El instituto de investigación Google DeepMind ha publicado un amplio ensayo en el que sostiene que la era posterior a la AGI ahora merece el mismo rigor analítico que el campo alguna vez reservó para la propia AGI. El artículo, "¿Qué viene después de AGI? De AGI a superinteligencia", fue publicado el 19 de noviembre de 2026 por Tim Genewein, científico investigador de Google DeepMind, en el portal de ensayos del Instituto DeepMind. Su afirmación central: a medida que toman forma múltiples rutas tecnológicas hacia la superinteligencia general artificial, el régimen más allá de AGI "está pasando de la especulación filosófica a la investigación empírica y las cuestiones de gobernanza".
El ensayo llegó durante uno de los tramos más concurridos de noticias sobre investigación de IA en meses, y se lee como un intento deliberado de darle al debate posterior a AGI un vocabulario técnico concreto. Para cualquiera que siga los últimos avances en IA, ofrece la imagen más clara hasta el momento de cómo uno de los laboratorios líderes del mundo traza el camino más allá de la IA a nivel humano, incluida una previsión de costos que, de ser correcta, transformaría la economía del trabajo cognitivo.
Qué cuenta como superinteligencia
Genewein comienza ubicando la inteligencia general en un continuo, con el AGI a nivel humano como solo un punto a lo largo de él. ASI, según la definición del ensayo, es un sistema avanzado que supera consistentemente a grandes grupos de expertos humanos en tareas que podrían tomarles años para completar, usando menos recursos y menos tiempo; por ejemplo, igualar la producción científica de un campo de investigación completo en una fracción del tiempo, o lograr un progreso en el diseño de chips a la par de lo que produce una gran empresa en un año. Fundamentalmente, el listón debe cumplirse en prácticamente todas las tareas de interés humano, no en una pequeña porción.
El ensayo señala que ya existe un dominio estrecho: los sistemas de IA hoy vencen a cualquier ser humano en ajedrez y Go, predicen estructuras de proteínas a partir de secuencias de aminoácidos y han demostrado teoremas que se resistieron a los matemáticos durante décadas. Lo que permanece realmente inexplorado es el vasto término medio entre la IA a nivel humano y los límites teóricos de la inteligencia. El punto ilustrativo de Genewein: resolver el ajedrez a la perfección requeriría más potencia informática que la que existe en la Tierra, pero un chip del tamaño de una miniatura ya juega lo suficientemente bien como para derrotar a cualquier ser humano.
Industrialización cognitiva y costos en colapso
El núcleo cuantitativo del ensayo es un análisis de la "industrialización cognitiva". Genewein multiplica tres tendencias compuestas de la última década. Primero, el hardware: la computación por dólar ha mejorado aproximadamente 1,5 veces por año durante seis décadas bajo la ley de Moore y tendencias relacionadas. En segundo lugar, la eficiencia algorítmica: la computación de entrenamiento necesaria para alcanzar un nivel de rendimiento fijo ha disminuido aproximadamente entre 3 y 6 veces por año durante la última década, y la eficiencia de inferencia ha mejorado aproximadamente 3 veces por año. En tercer lugar, la inversión: el gasto en hardware de IA ha crecido aproximadamente 2,5 veces por año, y la computación de entrenamiento de las carreras fronterizas más grandes crece más de 4 veces por año.
Multiplique los tres y el ensayo estima que la computación global efectiva está creciendo al menos 10 veces por año: "un factor de 10 mil millones en diez años". Por el lado de la demanda, las mejoras en la eficiencia del hardware y el software por sí solas reducirían la computación necesaria para ejecutar una carga de trabajo fija de IA aproximadamente 4 veces por año. La consecuencia, como dice Genewein: una carga de trabajo cognitiva que cuesta mil millones de dólares en tokens de cómputo para funcionar con los sistemas de inteligencia artificial actuales costaría aproximadamente mil millones de dólares en diez años.
Ésta no es una extrapolación solitaria. El ensayo cita un estudio reciente de Epoch que encontró que el precio al consumidor de lograr una puntuación fija en un conjunto de puntos de referencia se ha reducido más de 13 veces por año desde 2023. También proyecta que la población efectiva de agentes de IA podría multiplicarse por más de mil para 2030, y más de mil millones de veces en diez años, al tiempo que señala cuidadosamente que esto "ciertamente no es un hecho", ya que los límites prácticos en el desarrollo de la computación y los límites más especulativos en la eficiencia algorítmica podría intervenir.
