DeepMind Institute: 4 rutas del AGI a la superinteligencia

¿Qué es el ASI y en qué se diferencia del AGI?

El DeepMind Institute publicó en noviembre de 2026 el ensayo What Comes After AGI?, un texto que se apoya en el informe técnico From AGI to ASI —fechado por Google DeepMind el 12 de junio de 2026, según la cobertura de Unite.AI— para responder una pregunta que hasta hace poco parecía prematura: qué ocurre después de que las máquinas igualen a los humanos.

La definición que usa el ensayo es concreta. AGI es un sistema que iguala a los humanos en casi todas las tareas cognitivas. ASI es otra cosa: un sistema que supera de forma consistente a grandes grupos de expertos humanos en tareas que a esos grupos les tomarían años, usando menos recursos y menos tiempo. Unite.AI detalla el listón que fija el informe: superar de manera fiable a decenas de miles de expertos bien coordinados trabajando un mismo problema durante diez años con la tecnología disponible en 2010.

Nada de eso se cumple con récords estrechos. Ganar al ajedrez, al Go, predecir estructuras de proteínas o probar teoremas que resistieron décadas no alcanza. El ensayo exige ese nivel en prácticamente todas las tareas de interés humano, no en un dominio aislado.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El contexto importa: el Institute no nació como ejercicio académico. El cofundador de DeepMind Shane Legg lo lanzó en septiembre de 2026, según el Financial Times reportado por PYMNTS, con el objetivo declarado de estudiar las implicaciones del AGI. En esa misma línea, Legg sostuvo que hay un 50% de probabilidad de una AGI «mínima» hacia 2028.

¿Por qué el cómputo efectivo crece 10 veces al año?

El argumento más incómodo del ensayo no es filosófico, es aritmético. El DeepMind Institute descompone el progreso de la IA en tres factores que se multiplican entre sí: mejoras de fabricación de hardware (el cómputo por dólar sube ~1,5x al año desde hace seis décadas), eficiencia algorítmica (el cómputo de entrenamiento necesario para un nivel fijo de desempeño cayó 3–6x al año en la última década) y gasto en hardware de IA (~2,5x al año).

Multiplicados, arrojan un crecimiento del parque global de cómputo efectivo de al menos 10x al año. Diez años de eso equivalen a un factor de 10.000 millones. El ensayo lo traduce a una imagen: por cada agente de IA que puedes ejecutar hoy, en una década podrías ejecutar más agentes de la misma calidad que personas hay en el mundo.

En costos, la curva es igual de pronunciada. Con mejoras de eficiencia de hardware e inferencia de ~4x al año, una carga cognitiva que hoy cuesta US$1.000 millones en tokens costaría US$1.000 en diez años. Y no es solo teoría: Epoch AI, midiendo el costo de modelos que alcanzan un puntaje fijo en el benchmark GPQA Diamond, encontró que ese costo cayó cerca de 50% por trimestre —unas 13 veces al año—, según reportó TechSpot. Ese ritmo es más rápido que el de las baterías de litio o la secuenciación de ADN.

Hay un matiz que conviene no perder: TechSpot señala que la caída se desaceleró de 66% por trimestre a 32% por trimestre en dos años, y que parte de la mejora puede deberse a «benchmaxxing», modelos optimizados para benchmarks más que para trabajo real. La dirección es clara; la velocidad, menos.

¿Qué es la industrialización cognitiva y por qué cambia el trabajo del conocimiento?

El ensayo acuña un término que resume el fenómeno: industrialización cognitiva. Así como la industrialización mecánica convirtió el trabajo físico rutinario en una commodity, la estandarización y automatización del trabajo cognitivo haría lo propio con tareas de conocimiento. El texto anticipa infraestructura a escala industrial y abundancia de ciertos outputs cognitivos.

La magnitud que proyecta es enorme: la población efectiva de agentes de IA actuales podría multiplicarse por más de mil hacia 2030 y por más de mil millones en diez años. El propio ensayo pone la advertencia: si solo se escala velocidad y número sin nuevas capacidades, el resultado podría no alcanzar el AGI pleno, porque quedarían tareas que la IA no puede hacer sin ayuda humana. Pero con sistemas de nivel humano disponibles, esa palanca cuantitativa podría bastar para cruzar el umbral hacia un ASI débil.

El fundamento está en cinco ventajas del sustrato digital: velocidad de procesamiento, memoria de trabajo y memorización, independencia del hardware, replicación sin pérdida (código y estado de memoria) y compartición de experiencias en banda ancha entre agentes.

¿Cuáles son las cuatro rutas del AGI al ASI?

El ensayo identifica cuatro caminos tecnológicos, y aclara que no son excluyentes: se potencian entre sí.

