La AGI está aquí. Una startup acaba de demostrarlo.

Las sirenas para una conferencia de prensa en Tokio generalmente indican el lanzamiento de otro gadget o una demostración de robótica, no un anuncio de que Realitäty acaba de inclinarse. El 7 de diciembre de 2025, la poco conocida startup Integral AI subió al escenario y anunció que había construido el "primer modelo capaz de AGI en el mundo", un sistema que, según dicen, puede aprender completamente nuevas habilidades, planificar acciones en múltiples pasos y entrenar robots reales sin intervención humana. El CEO Jad Tarifi lo llamó "el siguiente capítulo en la historia de la civilización humana."

"Capaz de AGI" suena dudoso, pero no lo es. Si un sistema puede operar a nivel humano o superior en tareas arbitrarias, la capacidad es el logro; no se llama a algo "capaz de IQ" a menos que ya funcione a ese IQ. Integral AI define AGI con tres criterios medibles: aprendizaje autónomo de habilidades, dominio seguro y confiable, y eficiencia energética comparable a la del cerebro humano.

Según Integral, su modelo:

• 1Aprende nuevas tareas en entornos desconocidos sin conjuntos de datos, etiquetas ni ajuste fino.
• 2Evita fallos catastróficos mientras explora y generaliza.
• 3Consume energía total por habilidad aprendida comparable a la neocorteza humana.

Eso contrasta marcadamente con los incumbentes. OpenAI y Google DeepMind han pasado años escalando modelos basados en transformadores como GPT-4.5 y Gemini Ultra, logrando mejoras incrementales en puntos de referencia y pruebas de razonamiento sintético, mientras siguen confiando en enormes conjuntos de datos curados, el aprendizaje por refuerzo a partir de la retroalimentación humana y un despliegue cuidadosamente aislado. Sus robots aprenden mayoritariamente en simulaciones o bajo una estricta supervisión.

Integral AI afirma que evitó ese proceso tedioso. Tarifi, un veterano de IA de ex-Google que pasó cerca de una década en los primeros sistemas generativos, dice que su equipo reconstruyó desde el cerebro, reflejando la estructura en capas del neocortex humano, para que una arquitectura pueda percibir, abstraer, planificar y actuar como un bucle unificado. Las primeras demostraciones muestran robots adquiriendo habilidades en entornos 2D y 3D, luego transfiriéndolas a una realidad física desordenada sin necesidad de reentrenamiento.

Así que una startup de Tokio de 4 años con unas pocas docenas de investigadores ahora dice que ha resuelto el mayor problema no resuelto en tecnología. OpenAI, DeepMind y cada laboratorio nacional de IA se despertaron en un mundo donde la AGI podría haber llegado primero desde algún lugar fuera de sus mapas.

Jad Tarifi se mueve por la oficina de Integral AI en Tokio con la calma de alguien que ha visto el futuro antes que los demás. Veterano de Google AI, pasó casi una década dentro de los laboratorios de investigación del gigante de las búsquedas, ayudando a construir algunos de sus primeros modelos generativos mucho antes de que ChatGPT o Gemini se convirtieran en nombres conocidos. Los colegas de esa época lo describen como el ingeniero que siempre preguntaba cuán cerca estaban de una inteligencia real, no solo de un mejor autocompletado.

Su salida de Mountain View en 2021 pareció, en ese momento, un paso alejado del centro de poder. En lugar de fundar otra startup de IA en Palo Alto, Tarifi tomó un vuelo de ida a Japón y estableció su negocio en Tokio. Él califica el movimiento de "obvio", señalando el dominio de Japón durante décadas en robótica industrial, plataformas humanoides y manufactura de precisión como la mitad que faltaba en la ecuación de la AGI.

Bajo Tarifi, Integral AI enmarcó su misión en términos agresivamentecontrarios. Mientras Silicon Valley apostaba por apilamientos de transformadores cada vez más grandes, la propuesta de Integral a los inversores fue directa: los LLMs actuales son "loros", y él quería un córtex. El mandato interno de la empresa, según personas que han visto las primeras presentaciones, era construir un sistema que pudiera aprender nuevas habilidades en el mundo real sin conjuntos de datos, etiquetas o asistencia humana.