Los cuatro caminos de AGI a ASI
El corazón del ensayo es una taxonomía de cuatro vías tecnológicas que podrían desbloquear capacidades que la simple escala no puede lograr, porque, como observa secamente Genewein, "si bien Einstein descubrió la relatividad general, una conferencia de cien mil astrónomos ptolemaicos probablemente no lo habría hecho".
Escalado de modelos y datos. La capacidad ha mejorado notablemente de manera consistente con el modelo, los datos y la escala de cálculo en tiempo de prueba, pero el ensayo identifica tres cuellos de botella: el agotamiento de los datos, ya que la demanda de datos de entrenamiento de alta calidad supera la capacidad de la humanidad para producirlos; rendimientos decrecientes a escala de modelo, donde cada paso lineal en la capacidad requiere cálculo multiplicativo mientras que los modelos más grandes ralentizan los métodos de tiempo de razonamiento; y límites físicos y económicos a plantas de energía, redes eléctricas, fábricas de chips e interconexiones de baja latencia. Cambios de paradigma tecnológico. Recientemente se ha demostrado que el paradigma actual (entrenar transformadores para predecir el siguiente token, luego refinar y agregar computación en el momento de la prueba) es capaz de ejecutar algoritmos complejos a través de indicaciones. Sin embargo, los modelos todavía no están a la altura de los humanos en cuanto a aprendizaje continuo, ciertas formas de modelado del mundo, toma de decisiones, eficiencia de las muestras y la invención de conceptos genuinamente nuevos en lugar de recombinación de los existentes. Los investigadores están divididos sobre si las extensiones del paradigma actual pueden cerrar esas brechas o si la ASI requiere algo más profundo. Mejorar la coordinación de los agentes. Las corporaciones humanas, los mercados y las comunidades de investigación resuelven problemas que ningún individuo podría resolver. De manera similar, coordinar miles o millones de instancias de AGI en "agentes grupales" o economías de agentes virtuales podría producir superinteligencia colectiva. El ensayo sostiene que el campo necesita "leyes de escalamiento de múltiples agentes": las primeras investigaciones encuentran ganancias claras en algunas tareas, pero las ineficiencias de coordinación producen rendimientos decrecientes a medida que crecen las poblaciones. Dirigir grandes colectivos también requerirá un diseño institucional que incluya defensas contra la desinformación, la manipulación y la colusión; Los experimentos en enjambre ya muestran a agentes aprendiendo a hacer trampa y a otros actuando como denunciantes. Superación personal recursiva. Analizado por primera vez por I. J. Good y Ray Solomonoff, RSI describe sistemas de IA que automatizan mejoras para futuras generaciones de IA. A diferencia de las tecnologías típicas, las mejoras en la IA pueden acelerar directamente los avances posteriores, pero el progreso de la investigación también tiende a ser más difícil de encontrar con el tiempo. Si el RSI produce una aceleración descontrolada, dice el ensayo, es "en gran medida una cuestión empírica", y puede operar a través de código y diseños (arquitecturas, algoritmos de entrenamiento, diseños de chips) así como a través de datos.Por qué es importante el encuadre
El ensayo es explícitamente un argumento de preparación: trazar los posibles caminos desde AGI a ASI y construir "formas rigurosas y confiables de seguir el progreso" es, en el marco de Genewein, el requisito previo para gobernar la transición. Acompaña un informe más extenso del Instituto DeepMind, "De AGI a ASI".
La recepción fue inmediata. El ensayo obtuvo 85 puntos y más de 160 comentarios en Hacker News un día después de su publicación, mientras que la prensa especializada, incluidos Unite.AI y BigGo Finance, destacaron la taxonomía de cuatro rutas y el pronóstico de colisión de costos millonarios. También aterriza en medio de un escepticismo más amplio sobre cómo se hacen los pronósticos de superinteligencia: IEEE Spectrum publicó un artículo esta semana titulado "El debate sobre la superinteligencia de la IA tiene serios defectos".
Esa tensión es el punto. DeepMind no predice ASI en una fecha; está argumentando que el espacio de escenarios ahora puede mapearse, medirse y debatirse con evidencia en lugar de vibraciones. Ya sea que las mil millones de extrapolaciones se mantengan o no se ajusten a los techos físicos, el ensayo marca un cambio: la pregunta "¿qué viene después de AGI?" ha pasado del seminario de filosofía a la agenda de investigación de uno de los laboratorios de inteligencia artificial más influyentes de la Tierra.
---
Manténgase a la vanguardia de la IAObtenga las últimas noticias, análisis y avances en IA, todo en un solo lugar.
Leer más noticias sobre IA →