Jensen Huang dice que la AGI ya está aquí: ¿realidad o márketing?

Por qué Jensen Huang dice que la AGI ya está aquí — y por qué importa entender qué acaba de decir

Jensen Huang, CEO de NVIDIA, volvió a pronunciar la frase que ningún ejecutivo de Big Tech se atreve a soltar dos veces: «creo que es ahora, creo que hemos logrado la AGI». Lo hizo en una conversación con el pódcast de Lex Fridman, y lo que parecía un titular disruptivo terminó dejando al descubierto un problema mucho más incómodo para toda la industria: la palabra AGI (Inteligencia Artificial General) se ha vuelto tan elástica que ya no significa nada concreto.

Para un founder, este debate no es filosófico. La forma en que se defina — o se vacíe de definición — la AGI condiciona qué productos se financian, qué tipo de talento contratan las startups, qué prometen los roadmaps y, sobre todo, qué se considera un avance real frente a una demo vistosa. El episodio Huang es un caso de estudio perfecto de por qué la narrativa actual puede distorsionar decisiones de inversión y producto.

Qué dijo Huang exactamente y por qué se desinfló en segundos

En el pódcast de Lex Fridman, Huang lanzó la afirmación sobre la AGI al responder a una pregunta muy concreta: ¿podría una IA crear, hacer crecer y operar una empresa tecnológica multimillonaria en entre cinco y veinte años? Fridman propuso esa definición como umbral de «inteligencia general». Huang arrancó con el «sí, ya está», pero cuando tuvo que aterrizarlo cambió de escala: habló de una IA capaz de crear un servicio web viral, automatizar tareas y hasta lanzar una app para alimentar un Tamagotchi.

🤖 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

El contraste es revelador. Construir y operar una empresa de más de mil millones de dólares es una cosa; generar una app viral en una tarde, otra muy distinta. El propio Huang lo admitió segundos después: la probabilidad de que 100.000 agentes actuales construyan algo como NVIDIA es, según sus propias palabras, «cero por ciento». Si la tecnología no puede ejecutar el ejemplo que define la categoría, ¿qué fue exactamente lo que anunció?

Según The Verge, Huang repitió la jugada en la earnings call de NVIDIA: declaró que la compañía había «logrado la AGI» y, casi en la misma frase, calificó el hito como «senseless» (sin sentido). El patrón es consistente: titular grandilocuente, matización inmediata, ausencia total de definición operativa.

La AGI se ha convertido en un término vacío: cinco ejecutivos, cinco significados

El problema no es nuevo ni exclusivo de NVIDIA. La industria lleva años estirando la palabra hasta que significa lo que a cada interlocutor le conviene en cada momento. Una pieza de The Verge recoge el catálogo actual:

Sam Altman lleva años insinuando que estamos «al borde» de la AGI, aunque él mismo reconoció que el término «no es super útil».
Dario Amodei, CEO de Anthropic, la califica de «imprecisa» e incluso de «término de marketing»; prefiere hablar de «powerful AI».
Meta habla de «personal superintelligence».
Microsoft acuñó «humanist superintelligence».
Amazon se refugia en «useful general intelligence».
Demis Hassabis, de Google DeepMind, prefiere «las faldas del singularity».

OpenAI, que fundó su misión alrededor del concepto, define la AGI en su carta fundacional como «sistemas altamente autónomos que superan a los humanos en la mayor parte del trabajo económicamente valioso»; junto a Microsoft, habría acordado internamente un umbral financiero: sistemas capaces de generar al menos US$100.000M de beneficios. El problema es evidente: cuando la definición cambia según el interlocutor, el hito deja de ser medible.

Qué es realmente la AGI y por qué los modelos actuales no la alcanzan

En el imaginario tecnológico, la AGI no es un chatbot más convincente ni un ejército de agentes que encadenan tareas. La idea clásica apunta a un sistema capaz de aprender, razonar, adaptarse y desenvolverse de forma generalista en múltiples dominios, con una flexibilidad parecida (o superior) a la humana.

Los modelos de lenguaje actuales, por impresionantes que sean, siguen basándose en predicción estadística, correlación de patrones y enormes volúmenes de datos. Son muy buenos simulando comprensión en contextos acotados, pero eso no equivale a pensar, comprender ni razonar como una mente generalista. Fallan en cosas básicas para una supuesta inteligencia general: consistencia a largo plazo, comprensión causal robusta, fiabilidad, autonomía real, aprendizaje fuera de distribución y una relación estable con la verdad. Si todavía se pelea con alucinaciones y errores de contexto, hablar de AGI como si estuviera sentada en la oficina de al lado suena, como mínimo, prematuro.