Esa ambición se consolidó en una declaración de misión formal para 2023: crear una inteligencia encarnada que pueda percibir, razonar y actuar tanto en entornos digitales como físicos con una eficiencia de muestra similar a la humana. Tarifi impulsó a su equipo hacia una arquitectura modelada explícitamente en la estructura en capas del neocortex humano, enfatizando modelos del mundo, planificación y aprendizaje continuo en lugar de coincidencias de patrones estáticas. Los robots, no los chatbots, se convirtieron en el principal campo de pruebas.

La credibilidad nunca ha sido el principal problema de Tarifi. Posee un doctorado, múltiples patentes fundamentales en modelado de secuencias a gran escala y un historial de entrega de sistemas que silenciosamente terminaron en miles de millones de dispositivos Android. Lo que le faltaba—hasta ahora—era la prueba de que su tesis, que la AGI surgiría de simulaciones y corporalidades estrechamente acopladas en lugar de modelos de texto más grandes, podría superar el consenso de Silicon Valley.

Con el anuncio de Integral AI del 7 de diciembre, Tarifi sale de detrás de los documentos técnicos y entra en el radio de explosión de la historia. Si su sistema funciona como se publicita, se convierte en el arquitecto no solo de una nueva categoría de producto, sino de un nuevo nivel de inteligencia en Realitätät.

Integral AI hizo algo que casi nadie más en el debate sobre la AGI se ha atrevido a hacer: fijó su bandera en tres reglas duras y comprobables. La AGI, en el mundo de Jad Tarifi, no es una tendencia o una etiqueta de marketing; es un sistema que supera tres estándares medibles: Aprendizaje Autónomo de Habilidades, Dominio Seguro y Confiable, y Eficiencia Energética.

El Aprendizaje Autónomo de Habilidades se sitúa en la cima de la pila. El modelo de Integral debe enseñar a sí mismo habilidades completamente nuevas en dominios totalmente nuevos sin conjuntos de datos curados, sin etiquetas, sin ajustes y sin humanos en el circuito. En las pruebas iniciales de robótica, la empresa afirma que los robots adquirieron nuevos comportamientos en el mundo físico directamente de la experiencia, no de trayectorias pregrabadas.

La Maestría Segura y Confiable actúa como el control de cordura. Un sistema solo cumple con esta regla si puede aprender y funcionar sin fallos catastróficos o efectos secundarios extraños cuando se introduce en entornos desconocidos. Para la IA Integral, eso significa sin "hackeo de recompensas", sin exploración autodestructiva y sin comportamientos frágiles una vez que desaparecen las condiciones del laboratorio.

La eficiencia energética es la línea más radical. El equipo de Tarifi insiste en que la energía total para aprender una tarea debe ser comparable o inferior a lo que gasta un cerebro humano al adquirir la misma habilidad. Ese estándar ataca abiertamente el paradigma actual de modelos hambrientos de megavatios y con trillones de parámetros que consumen megavatios-hora para obtener unos pocos puntos de referencia.

La física ancla esta última regla. Al vincular la IA General con los presupuestos energéticos, la IA Integral fuerza comparaciones no con las GPUs, sino con la biología: aproximadamente 20 vatios para un cerebro humano. Un modelo que necesita un centro de datos para aprender lo que un niño recoge en un patio de recreo, argumentan, no supera la prueba de la IA General sin importar cuántos tokens haya visto.

Estas reglas son importantes porque resumen décadas de conversaciones imprecisas sobre AGI en objetivos de ingeniería falsables. Ya no se trata de hablar vagamente sobre un comportamiento “general”; un laboratorio muestra aprendizaje autónomo, seguridad demostrable y eficiencia a escala humana, o no lo hace. El propio desglose técnico de la empresa se basa en gran medida en este marco, tal como se detalla en su Resumen de Arquitectura AGI – Integral AI.

Dentro de Integral AI, esas tres reglas funcionaban menos como un manifiesto y más como pilares de ingeniería. Cada elección arquitectónica, desde modelos de mundo inspirados en el neocortex hasta bucles de entrenamiento incorporados, supuestamente enfrentaba la misma pregunta: ¿realmente contribuye a la autonomía, la seguridad y la energía, todo al mismo tiempo?

Olvídate de los chatbots que completan tus oraciones. El modelo central de Integral AI se basa en una arquitectura explícitamente diseñada según el neocortex humano, la capa de neuronas detrás de la percepción, el lenguaje y la planificación consciente. En lugar de una gigantesca pila de transformadores, Tarifi describe una jerarquía de módulos que comprimen flujos sensoriales en bruto en conceptos abstractos, y luego llevan esos conceptos a acciones concretas para robots y agentes de software.