  • Escalar modelos y datos. Los scaling laws han funcionado con consistencia, pero enfrentan tres cuellos de botella: agotamiento de datos de alta calidad, retornos decrecientes (cada paso de capacidad exige multiplicar cómputo y tamaño) y límites físicos y económicos en plantas de energía, redes eléctricas, fábricas de chips e interconexiones.
  • Cambios de paradigma tecnológico. Los modelos actuales fallan en aprendizaje continuo, ciertas formas de modelado del mundo, toma de decisiones y eficiencia de muestra. También podrían no ser capaces de inventar conceptos genuinamente nuevos en lugar de recombinar los existentes. Los investigadores están divididos sobre si basta con evolucionar el paradigma transformer o hace falta algo más profundo.
  • Coordinación de agentes. Coordinar miles o millones de instancias de AGI en «agentes grupales» o economías virtuales podría producir superinteligencia colectiva. Falta lo esencial: leyes de escalado multiagente. Y aparecen riesgos propios —desinformación, manipulación, colusión— que exigen diseño institucional.
  • Automejora recursiva (RSI). La IA podría automatizar mejoras de las siguientes generaciones de IA, un proceso discutido desde I. J. Good y Ray Solomonoff. Puede operar sobre código y diseños, sobre datos generados en despliegue (como hizo AlphaZero) o sobre especialización dentro de un colectivo de agentes.

El punto estratégico del ensayo: como las rutas se acumulan, restringir una sola dimensión —por ejemplo, el cómputo de entrenamiento— no detendría el progreso general. Y suprimir un input mientras los demás avanzan crea un «overhang» de capacidad: saltos abruptos cuando esa restricción se relaje.

¿Qué significa esto para tu startup?

Si el costo de la inteligencia cae 13 veces al año y el cómputo efectivo se multiplica por diez, la ventaja competitiva se desplaza. No gana quien tiene el mejor modelo, sino quien sabe usarlo sobre un problema concreto con datos propios. Tres movimientos concretos:

  • Mide costo por resultado verificado, no por token. El dato de Epoch AI sobre GPQA Diamond muestra que el precio de un nivel fijo de desempeño se desploma. Si tu unidad económica sigue siendo «precio por llamada a la API», estás midiendo la variable equivocada. Define tu propio benchmark interno y calcula cuánto te cuesta cada output que el cliente acepta.
  • Diseña para cambiar de modelo sin fricción. TechSpot recuerda que el precio no es la única variable de decisión: integraciones, seguridad, hábitos y confianza pesan. Pero si tu arquitectura está acoplada a un proveedor, no podrás capturar la caída de precios. Una capa de abstracción y evaluaciones automatizadas te permiten migrar cuando el ahorro lo justifique.
  • No apuestes el producto a una capacidad que el modelo base va a comoditizar. Si tu propuesta de valor es «resumir documentos» o «generar código», la industrialización cognitiva la convierte en commodity. Apuesta a datos propietarios, distribución, integración profunda con el flujo de trabajo del cliente y confianza.

Y una cuarta, más defensiva: si dependes de contratos largos de cómputo o de precios fijos de inferencia, revisa la cláusula de renegociación. El ensayo proyecta caídas de costo de 4x al año solo por eficiencia; quedar atado a un precio de 2026 puede ser caro en 2028.

Conclusión

El ensayo del DeepMind Institute no afirma que el ASI vaya a llegar. Afirma algo más útil: que las trayectorias están lo bastante fundamentadas como para dejar de tratarlas como especulación, y que la respuesta razonable es «modelar, medir, pronosticar y repetir». Para un founder, la lectura práctica es doble. La oportunidad está en construir sobre inteligencia cada vez más barata y abundante. El riesgo está en confundir esa abundancia con una ventaja propia. La diferencia entre ambas cosas se decide en la capa donde tú aportas algo que el modelo no tiene: datos, contexto, distribución y criterio para saber si el output sirve.

Fuentes

¿te gustó o sirvió lo que leíste?, Por favor, comparte.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Daily Shot: Tu ventaja táctica

Lo que pasó en las últimas 24 horas, resumido para que tú no tengas que filtrarlo.

Suscríbete para recibir cada mañana la curaduría definitiva del ecosistema startup e inversionista. Sin ruido ni rodeos, solo la información estratégica que necesitas para avanzar:

  • Venture Capital & Inversiones: Rondas, fondos y movimientos de capital.
  • IA & Tecnología: Tendencias, Web3 y herramientas de automatización.
  • Modelos de Negocio: Actualidad en SaaS, Fintech y Cripto.
  • Propósito: Erradicar el estancamiento informativo dándote claridad desde tu primer café.

📡 El Daily Shot Startupero

Noticias del ecosistema startup en 2 minutos. Gratis, todos los días.

Share to...