Jensen Huang dice que la AGI ya está aquí para muchas tareas: ¿qué significa realmente?

Las declaraciones de Jensen Huang sobre la inteligencia artificial general (AGI, por sus siglas en inglés) durante la llamada de resultados del segundo trimestre fiscal de 2027 de Nvidia fueron menos una proclamación científica que una reformulación desde el punto de vista empresarial. El CEO sostuvo que la IA ya es útil, que los agentes pueden realizar trabajo valioso y que “para muchas tareas, podríamos decir que ya hemos alcanzado la AGI”. También calificó los hitos tradicionales de la AGI como “bastante carentes de sentido”. 3448

La matización es decisiva: Huang no definió un umbral reproducible, no citó una batería concreta de pruebas ni afirmó que los sistemas actuales posean una inteligencia plenamente similar a la humana en todos los ámbitos. Su argumento se centró sobre todo en lo que la IA puede hacer de forma productiva hoy y en lo que eso implica para la demanda de infraestructura informática.

Qué dijo Jensen Huang sobre la AGI

Huang abrió la llamada destacando que “la IA se ha vuelto útil” y puso el foco en el auge de los agentes de IA: sistemas que no se limitan a responder a una instrucción, sino que pueden ejecutar tareas de varios pasos. Según su estimación, un agente puede necesitar entre 15 y 100 veces más capacidad de cómputo que una interacción dirigida por una persona, dependiendo del problema. 3336

En ese contexto, afirmó que la AGI ya podría considerarse alcanzada “para muchas tareas”. La elección de esas palabras importa: describe capacidades en áreas concretas, no la existencia de un único sistema capaz de realizar de forma fiable prácticamente cualquier tarea intelectual que puede desempeñar una persona.

El mensaje general de Huang fue que la IA debería evaluarse por sus resultados productivos. Los materiales financieros de Nvidia también subrayaron que la IA ya está realizando trabajo útil y que la demanda se acelera a medida que los clientes la incorporan a sistemas reales. 47

En qué se diferencia esta visión de la idea tradicional de AGI

No existe una definición universalmente aceptada de inteligencia artificial general. Aun así, el concepto suele asociarse con la generalidad: la capacidad de trasladar conocimientos y competencias a una amplia variedad de tareas nuevas, en lugar de destacar únicamente en dominios específicos. 17

La formulación de Huang desplaza la atención desde un umbral cognitivo único hacia la utilidad práctica. Bajo esa perspectiva, un sistema puede parecerse a la AGI cuando ejecuta tareas económicamente valiosas, aunque todavía dependa de herramientas, flujos de trabajo diseñados por personas, supervisión humana o estructuras especializadas.

La diferencia puede resumirse así:

• Visión tradicional, centrada en las capacidades: la AGI debe mostrar una competencia amplia y transferible ante problemas intelectuales desconocidos.
• Visión práctica de Huang: la IA ya se acerca o alcanza el hito relevante en las áreas donde los agentes pueden completar trabajo útil.
• Lo que la afirmación no demuestra: no prueba por sí sola un razonamiento sólido, autonomía fiable durante largos periodos ni competencia general fuera de flujos de trabajo diseñados específicamente.

En otras palabras, Huang sostiene que la transición económica puede ser más importante que la etiqueta. Eso no equivale a demostrar que la cuestión científica sobre la AGI esté resuelta.

Huang frente a Sam Altman y OpenAI

La definición histórica de OpenAI también tiene un componente económico, pero establece un listón más alto: “un sistema altamente autónomo que supera a los humanos en la mayoría de los trabajos económicamente valiosos”. 17

La diferencia está en el alcance y el grado de autonomía. Huang habló de una IA eficaz para muchas tareas. La definición de OpenAI exige un sistema que supere a las personas en la mayoría de los trabajos económicamente valiosos y que lo haga con un alto nivel de autonomía.

Según diversos reportes, Sam Altman ha dicho que OpenAI podría contar a finales de 2026 con un sistema interno al que la empresa llamaría AGI. Esa previsión debe entenderse como un hito interno según la propia definición de OpenAI: no implica necesariamente el lanzamiento de un sistema público ni una transformación inmediata de la economía. 192228

Altman también ha reconocido que el logro tecnológico y la adopción económica pueden avanzar a ritmos distintos. Los reportes sobre sus previsiones sitúan la superinteligencia más adelante, hacia finales de 2028, lo que refuerza la idea de que la AGI, su despliegue público, su impacto económico y la superinteligencia son hitos diferentes. 1821

Por eso, el aparente desacuerdo es en parte una cuestión de definiciones y en parte de calendario. Huang pone el énfasis en la utilidad presente; Altman habla de cuándo OpenAI podría considerar que un sistema interno cumple un estándar más amplio de autonomía y rendimiento económico.