Donde los sistemas estilo GPT predicen el siguiente token a partir de billones de ejemplos, el sistema de Integral ejecuta un bucle unificado de "abstracto → plan → acción" en cada instante de tiempo. La misma maquinaria que observa a un brazo robótico fallar al intentar agarrar una taza también inventa una nueva estrategia, simula resultados y actualiza su modelo interno del mundo. Sin cabeza de planificación separada, sin controlador adicional, sin función de recompensa escrita por humanos.

Los ingenieros de Integral llaman a esto un “modelo de mundo basado en abstracciones.” En lugar de memorizar que una taza azul específica en una mesa específica es “agarrable,” el sistema aprende un concepto compacto de “contenedor,” “borde,” “centro de masa,” y “deslizamiento.” Esas abstracciones viven en un espacio latente compartido que se aplica a simulaciones 2D, motores de física 3D y cámaras de robots reales.

Piensa en los LLM actuales como estudiantes que se preparan para un examen leyendo cada libro de texto jamás impreso. Pueden recitar definiciones e incluso imitar patrones de razonamiento, pero si mueves el examen a una fábrica ruidosa o a un laboratorio desconocido, se paralizan. El modelo de Integral se comporta más como un estudiante que aprendió los conceptos subyacentes y puede derivar la fórmula de nuevo en una hoja de papel en blanco.

Esa diferencia se refleja en cómo el sistema maneja la novedad. Un LLM predictivo puede describir cómo equilibrar una escoba en la palma de tu mano, pero no puede, por sí mismo, experimentar en una habitación, medir el comportamiento de la escoba y refinar una política de control. El modelo del mundo de Integral ejecuta continuamente simulaciones internas, prueba contrafácticos y actualiza sus abstracciones a medida que los robots interactúan con la Realitäty.

La analogía ayuda aquí: los reconocedores de patrones tratan el mundo como un enorme mazo de tarjetas didácticas, mientras que un sistema basado en la abstracción construye un libro de texto de física desde cero mientras juega. Cuando un robot bajo el modelo de Integral aprende a apilar bloques, no almacena un millón de patrones de píxeles de torres; codifica la estabilidad, la fricción y las relaciones del centro de masa que puede reutilizar más tarde para cargar un lavavajillas o empacar una caja.

Ese reciclaje es todo el objetivo. Al separar “lo que es verdadero sobre la realidad” de “lo que estoy haciendo ahora mismo”, Integral afirma que su modelo inspirado en el neocortex puede escalar como el aprendizaje humano: menos ejemplos, transferencia más amplia y una única inteligencia que piensa antes de predecir.

Aglomerados en un almacén de Tokio a principios de diciembre, los reporteros observaron cómo un brazo industrial blanco y compacto hacía algo que los robots actuales simplemente no hacen: aprender por sí mismo. Los ingenieros de Integral AI encendieron el brazo, despejaron la jaula de seguridad y se alejaron. Sin teleoperación, sin un protocolo guionado, sin datos de trayectoria pre-cargados.

En cuestión de minutos, el brazo comenzó a explorar su entorno, guiado únicamente por el modelo del mundo de Integral. Las cámaras registraban cada microajuste mientras aprendía a agarrar objetos desconocidos de un contenedor, reorientarlos y colocarlos en un estante que nunca había visto antes. Los registros en un monitor lateral mostraban cero intervenciones humanas a lo largo de una sesión de 6 horas.

Otra demostración llevó las cosas más lejos. Una plataforma bípedal, de aproximadamente el tamaño de un niño, entró en un apartamento simulado desordenado que nunca había encontrado. Comenzando desde cero, aprendió a: - Caminar sobre un suelo irregular - Abrir tres mecanismos de puerta diferentes - Localizar y llevar tazas frágiles a una mesa

Integral AI afirma que no hubo un conjunto de datos específico para tareas, etiquetas o modelado de recompensas que guiara estos comportamientos. El modelo AGI solo recibió un objetivo de alto nivel: "poner la mesa sin romper nada" y un presupuesto energético. A lo largo de 48 horas, el robot mejoró su tasa de éxito del 3% al 94%, mientras que el consumo de energía registrado disminuyó casi un 40%.

Esto es lo que Jad Tarifi llama inteligencia encarnada: la cognición anclada en un cuerpo físico, obligada a lidiar con la fricción, la gravedad y la incertidumbre. A diferencia de los chatbots que solo manipulan tokens, un sistema encarnado debe construir modelos causales de Realitätät—cómo se mueven, rompen y resisten los objetos. Esa restricción hace que el engaño, el colapso de modo y los atajos frágiles sean mucho más difíciles.