La tesis de Yann LeCun: los LLMs solos no llevan a la AGI

Uno de los críticos más visibles es Yann LeCun, Premio Turing 2018 y considerado uno de los «Godfathers of AI». Tras dejar Meta a finales de 2025, fundó AMI Labs en París, que levantó en marzo de 2026 una ronda seed de US$1.030M a una valoración pre-money de US$3.500M —la mayor de la historia para una startup europea, según reporta Observer. Entre sus inversores están NVIDIA, Jeff Bezos y Eric Schmidt.

LeCun lleva años defendiendo que los modelos de lenguaje, por sí solos, no son el camino completo hacia la AGI. Su tesis: hacen falta «world models» (modelos de mundo) que aprendan de la realidad, anticipen consecuencias, predigan qué pasa después y elijan la mejor acción en función de esas predicciones. En palabras del propio LeCun en VivaTech en junio, citados por Observer: «no vamos a tener un país de genios en un datacenter el año que viene».

Su CEO, Alexandre LeBrun, fue aún más explícito en una entrevista con TechCrunch en julio: «Nunca usamos la palabra AGI. Y acabo de notar que nadie la usa ya; han cambiado a superintelligence. La próxima vez cambiarán a otra cosa». LeBrun añadió: «No hay una buena definición. ¿Qué es la superintelligence? No lo sé. No es una palabra muy útil».

El dinero que se mueve detrás del debate: US$6.000M en «world models» en un trimestre

Aunque Huang relativice la AGI, NVIDIA está apostando muy fuerte por el camino alternativo. El 1 de junio lanzó Cosmos 3 en COMPUTEX, su primer omnimodel abierto que entiende y genera texto, imágenes, vídeo, sonido ambiental y datos de acción de robots en un único sistema. Entrenado con 20 billones de tokens multimodales.

Según un análisis publicado por Tech Times, aproximadamente US$6.000M fluyeron hacia empresas de «world models» solo en el primer trimestre de 2026. El artículo cita la tesis bautizada como «The Great Parallel» por Jim Fan, investigador de NVIDIA, en el AI Ascent 2026 de Sequoia: los modelos de mundo harán por las máquinas físicas lo que los transformers hicieron por el lenguaje.

Sin embargo, el mismo análisis advierte de un problema estructural: el mundo físico no tiene un equivalente al «token» de texto. Los ángulos de articulación de un brazo robótico, las nubes de puntos de una cámara de profundidad y las señales de un sensor de par son tipos de datos fundamentalmente distintos que no se pueden combinar ingenuamente como se combinan textos de la web. Esa ausencia de un átomo universal —no solo la falta de datos— es la razón más profunda por la que las arquitecturas competidoras aún no convergen.

Qué significa esto para tu startup

El episodio Huang no es una anécdota mediática: es una señal de mercado. Si los mayores vendedores de GPU del mundo necesitan redefinir la AGI cada trimestre para sostener el relato, el resto del ecosistema está tomando decisiones con un mapa distorsionado. Para un founder, esto se traduce en tres implicancias prácticas:

No compres la narrativa, compra resultados. Antes de pagar por una integración, una licencia o una ronda basada en promesas de «AGI», pide un benchmark concreto sobre la tarea que te importa. Si el proveedor no sabe definir qué cuenta como AGI en su producto, difícilmente sabrá medir si funciona en el tuyo.
Evalúa el stack completo, no solo el modelo. El valor real está en la combinación energía → chips → infraestructura → modelos → aplicaciones, como describe Huang en sus últimas intervenciones. Las oportunidades para founders están en las capas donde los gigantes no llegan: integración vertical, datos de dominio, distribución y casos de uso físicos.
Cuidado con el product-market fit basado en vaporware. Construir sobre «haremos X cuando llegue la AGI» es apostar por una fecha que nadie sabe poner. Diseña tu roadmap con lo que los modelos ya hacen de forma fiable hoy, y trata cualquier salto generacional como upside opcional, no como base del plan.

Acciones concretas para implementar esta semana:

Haz una auditoría interna: ¿qué parte de tu producto depende de capacidades de IA que aún no existen de forma estable? Sustitúyelas por flujos deterministas o por humanos en el loop.
Si estás vendiendo a inversores, no uses la palabra AGI en tu pitch. Usa métricas concretas de productividad, coste por tarea o retención. Te diferenciará del ruido.
Si estás contratando, evalúa candidatos por su capacidad de entregar con los modelos actuales, no por su fe en futuras versiones. La diferencia entre un equipo que sabe ejecutar hoy y uno que espera el AGI se mide en runway.