El inesperado rayo de esperanza: por qué el CEO de DeepMind ve valor en una carrera de IA más lenta
En un panorama normalmente definido por una aceleración frenética y un hambre insaciable de capacidad de cálculo, está surgiendo una narrativa contraintuitiva desde las más altas esferas de la industria de la inteligencia artificial (artificial intelligence, AI). Demis Hassabis, CEO de Google DeepMind y una figura clave en la revolución moderna de la IA, ha sugerido que los actuales obstáculos logísticos y técnicos que están frenando el impulso de la industria podrían ser en realidad beneficiosos para la humanidad. Hablando antes del World Economic Forum en Davos en enero de 2026, Hassabis articuló lo que puede describirse como la "paradoja del progreso de la IA": la idea de que los impedimentos naturales al crecimiento sirven como barandillas necesarias, aunque no intencionales, para una tecnología que se precipita hacia la Inteligencia Artificial General (Artificial General Intelligence, AGI).
Esta perspectiva marca un cambio significativo de tono para una industria que pasó los últimos años enfrascada en una carrera armamentista. A medida que la comercialización de la IA generativa (generative AI) madura, los puntos de fricción —que van desde la escasez de hardware hasta la reacción social— se vuelven más pronunciados. Para Creati.ai, diseccionar esta paradoja ofrece una ventana crucial al futuro del desarrollo de la IA, sugiriendo que el camino hacia la AGI puede ser más largo, sinuoso y quizás más seguro de lo que se había predicho.
Los componentes de la paradoja: la fricción como una característica
El núcleo del argumento de Hassabis se apoya en la realidad de que la industria de la IA está alcanzando límites físicos y estructurales. Las curvas de crecimiento exponencial vistas a principios de los años 2020 se están encontrando con la dura resistencia de las realidades de la cadena de suministro. Según el ejecutivo de DeepMind, estas limitaciones están impidiendo que la tecnología escale a una velocidad potencialmente peligrosa, comprando tiempo precioso para que la sociedad aborde las profundas preguntas éticas, comerciales y filosóficas que plantea la IA.
Las restricciones no son meramente teóricas; son cuellos de botella prácticos que afectan a todos los actores principales del sector. Desde la escasez de chips de memoria de alta ancho de banda hasta los inmensos requisitos energéticos de los centros de datos de próxima generación, la infraestructura no puede por ahora seguir el ritmo de las aspiraciones teóricas de los investigadores.
Tabla: El impacto dual de las restricciones en el desarrollo de la IA
| Constraint Factor | Direct Impact on Industry | Potential Societal Benefit |
|---|---|---|
| Escasez de hardware | Limita la velocidad del entrenamiento y despliegue de modelos debido a la escasez de chips y memoria. Incrementa los costos de manera significativa. |
Evita una carrera descontrolada de capacidades, permitiendo que la investigación en seguridad alcance al desarrollo. |
| Limitaciones energéticas | La construcción de centros de datos enfrenta retrasos debido a la capacidad de la red eléctrica. Desencadena competencia geopolítica por recursos energéticos. |
Obliga a centrarse en arquitecturas de eficiencia energética. Subraya la necesidad de soluciones energéticas sostenibles antes de una escala masiva. |
| Secrecía en la investigación | Reducción en el intercambio de código abierto y la "polinización cruzada" de ideas entre laboratorios. Difusión más lenta de avances. |
Centraliza el control de capacidades peligrosas. Reduce la probabilidad de que actores malintencionados accedan fácilmente a modelos de vanguardia. |
| Enfoque en la comercialización | Recursos desviados de I+D pura a servir a bases de usuarios existentes. Desplazamiento de la exploración a la explotación de la tecnología actual. |
Estabiliza el mercado. Permite que los reguladores y el público se adapten a las herramientas de la generación actual antes del siguiente salto. |
El fin de la "era dorada" de la investigación abierta
Una de las observaciones más conmovedoras de Hassabis se refiere al cambio cultural dentro de la comunidad de investigación en IA. Durante más de una década, el campo se caracterizó por un espíritu de apertura radical, donde los avances se publicaban libremente y el talento se movía con fluidez entre laboratorios académicos y corporativos. Esta "era dorada" impulsó el rápido ascenso del aprendizaje profundo, culminando en el auge de la IA generativa.
Sin embargo, a medida que la IA ha pasado de ser un terreno marginal de la investigación a convertirse en el motor central de la economía global, las puertas han comenzado a cerrarse. La presión comercial para monetizar estos sistemas ha forzado a empresas como Google, OpenAI y otras a tratar su investigación como secretos comerciales propietarios. Hassabis señaló que, aunque esta reducción de la apertura es "comprensible" dados los riesgos, indudablemente constituye una pérdida para la comunidad científica.
