El 17 de julio, un periódico español tituló que Demis Hassabis, el jefe de Google DeepMind y premio Nobel de Química, le da al mundo tres o cuatro años hasta que llegue la AGI. Tres días antes lo había dicho él mismo con más cuidado: la inteligencia artificial general está "probablemente a solo unos pocos años", y estamos en "las estribaciones de la singularidad".
Ponlo al lado de los pronosticadores independientes. Metaculus, la mayor comunidad pública de predicción, sitúa la mediana para un sistema de IA general en torno a 2033. La última gran encuesta a 2.778 investigadores de machine learning aterrizó en 2047 para que las máquinas superen a los humanos en cualquier tarea. Daniel Kokotajlo, autor del muy leído escenario "AI 2027", revisó su propia previsión en diciembre y empujó la superinteligencia hasta cerca de 2034.
Así que la persona que dirige uno de los tres laboratorios líderes dice unos pocos años. La comunidad de pronóstico dice una o dos décadas. Miran los mismos modelos. Cuando las estimaciones serias discrepan por un factor de diez, "cuándo llega la AGI" deja de ser una pregunta de planificación. Se convierte en una apuesta, y nadie puede ponerle precio.
La buena noticia: también es la pregunta equivocada. Bajo la pelea por la fecha hay una segunda historia sobre la que casi nadie discute, y con esa sí se puede planificar.
Por qué la fecha es imposible de saber#
Empieza por el hecho de que no hay una definición compartida de AGI. OpenAI la ha medido en dólares de beneficio. DeepMind usa una escala de cero a cinco. Dario Amodei, de Anthropic, llama al término marketing y prefiere "powerful AI". Yann LeCun, de Meta, quiere retirar la palabra por completo. Jensen Huang, de Nvidia, dijo esta primavera en un pódcast que ya hemos alcanzado la AGI, según su definición. Gary Marcus dice que no estamos ni cerca. Ambos describen los mismos sistemas con varas de medir distintas.
Luego añade los incentivos. Un jefe de laboratorio que predice la AGI en unos pocos años también está levantando capital, reclutando talento y moldeando la regulación que gobernará su propio campo. Eso no lo convierte en un mentiroso. Significa que lees la predicción con el interés que lleva pegado.
Y los vientos técnicos en contra son reales, no gestos al aire. El texto público de entrenamiento se agotará, según las estimaciones, hacia 2028. GPT-4.5 costó, según los informes, muchas veces más que su predecesor para una ganancia marginal, y así se ven los rendimientos decrecientes. El límite más concreto para quien construye con agentes hoy es la fiabilidad en tareas largas. El International AI Safety Report, escrito por Yoshua Bengio y más de cien expertos, lo dice sin rodeos: cuando las tareas se alargan, los agentes pierden el hilo, y un solo anuncio emergente puede descarrilar toda una ejecución. Los pequeños errores se acumulan y el agente se desvía del objetivo sin recuperarse.
Nada de eso te dice que la AGI esté lejos. Te dice que la fecha es genuinamente incierta, en ambas direcciones, y que apostar tu hoja de ruta a un año concreto es un error, elijas el número que elijas.
Lo que de verdad no está en disputa#
Ahora la parte en la que todos coinciden, porque se mide en lugar de predecirse.
La curva de capacidad es empinada y constante. METR, un laboratorio de evaluación independiente, mide la duración de la tarea que una IA puede completar por sí sola con un cincuenta por ciento de éxito. Esa duración se ha ido duplicando más o menos cada cuatro a siete meses. En términos prácticos, pasamos de tareas de minutos a tareas de horas en cerca de un año. METR advierte que la medición se vuelve poco fiable más allá de las dieciséis horas, así que es una tendencia que respetar, no un cronómetro en el que confiar al día.
La ejecución se está convirtiendo en un bien de consumo. La curva de SWE-bench del Stanford AI Index 2026 pasó de alrededor del sesenta a casi el cien por ciento de la referencia humana en doce meses. Esa cifra normalizada no significa que se resolviera casi el cien por ciento de las tareas. GitHub informa de que una gran parte del código nuevo ya lo genera la IA. Los ingenieros de los laboratorios punteros dicen en privado que casi todo su código lo escribe una máquina, con una ligera corrección a mano. Escribir software, lo que fue escaso y caro durante cincuenta años, va camino de ser barato.
