Sam Altman no dijo formalmente que OpenAI haya alcanzado la inteligencia artificial general (AGI). Pero su lenguaje cambió. Después de que la compañía anunció que uno de sus modelos internos refutó una conjetura central de geometría discreta, Altman escribió que tres de las cosas que más entusiasman a OpenAI son la AGI acelerando la investigación, la AGI acelerando empresas y la AGI personal ayudando a las personas a lograr sus metas. La frase no fue una definición técnica, pero sí un desplazamiento político y cultural: en palabras de Altman, la AGI dejó de aparecer solo como horizonte futuro y empezó a ser nombrada como una infraestructura en despliegue.
three of the things we are most excited about:
1. AGI accelerating research
2. AGI accelerating companies
3. personal AGI accelerating everyone in achieving their goalstoday it was great to announce the unit distance result.
yesterday it was great to announce that we are…
— Sam Altman (@sama) May 20, 2026
El detonante fue el resultado sobre el problema de las distancias unitarias, planteado por Paul Erdős en 1946. OpenAI informó que un modelo de propósito general encontró una familia de construcciones que refuta una creencia sostenida durante décadas en geometría discreta. La empresa subrayó que no se trató de un sistema especializado para ese problema, sino de un modelo general de razonamiento, y presentó el caso como la primera vez que una IA resuelve de forma autónoma un problema abierto prominente y central para un subcampo de las matemáticas.
Por eso el episodio pesa más que una demostración técnica. La AGI siempre fue imaginada como una inteligencia capaz de acelerar la ciencia. Ahora OpenAI tiene una escena concreta para sostener esa narrativa: un modelo que no solo responde preguntas o ayuda a programar, sino que participa en la producción de conocimiento nuevo, con una prueba revisada por matemáticos externos. El salto retórico de Altman consiste en tomar ese resultado y colocarlo dentro de una agenda más amplia: investigación, empresas y asistentes personales.
Pero la lectura de OpenAI no es la única. Dario Amodei, CEO de Anthropic, suele evitar el término AGI y prefiere hablar de “IA poderosa”. La diferencia no es solo semántica. En documentos públicos, Anthropic ha dicho que espera sistemas muy potentes hacia finales de 2026 o principios de 2027, pero los encuadra como una tecnología que exige preparación institucional, seguridad, evaluación de capacidades y políticas de escalamiento responsable.
Según Anthropic, la IA poderosa presentará capacidades para igual o superar a ganadores del Premio Nobel, navegar por todas las interfaces disponibles, razonar de forma autónoma sobre tareas complejas durante períodos prolongados e interactuar con el mundo físico.
Anthropic no niega que se acerquen sistemas capaces de transformar la ciencia, el trabajo y la economía. Al contrario: su marco de escalamiento responsable está construido sobre la premisa de que los modelos frontera pueden cruzar umbrales delicados, incluidos riesgos de ciberseguridad, biología y autonomía para investigación de IA. En su política actualizada, la empresa distingue niveles como la automatización de trabajo de investigación de IA de entrada y la posibilidad de acelerar de forma dramática el propio escalamiento de sistemas.
Ahí aparece el contraste. Altman empieza a hablar de AGI como aceleración: investigación, startups y productividad personal. Amodei habla de IA poderosa como prueba civilizatoria: una capacidad cercana, enorme, pero peligrosa si llega antes de que existan instituciones capaces de gobernarla. En un caso, la palabra organiza una promesa de despliegue. En el otro, organiza una advertencia sobre el costo de desplegar demasiado rápido.
Yann LeCun ofrece una tercera línea de lectura. Para él, los grandes modelos de lenguaje no bastan para alcanzar inteligencia general. Su crítica no consiste en negar que los modelos actuales sean impresionantes, sino en señalar que siguen siendo arquitecturas centradas en lenguaje y predicción, sin una comprensión robusta del mundo físico, planificación abierta y modelos internos de la realidad. Por eso ha defendido arquitecturas como JEPA y los llamados world models, orientados a que la IA comprenda el mundo físico, anticipe consecuencias y planee estrategias.
El resultado de Erdős no cancela la objeción de LeCun; la vuelve más precisa. Si una IA puede producir conocimiento matemático nuevo, ¿eso prueba una inteligencia general o solo muestra que los modelos actuales son extraordinariamente poderosos en dominios simbólicos, donde lenguaje, abstracción y prueba formal se parecen más a su terreno natural? La pregunta importa porque la AGI no es solo una etiqueta. Es una disputa sobre qué capacidades cuentan como inteligencia general y qué instituciones tendrán autoridad para declararla.
Lo que ocurrió esta semana no fue una declaración formal de AGI. Fue algo más ambiguo: OpenAI mostró un resultado científico que parece pertenecer al imaginario histórico de la AGI, y Altman empezó a hablar de ella como una fuerza ya asociada a investigación, empresas y vida personal. Anthropic, mientras tanto, insiste en tratar esa misma frontera como riesgo que debe escalarse con controles. LeCun sigue sosteniendo que los LLM no son el camino suficiente.
La AGI, entonces, quizá no llegó como anuncio oficial. Llegó como disputa de interpretación. Y esa disputa apenas empieza.