Este efecto de silo actúa como freno a la innovación. Sin la polinización cruzada de ideas que definió los primeros años de la revolución del aprendizaje profundo, la tasa de avances compuestos se ralentiza naturalmente. Si bien los puristas pueden lamentar la pérdida de la camaradería académica, desde una perspectiva de seguridad, esta desaceleración evita la proliferación incontrolada de algoritmos poderosos, estirando efectivamente la línea temporal hacia la AGI.
Reacción social y la ecuación energética
Más allá de las limitaciones técnicas y culturales, la industria de la IA enfrenta un obstáculo nuevo y formidable: el público. Hassabis destacó el creciente "desprecio populista" hacia la tecnología de IA, que se está manifestando en diversas formas a lo largo del espectro político. En 2026, esto ya no se trata solo de miedos abstractos a la pérdida de empleo; se trata de impactos locales tangibles.
Los movimientos de base se están organizando cada vez más contra la construcción de enormes centros de datos, citando preocupaciones sobre el uso de agua, la contaminación acústica y la tensión sobre las redes eléctricas locales. Al mismo tiempo, los activistas climáticos están escrutando la huella de carbono de la industria, cuestionando si la promesa de la IA justifica su inmenso coste ambiental.
Hassabis sostiene que la respuesta de la industria a esta oposición debe ser demostrar un valor tangible más allá de los chatbots y los generadores de imágenes. El camino a seguir, sugiere, reside en aplicar la IA a las "ciencias duras": usar estos sistemas para desbloquear avances en salud, ciencia de materiales (Materials Science) y energía limpia.
El imperativo científico
DeepMind ha defendido desde hace tiempo el uso de la IA para el descubrimiento científico, demostrado por la revolución de AlphaFold en biología. Hassabis sostiene que para que la IA gane "corazones y mentes" de un público escéptico, debe ser la herramienta que resuelva la crisis climática en lugar de empeorarla.
- Fusión nuclear (Nuclear Fusion): se está utilizando la IA para controlar el plasma en reactores de fusión, desbloqueando potencialmente energía limpia e ilimitada.
- Ciencia de materiales (Materials Science): los algoritmos aceleran el descubrimiento de nuevos materiales para baterías y tecnologías de captura de carbono.
- Descubrimiento de fármacos (Drug Discovery): el sector biotecnológico utiliza la IA para reducir drásticamente el tiempo y el coste de llevar medicamentos que salvan vidas al mercado.
"Una de las únicas maneras de abordar el clima en el mundo político fragmentado de hoy es idear algunas tecnologías nuevas", declaró Hassabis, enfatizando que la industria tiene un imperativo moral de pivotar hacia estas soluciones existenciales.
Equilibrar servicio y entrenamiento: la realidad comercial
A medida que DeepMind se integra más profundamente con los productos principales de Google, Hassabis enfrenta el desafío de "equilibrar el servicio con el entrenamiento". En los primeros días, un laboratorio podía dedicar el 100 % de sus recursos de cómputo a entrenar el próximo modelo masivo. Hoy, esos mismos recursos deben atender millones de consultas de usuarios de Gemini y otras herramientas integradas con IA.
Este enfoque dividido es una característica definitoria del panorama de la IA en 2026. La enorme ola de inversión en infraestructura ya no es solo para la búsqueda del próximo gran salto en inteligencia; se requiere simplemente para mantener encendidas las luces de la generación actual de productos. Esta carga operativa actúa como otro limitador natural en la velocidad de la evolución. Los recursos necesarios para ejecutar la IA a escala compiten directamente con los recursos necesarios para inventar la próxima versión de la IA.
Conclusión: un respiro necesario
La "paradoja del progreso de la IA" presenta un marco convincente para entender el estado actual de la industria. Durante años, el miedo predominante fue que el desarrollo de la IA se acelerara de manera incontrolada, conduciendo a un escenario de "despegue brusco" donde la AGI llegara de la noche a la mañana, dejando a la humanidad desprevenida.
Sin embargo, la realidad de 2026 sugiere una trayectoria diferente. La combinación de escasez de hardware, cuellos de botella energéticos, el fin de la investigación abierta y las demandas operativas de la comercialización están actuando colectivamente como un mecanismo de frenado. Para Demis Hassabis, esta desaceleración no es un fracaso sino un respiro.
"No tenemos mucho tiempo para resolver las cosas antes de llegar a [Artificial General Intelligence]", advirtió Hassabis. Si la fricción natural concede al mundo unos años extra para debatir la ética, establecer protocolos de seguridad y preparar a la fuerza laboral, entonces las "deficiencias" del momento actual bien podrían ser recordadas como la gracia salvadora de la era de la IA. Para Creati.ai, seguimos monitoreando estos desarrollos, reconociendo que en la carrera por la AGI, a veces la característica más importante es la capacidad de reducir la velocidad.
