una arquitectura distinta a los LLM, diseñada para aprender modelos del mundo físico en vez de predecir la siguiente palabra. Dos preprints recientes de su grupo (publicados en arXiv en mayo de 2026) dieron respaldo formal a la idea: uno demuestra identificabilidad lineal bajo ciertas condiciones, y el otro, un benchmark llamado stable-worldmodel, muestra que los modelos actuales son muy frágiles ante pequeños cambios visuales (un cambio de color en el agente puede colapsar el éxito de una tarea del 50% al 12%).

El CEO Alexandre LeBrun dijo en su momento que el primer producto viable tardaría cerca de un año y apuntaría a salud, robótica y automatización industrial. Para un founder, la pregunta relevante es si esa tesis se traduce en APIs o herramientas concretas que se puedan integrar en productos reales durante 2026-2027.

¿Qué significa esto para tu startup?

Tres lecturas prácticas para founders hispanohablantes, más allá del ruido:

No construyas tu roadmap sobre la promesa de la AGI. Si el consenso entre LeCun, Epoch AI y los propios benchmarks es que los LLM se quedan sin datos públicos antes de 2032, cualquier producto que dependa de "modelos cada vez mejores por arte de magia" tiene fecha de caducidad. Diseña con datos propios, con datos sintéticos verificables o con arquitecturas híbridas que no dependan solo de escala.
Mira la cadena de suministro, no solo los modelos. Goldman estima que el cuello de botella se está moviendo de los chips al memory (HBM), networking/óptica y energía/infraestructura eléctrica. Si tu startup vende a ese ecosistema (consultoría para data centers, integración de redes, eficiencia energética para AI workloads), estás más cerca del dinero real que muchos wrappers de LLM.
Diferénciate por arquitectura, no por prompt. Si los benchmarks recientes muestran que pequeños cambios visuales rompen a los modelos actuales, los productos que sobrevivan serán los que incorporen validación, verificación y manejo de incertidumbre, no los que dependan de que el modelo "adivine" bien. Piénsalo como un moat: si tu producto asume que el modelo falla, y diseña alrededor de eso, tienes una ventaja defensiva frente a quien trata al LLM como oráculo.

Lo que no se pudo verificar

No se encontraron datos públicos verificables sobre el monto exacto de inversión en centros de datos dedicado específicamente a la tesis AGI en 2026, ni cifras independientes que reconcilien las proyecciones de Goldman Sachs y UBS para 2027-2028. Las cifras citadas provienen de sus informes y de la cobertura de prensa posterior.