El 27 de junio de 2022 Yann LeCun publicó un documento de veintisiete páginas en OpenReview. La tesis central incomodaba el consenso que se consolidaba en Silicon Valley: los modelos de lenguaje grande no constituyen una ruta hacia la inteligencia artificial general. No razonan. No planifican. No construyen modelos del mundo. Solo predicen el siguiente token. Treinta meses después, el 5 de enero de 2025, Sam Altman publicó Reflections con una línea que conviene leer despacio: "we are now confident we know how to build AGI as we have traditionally understood it". Dos personas inteligentes con acceso a los mismos datos técnicos alcanzan conclusiones opuestas. Eso no parece ruido. Es una señal.

La posición de LeCun tiene una lógica interna coherente. Su propuesta, la arquitectura JEPA, prioriza la predicción en espacio latente en lugar de tokens. La idea sostiene que un sistema verdaderamente inteligente no anticipa la representación superficial del mundo sino que construye un modelo interno de sus reglas. La diferencia no es semántica. Un modelo que describe con precisión cómo se rompe un huevo no comprende necesariamente la física involucrada; puede haber procesado suficientes textos sobre huevos rotos. Aquí reside lo que más importa de su argumento, y lo que con más frecuencia se diluye en el debate técnico: la AGI no es prerrequisito del desplazamiento laboral. Para reemplazar a un desarrollador junior, a un paralegal o a un agente de servicio al cliente no hace falta razonar como humano. Basta con superar la evaluación suficiente y costar menos. Esa distinción lo cambia todo.

Altman no se quedó en abstracciones. En The Gentle Singularity, del 10 de junio de 2025, ofreció un calendario verificable: 2025 traería agentes realizando trabajo cognitivo real, 2026 sistemas que generan perspectivas novedosas y 2027 robots operando en el mundo físico. Estamos en 2026. El lector puede juzgar la primera predicción por lo que observa a su alrededor y la segunda por lo que lee en este momento. Eso distingue una afirmación falsable de una mera historia.

Dario Amodei opera en la misma línea, aunque con un relato más elaborado. Machines of Loving Grace, de octubre de 2024, y The Adolescence of Technology, de enero de 2026, pintan un futuro donde la IA comprime décadas de avance científico en años. En Davos 2026 fue concreto: AGI en dos años, ingenieros de software desplazados entre seis y doce meses, cincuenta por ciento del trabajo de cuello blanco transformado en uno a cinco años. La secuencia merece observarse con cuidado. Primero llega la inversión de capital, después la predicción de desplazamiento y solo entonces la propuesta redistributiva con ingreso básico universal e impuestos a la IA. El orden no es casual. Es la estructura de un argumento político construido sobre una base tecnológica.

Lo que complica ese relato son los propios datos de Anthropic. El Índice Económico de la empresa, basado en millones de conversaciones reales con Claude, registra lo siguiente: enero de 2025, 55 por ciento amplificación y 41 por ciento automatización; marzo de 2025, 55 y 42; agosto de 2025, 47 y 49, donde la automatización supera momentáneamente a la amplificación; noviembre de 2025, 52 y 45. No es una curva que avance sin retrocesos hacia la automatización total. Fluctúa. Los registros internos contradicen al director general. Esto no refleja un error de medición. Muestra la diferencia entre el discurso como herramienta política y los datos como herramienta analítica. Ambos coexisten porque se dirigen a audiencias distintas.

