La fuga de talento en DeepMind en 2026: quién se fue, adónde fue y las técnicas de razonamiento que dejaron

En junio de 2026, Google DeepMind sufrió una de las pérdidas de talento más concentradas en la historia de la inteligencia artificial. En una sola semana, al menos cinco investigadores sénior anunciaron su salida hacia Meta, OpenAI y Anthropic. Las salidas borraron aproximadamente 270 mil millones de dólares de la capitalización bursátil de Alphabet y plantearon serias dudas sobre la capacidad de Google para retener a los investigadores que construyeron sus sistemas de IA más importantes .

Este artículo ofrece un relato verificado, investigador por investigador, de quiénes se fueron, adónde fueron y qué los impulsó a marcharse, seguido de una explicación clara de las tres técnicas de prompting desarrolladas por el "Rey del Razonamiento", Denny Zhou.

Las salidas confirmadas: cinco investigadores, tres rivales

Solo cinco de los seis nombres que se suelen mencionar en relación con este éxodo pueden confirmarse como personas que dejaron Google DeepMind en este período. El sexto —Dawn Song— no aparece en ningún informe de prensa que cubra la oleada de junio de 2026 y parece ser un error. La trayectoria de Song está en seguridad e IA (Universidad de California, Berkeley), y no se encontró evidencia de que estuviera en Google DeepMind ni de que se marchara durante este período .

Noam Shazeer → OpenAI (18 de junio de 2026)

Shazeer fue co-inventor de la arquitectura Transformer, co-líder de los modelos Gemini de Google y uno de los investigadores de IA más importantes de la década. Su salida fue provocada, según los informes, por una reasignación interna de recursos informáticos: Google redirigió la capacidad de cómputo de su equipo al equipo de preentrenamiento de DeepMind en Londres, archivando su proyecto de variante de Transformer . Esto fue especialmente llamativo porque Google solo había recuperado a Shazeer en 2024 mediante una adquisición (acqui-hire) de 2.700 millones de dólares de su startup Character.AI .

John Jumper → Anthropic (19 de junio de 2026)

Jumper, que compartió el Premio Nobel de Química 2024 por co-crear AlphaFold, anunció en X que se marchaba después de "casi 9 años" . Su última etapa en Google se había centrado en herramientas de codificación de IA, no en el trabajo científico que le valió el Nobel . Su salida, combinada con la de Shazeer, borró aproximadamente 270 mil millones de dólares de la capitalización bursátil de Alphabet en una sola sesión de negociación .

Jonas Adler → Anthropic (anunciado ~24 de junio de 2026)

Adler era considerado internamente un contribuyente clave para Gemini y el esfuerzo de codificación de IA de Google. Personas familiarizadas con el movimiento citaron el deseo de trabajar en una startup de IA más ágil .

Alexander Pritzel → Anthropic (anunciado ~24 de junio de 2026)

Pritzel trabajó en el preentrenamiento de Gemini y en AlphaFold. Su salida se informó junto con la de Adler, con el mismo contexto de buscar entornos más rápidos .

Denny Zhou → Meta (reportado el 26 de junio de 2026)

Zhou, conocido como el "Rey del Razonamiento" de DeepMind y fundador del grupo de investigación en razonamiento de Google Brain, se fue discretamente. No hizo ninguna despedida pública; la mudanza fue reportada por HTX después de que actualizara su LinkedIn para mostrar que ya había estado trabajando en Meta durante cuatro meses . Zhou o Meta no dieron ninguna explicación.

El contexto más amplio: ¿qué impulsó el éxodo?

Múltiples fuentes describen una fuga de talento más amplia en DeepMind durante todo 2026, impulsada por tres factores :

• Caza de talento agresiva por parte de los rivales bien financiados Anthropic y OpenAI, ambos preparándose para sus debuts en el mercado.
• Frustración interna con la asignación de recursos informáticos — la sensación de que la burocracia de Google ralentizaba la velocidad de la investigación en comparación con las startups .
• Percepción de burocracia: los investigadores sentían que podían avanzar más rápido en laboratorios más pequeños y enfocados.

Las tres técnicas de razonamiento de Denny Zhou

Denny Zhou y sus colaboradores desarrollaron tres técnicas fundamentales de prompting que se han convertido en el núcleo de cómo los modelos de lenguaje grandes razonan. Forman una pila progresiva, cada una basada en la anterior.

1. Cadena de Pensamiento (Chain-of-Thought, CoT)

Qué hace: En lugar de pedirle a un LLM que genere una respuesta directamente (entrada → salida), CoT le pide al modelo que genere una secuencia de pasos de razonamiento intermedios en lenguaje natural antes de llegar a la respuesta final (entrada → pasos de razonamiento → salida).

Beneficio clave: Mejora drásticamente el rendimiento en tareas aritméticas, de sentido común y de razonamiento simbólico. También permite la interpretabilidad: se puede leer el "proceso de pensamiento" del modelo. Combinado con modelos grandes como PaLM-540B, CoT logró resultados de última generación utilizando tan solo el 0.1% de los ejemplos anotados .

2. Autoconsistencia (Self-Consistency)

Qué hace: Una estrategia de decodificación que mejora CoT. En lugar de tomar una sola cadena de razonamiento, el modelo genera múltiples caminos de razonamiento CoT independientes (mediante muestreo con una temperatura más alta) y luego selecciona la respuesta más consistente entre todos los caminos por voto mayoritario .

Beneficio clave: Mitiga la varianza de una sola cadena de razonamiento. Un único camino CoT puede ser incorrecto debido a un paso defectuoso; la autoconsistencia promedia la diversidad y es significativamente más robusta en puntos de referencia de matemáticas y razonamiento . Denny Zhou ha enfatizado que la autoconsistencia no debe interpretarse superficialmente como un mero voto mayoritario; es una implementación empírica de la marginalización .

3. De lo Simple a lo Complejo (Least-to-Most Prompting)

Qué hace: Una estrategia de prompting de dos etapas diseñada para problemas más difíciles que los ejemplos que aparecen en el prompt. Primero, el modelo descompone el problema original difícil en una lista de subproblemas más simples. Luego, resuelve secuencialmente esos subproblemas, utilizando la respuesta de cada subproblema anterior como contexto para el siguiente .

Beneficio clave: Permite la generalización de lo fácil a lo difícil: el modelo puede resolver problemas que son estrictamente más difíciles que cualquier ejemplo que se le haya mostrado. Se ha demostrado en tareas de manipulación simbólica, puntos de referencia de generalización compositiva (como SCAN y CFQ) y tareas de razonamiento matemático . Zhou lo describe como "Planificación + Razonamiento" .

Resumen

Cinco de los seis investigadores enumerados se confirma que dejaron DeepMind para ir a Meta, OpenAI o Anthropic en junio de 2026, impulsados por la caza de talento de la competencia, disputas sobre la asignación de recursos informáticos y el deseo de entornos más dinámicos. La salida de Dawn Song no pudo ser verificada y no pertenece a esta oleada. Las tres técnicas de prompting de Zhou —Cadena de Pensamiento, Autoconsistencia y De lo Simple a lo Complejo— forman una pila progresiva: CoT añade pasos de razonamiento, la Autoconsistencia añade votación a través de múltiples caminos de razonamiento, y el método De lo Simple a lo Complejo añade descomposición del problema y resolución secuencial para problemas más difíciles.