El documento de 57 páginas que Google DeepMind publicó en junio de 2026 empieza con una rareza: invita al lector humano a pedirle a su asistente de IA favorito que le haga un resumen a medida y, luego, que juzgue si los argumentos envejecieron bien. Esa indicación no es un adorno. Es la primera señal de que DeepMind ya escribe para una audiencia que incluye a las máquinas, y de que la pregunta que importa ya no es si llegaremos a la inteligencia artificial general, sino qué ocurre después.
Firmado por investigadores como Shane Legg —cofundador de DeepMind— y Marcus Hutter —el matemático detrás de la teoría formal de inteligencia universal—, el paper cambia el foco de la especulación a la hoja de ruta. Allí definen inteligencia artificial superinteligente (ASI) no como un modelo más listo que un humano, sino como un sistema que supera a grandes organizaciones de expertos humanos coordinados en prácticamente cualquier campo cognitivo. Y trazan cuatro rutas para llegar ahí.
La primera es la más conocida: escalar. Más cómputo, más datos, modelos más grandes. DeepMind estima que el “cómputo efectivo” —la combinación de mejoras en hardware, inversión y eficiencia algorítmica— ha crecido 10 veces al año durante la última década. Si eso se mantiene, en cinco años podríamos pasar de ejecutar 1.000 instancias de AGI a 100 millones. Pero este camino tiene fecha de vencimiento: la calidad de los datos disponibles para entrenamiento podría agotarse antes de que termine la década.
Un cambio de paradigma algorítmico es la segunda ruta: algo que rompa con la arquitectura actual de transformers y modelos fundacionales. Por definición, es la menos predecible. La tercera es la auto-mejora recursiva: sistemas de IA que aceleran la propia investigación en IA, creando versiones más inteligentes que a su vez investigan más rápido. Versiones rudimentarias ya existen —IA diseñando chips, optimizando hiperparámetros, escribiendo código de investigación—, pero la versión completa podría desencadenar una explosión de inteligencia o, advierte el paper, estancarse ante problemas que requieren experimentación física o ideas genuinamente nuevas.
Para muchos, la cuarta ruta es la más infravalorada y la que ya tiene implicaciones de gestión concretas: la inteligencia colectiva multiagente. Millones de agentes especializados coordinándose como una corporación automatizada. DeepMind sostiene que la ASI bien podría no nacer de un único modelo sobrehumano, sino de la organización de muchas inteligencias trabajando en paralelo, del mismo modo que una empresa es más inteligente que cualquiera de sus empleados por separado.
Más allá de los caminos, el paper identifica seis cuellos de botella que podrían frenar o bloquear el avance: el agotamiento de datos de calidad, la demanda insostenible de energía y recursos, la posibilidad de que la arquitectura neural actual sea insuficiente, el aumento del costo de la investigación a medida que se agotan los descubrimientos fáciles, la “barrera de abstracción” —una hipótesis propia del equipo que sugiere que los modelos actuales, al operar sobre conceptos humanos, no pueden descubrir conceptos radicalmente nuevos sin interactuar con el mundo físico—, y la desaceleración intencional por regulación o rechazo social.
Sobre este último punto, los autores son realistas: la presión económica y la competencia internacional probablemente superen cualquier intento de coordinación global.
¿Qué significa esto para una empresa en América Latina? La discusión puede sonar a ciencia ficción, pero los datos del mercado muestran que el presente ya se mueve en esa dirección. En julio de 2026, OpenAI redujo el precio de su modelo más barato un 80%: 0,20 dólares por millón de tokens de entrada. DeepSeek ofrece todavía más barato. Los modelos de alto rendimiento se están commoditizando.
La barrera de entrada técnica y económica baja rápidamente, lo que hace que la ruta multiagente —orquestar agentes especializados sobre procesos concretos— sea accionable hoy, no en cinco años.
Para las empresas latinoamericanas, el mensaje es doble. Por un lado, la ventana para acceder a capacidades de IA de frontera se amplía gracias a la caída de costos, lo que nivela el terreno frente a competidores globales. Por otro, la necesidad de construir capacidades de orquestación y gobernanza de agentes —cómo se asignan tareas, cómo se auditan decisiones, cómo se gestionan los sesgos— se vuelve urgente. Mientras los grandes laboratorios compiten por la ASI, el verdadero desafío regional es institucional: crear marcos legales y operativos que permitan aprovechar estas herramientas sin quedar atrapados en una carrera sin reglas.
Cierra el paper con una advertencia que vale la pena recordar: la ASI no es omnipotente. No puede violar la velocidad de la luz ni superar los límites termodinámicos. La barrera de abstracción sugiere que, para ciertos descubrimientos, la inteligencia digital necesitará experimentar en el mundo real, lo que la ata a escalas de tiempo físicas. Eso deja un margen para que las sociedades se adapten, pero no un margen amplio.
Quizá sea incorrecta la imagen de la singularidad como un evento único y dramático. DeepMind propone algo más sutil: una cadena de disrupciones aceleradas, donde la IA mejora la IA y genera avances en cascada. No un salto, sino una rampa que se empina progresivamente. Para los líderes latinoamericanos, la pregunta ya no es si la pendiente se volverá vertical, sino si están construyendo el andamiaje institucional para no caerse.