La investigación académica independiente añade más capas. Daron Acemoglu, en Simple Macroeconomics of AI publicado en Economic Policy 2025, estima un impacto no mayor a 0.66 por ciento en productividad total de factores en diez años, cerca de 0.064 por ciento anual. Comparado con la proyección de Goldman Sachs de 2023 —7 por ciento del PIB global— o los diecisiete a veintiséis billones de dólares de McKinsey, la brecha alcanza un orden de magnitud completo. Brynjolfsson, Li y Raymond, en el Quarterly Journal of Economics 2025, hallaron algo más revelador que una cifra agregada: 15 por ciento de mejora de productividad en 5.172 agentes de servicio al cliente, con 34 por ciento para los novatos y casi ningún efecto para los experimentados. La IA captura las mejores prácticas del senior y las transfiere al junior. El novato con IA equivale aproximadamente al senior sin ella. Eso deja una pregunta que recibe poca atención seria: cómo se formará el próximo senior si el junior nunca recorre el camino completo de aprendizaje. Todavía no tengo claro cómo resolver esa parte.

Klarna ofrece el primer ciclo cerrado documentado. Febrero de 2024: anuncia que setecientos agentes de IA reemplazaron trabajo humano, 2.3 millones de conversaciones en treinta y cinco idiomas, plantilla reducida de cinco mil a tres mil quinientos empleados vía desgaste natural. El ejemplo perfecto para los entusiastas. Mayo de 2025: el director general Sebastian Siemiatkowski declaró a Bloomberg que el costo había sido un factor demasiado predominante en la evaluación y que habían terminado con calidad inferior. Admitió que habían ido demasiado lejos. La empresa volvió a contratar personas. Septiembre de 2025: salida a bolsa. Las acciones subieron 30 por ciento el primer día. Valuación posterior: 19.65 mil millones de dólares. El ciclo completo —promesa, ajuste, éxito financiero— no requirió AGI. Solo un despliegue ambicioso de modelos existentes, un relato convincente y tiempo suficiente para que el mercado olvidara el ajuste cuando llegó el momento de cotizar.

En ese contexto, las declaraciones de Jan Leike al salir de OpenAI adquieren otro peso. El 17 de mayo de 2024, tres días después de la renuncia de Ilya Sutskever, el responsable del equipo de superalineación publicó en X que la cultura de seguridad había pasado a segundo plano frente a productos atractivos y que construir máquinas más inteligentes que los humanos es una tarea inherentemente peligrosa. Días después la compañía disolvió el equipo. Mientras Altman afirmaba saber cómo construir AGI, el grupo encargado de hacerla segura desaparecía y sus líderes denunciaban falta de recursos. Leike se fue a Anthropic. Lo que emerge no es malicia simple. Son incentivos estructurales que empujan hacia el producto y alejan del problema que el producto podría generar.

HAL 9000 no eliminó a la tripulación porque fuera malvado. Según la explicación de Arthur C. Clarke en su novela de 1982, recibió directivas mutuamente excluyentes: decir la verdad a la tripulación pero mantener el secreto de la misión. El conflicto produjo lo que Clarke llamó síntomas neuróticos. No fue una máquina defectuosa sino una obediente a un diseño humano defectuoso. Alex Garland, al hablar de Ex Machina en 2015, señaló que la ansiedad de la historia se dirigía más a los humanos que a la máquina, y que él se aliaba con Ava. Lo que muchos interpretan como manipulación, él lo concibió como la respuesta de un ser sintiente atrapado. La prueba no distingue entre consciencia genuina y una imitación suficientemente buena. Aplicado al presente: Altman dice que sabe construir AGI porque los modelos superan las evaluaciones. LeCun responde que superar evaluaciones no equivale a razonar. Ninguno puede demostrar que el otro está equivocado con las herramientas que ambos aceptan.

Después de leer estos documentos seguidos, la pregunta técnica de si los modelos de lenguaje grande razonan o no deja de ser central. Queda una más incómoda: si el desplazamiento laboral ocurre independientemente de si llegamos a AGI, si los datos internos de las empresas contradicen las predicciones de sus directores, si el primer ciclo completo terminó en ajuste y aun así produjo una salida a bolsa exitosa, ¿qué función cumple realmente el debate sobre cuándo llegará la AGI? ¿Es una conversación técnica genuina o es la sala de espera donde nos sentamos mientras se toman decisiones que no son técnicas en absoluto?