MCP ofrece una interfaz compartida y versionada entre clientes y servidores de herramientas. Facilita conexiones reutilizables, pero no sustituye comprobar compatibilidad, autenticación y permisos. La especificación describe ese alcance; las descargas del SDK no demostrarían cuántos agentes operan en producción.
Juntas, estas tendencias sugieren un patrón posible: para algunas tareas el modelo resulta más fácil de sustituir. El cambio exige pruebas de calidad, herramientas, coste y datos. Mi tesis es que parte del valor puede pasar a los procesos circundantes; no es una intercambiabilidad universal medida.
Adónde va el valor#
Se está moviendo fuera del modelo. Este es el único punto en el que la gente de capital riesgo, los compradores de empresa y quienes de verdad despliegan agentes coinciden. Marc Andreessen lo resumió así: "el foso no es el modelo, es lo que construyes alrededor". La versión de Sequoia es "los servicios son el nuevo software". La misma observación desde asientos distintos.
Cuatro capas están absorbiendo el valor que el modelo suelta.
La memoria es la primera, y se está convirtiendo en el nuevo cautiverio de proveedor. ChatGPT y Claude construyen ahora memoria persistente, y ambos la mantienen propietaria. Como lo expresó un autor: es la memoria que ChatGPT tiene de ti, no la tuya. Precisamente por eso surgió este mes un movimiento abierto en contra, con propuestas rivales para un formato de memoria portable que un segundo proveedor pueda leer de verdad. Cambiar de modelo se ha vuelto trivial. Cambiar tu memoria acumulada, no. El contexto de quién eres y qué has hecho se vuelve más pegajoso que el modelo que lo lee.
La confianza es la segunda capa. Descripciones y resultados manipulados pueden dirigir al agente hacia acciones incorrectas. Conviene comprobar origen, permisos y efectos reales de una herramienta. Una firma puede verificar origen e integridad; no demuestra que toda acción del agente sea correcta o segura.
El descubrimiento es la tercera capa. Directorios y Agent Cards describen servicios, pero no crean interoperabilidad por sí solos. Deben coincidir revisión, dirección, autenticación y habilidades implementadas. Una descripción accesible es el comienzo; la prueba decisiva es completar una tarea real.
La propiedad de la relación y del flujo de trabajo es la cuarta, y es la que más importa para quien lleva un negocio en lugar de un laboratorio. Los consultores que antes revendían el software de otro ahora generan su propia versión y se quedan con el flujo de trabajo, los datos y el cliente. El código es barato. La confianza es cara. El activo defendible nunca fue el software. Era la relación dentro de la que estaba el software.
El contraargumento honesto#
Quizá nada de esto sobreviva. Si llega un sistema que sea de verdad general y capaz de mejorarse a sí mismo, podría devorar la capa de memoria, la de confianza, la de descubrimiento y la relación de golpe, y todo este marco envejecería mal.
Me lo tomo en serio y aun así construyo sobre las cuatro capas, por dos razones. Primero, incluso los calendarios agresivos pasan por años de exactamente esta transición, y no te saltas los años nombrando el punto final. Segundo, el modo de fallo de la apuesta es leve. Si la AGI se queda a unos años, ser dueño de la memoria, la confianza y las relaciones es justo donde está el dinero. Si llega antes, esas son las últimas cosas en automatizarse, porque van de responsabilidad y confianza humana, no de capacidad bruta. No hay ninguna versión de los próximos años en la que una capa de memoria portable y una capa de confianza verificada sean un mal sitio donde estar.
Qué significa esto para ti#
Deja de cronometrar la AGI. Quienes se dedican a esto no se ponen de acuerdo ni en una década, y el número no es accionable de todos modos. Observa en su lugar la curva de capacidad, y observa la brecha de fiabilidad, porque esas se miden y se mueven.
Luego construye sobre lo que sobrevive al modelo. Da por hecho que el modelo es reemplazable, porque ya lo es. Pon tu peso en las capas de debajo: la memoria que pertenece al usuario, la confianza que deja actuar a un agente, el descubrimiento que deja que lo encuentren, y la relación que ningún modelo puede heredar. Eso no es una predicción sobre 2029. Es una descripción de lo que ya vale más este año que el pasado.
La fecha es una distracción. El cambio es la historia.