La principal crítica: utilidad no es lo mismo que inteligencia general

La crítica más fuerte a la afirmación de Huang es que el valor comercial no demuestra por sí solo la existencia de inteligencia general. Un sistema puede ser muy rentable y, al mismo tiempo, seguir siendo limitado, poco fiable o completamente dependiente de una infraestructura diseñada por personas.

Huang no presentó una evaluación independiente que demostrara que los sistemas actuales cumplen un criterio de inteligencia general. Sin un conjunto de tareas compartido, un estándar de autonomía, requisitos de fiabilidad y pruebas en distintos dominios, resulta difícil verificar la afirmación de que “la AGI ya llegó”.

Eso no vuelve insignificante el comentario. Significa que se trata de una interpretación orientada al negocio, no de un hallazgo científico aceptado. La ausencia de una definición universal permite que distintas empresas utilicen la misma etiqueta para referirse a niveles de capacidad considerablemente diferentes. 17

Por qué los resultados récord de Nvidia respaldan el argumento más limitado de Huang

Nvidia informó de unos ingresos de 96.200 millones de dólares en su segundo trimestre fiscal de 2027, un 106 % más que un año antes. Los ingresos del negocio de centros de datos alcanzaron los 89.000 millones de dólares, tras crecer un 117 %. 1

Estas cifras no prueban la existencia de la AGI. Sí muestran que los clientes están gastando grandes cantidades en la infraestructura necesaria para entrenar y ejecutar sistemas de IA. Eso respalda la tesis más acotada de Huang: la IA ya es lo bastante valiosa como para generar una demanda comercial extraordinaria.

La llamada de resultados conectó dos ideas:

1. Los agentes de IA están adquiriendo capacidad para realizar trabajo productivo.
2. Las tareas más autónomas y de varios pasos requieren bastante más cómputo que una interacción sencilla dirigida por una persona. 3348

Para Nvidia, el segundo punto es fundamental. Si los agentes ejecutan más pasos, utilizan más herramientas y funcionan durante más tiempo, cada tarea útil puede generar una demanda mayor de inferencia y de infraestructura de apoyo.

El coste de la memoria revela los límites del despliegue

La economía de la IA no avanza en una sola dirección. Nvidia también afronta la presión de unos componentes de memoria caros y escasos; diversos reportes indican que el coste extremo de la memoria está afectando a las previsiones sobre los márgenes. 15

Esta restricción cambia la forma en que conviene interpretar el argumento de Huang. Aunque los agentes sean cada vez más capaces, su despliegue depende de que las empresas puedan conseguir suficientes GPU, memoria, energía y capacidad de centros de datos a un coste que ofrezca un retorno razonable.

Por eso, la pregunta central de la industria está pasando de “¿puede un modelo producir una respuesta impresionante?” a “¿puede un sistema de IA realizar trabajo valioso de forma fiable y rentable a gran escala?”. Los resultados de Nvidia aportan pruebas contundentes sobre la demanda. La escasez de memoria y la presión sobre los márgenes muestran que las dudas sobre la oferta y la economía por unidad siguen sin resolverse. 1315

La forma más clara de entender la afirmación

La declaración de Huang se entiende mejor como un rechazo a la AGI concebida como una única línea de meta. Su argumento es que la transición práctica ya está en marcha: los agentes pueden hacer trabajo útil, los clientes están pagando por la infraestructura y la necesidad de cómputo aumenta a medida que los sistemas se vuelven más autónomos.

Es una afirmación más limitada que decir que las máquinas ya poseen una inteligencia general equivalente a la humana. También difiere de la definición de OpenAI, que exige un rendimiento altamente autónomo en la mayoría de los trabajos económicamente valiosos.

La conclusión más prudente tiene dos partes: la IA útil y económicamente productiva ya ha llegado, pero que eso constituya AGI depende de la definición y del estándar de evidencia que se utilicen. El trimestre de 96.200 millones de dólares de Nvidia demuestra el impulso comercial que hay detrás de la visión de Huang, pero no puede resolver por sí solo qué significa realmente la AGI.