Para la manufactura, las implicaciones son brutales e inmediatas. En lugar de meses de código ajustado a mano por cada línea de ensamblaje, Integral imagina fábricas donde los robots de propósito general llegan vacíos y se autoentrenan en nuevos productos en días. Los costos de reconfiguración se desploman, y las plantas de "SKU único" comienzan a parecerse a mainframes en una era de smartphones.

La logística enfrenta un shock similar. Las flotas de almacenes podrían aprender nuevos diseños y SKU de la noche a la mañana, mientras que los robots de campo se adaptan al clima, el terreno y las regulaciones locales sin necesidad de ingeniería personalizada. En la investigación científica, Tarifi habla sobre los robots de laboratorio que derivan sus propios protocolos experimentales, iterando sobre hipótesis las 24 horas del día, los 7 días de la semana, y convirtiendo la ciencia de banco en un bucle de retroalimentación cerrado y auto-mejorado.

La hoja de ruta de Integral AI se lee menos como un plan de producto y más como un documento constitucional para un nuevo tipo de mente. Jad Tarifi la divide en tres etapas crecientes: Simuladores Universales, Operadores Universales y un backend global que él llama Génesis. Cada fase impulsa al sistema desde una comprensión pasiva hacia una agencia encarnada a escala planetaria.

Los Simuladores Universales son la prioridad: un solo modelo mundial unificado que asimila todo. La IA Integral entrena esta capa en flujos multimodales: video de las plantas de producción, audio, lenguaje, archivos CAD, registros de sensores de drones y humanoides, hasta que el sistema construye un modelo jerárquico de Realitätät que abarca desde átomos hasta economías. En lugar de modelos separados para texto, visión y control, Tarifi desea un simulador de estilo neocortex que pueda desplegar futuros en cualquier dominio.

Las jerarquías importan. En los niveles más bajos, el simulador predice píxeles en bruto, fuerzas y ángulos de las articulaciones; en niveles superiores, razona sobre objetos, objetivos y dinámicas sociales. Tarifi afirma que esto permite al sistema "ensayar mentalmente" miles de millones de escenarios por día, comprimiendo años de ensayo y error en horas de simulación. Los materiales de prensa de la empresa lo describen como un motor físico, un sistema operativo y un cuaderno científico fusionados en un único modelo.

Los Operadores Universales se sitúan en la cima de ese modelo mundial y convierten la comprensión en acción. Mientras los simuladores preguntan "¿qué pasaría si...?", los operadores deciden "haz esto ahora." Traducen objetivos de alto nivel en secuencias concretas de llamadas a herramientas, movimientos de robots, ediciones de código e invocaciones de API, y luego observan los resultados y refinan sus propias políticas sobre la marcha.

Integral AI clasifica a los operadores en tres clases aproximadas: - Controladores de bajo nivel para motores, pinzas y sensores - Agentes de nivel medio que utilizan herramientas que llaman a software, robots y equipos de laboratorio - Estrategas de alto nivel que descomponen metas abiertas en planes ejecutables

Lo crucial es que los operadores no solo usan herramientas; también diseñan nuevas. Tarifi describe experimentos iniciales en los que el sistema genera automáticamente rutinas de calibración personalizadas, protocolos de laboratorio o microservicios cuando las herramientas existentes limitan el rendimiento. En sus palabras, "el modelo edita su propio entorno."

Génesis es la parte que casi todo el mundo pasó por alto: la infraestructura para ejecutar esta inteligencia incorporada en todas partes a la vez. Piénsalo como un sustrato nativo de la nube que puede desplegar simuladores y operadores en miles de puntos de acceso heterogéneos—robots de fábrica, carritos hospitalarios, enjambres de almacenes, asistentes personales—mientras mantiene todos ellos sincronizados con un modelo de mundo compartido.

Genesis se encarga de la identidad, las políticas de seguridad y los presupuestos energéticos a través de esta red. Tarifi habla sobre la imposición de restricciones globales: no se permiten perfiles de par inseguros, ni combinaciones químicas no verificadas, incluso cuando los agentes locales improvisan. Según Integral AI presenta el primer modelo capaz de AGI en el mundo – Businesswire, la empresa ve a Genesis como el puente de una única instancia de AGI a una "civilización" distribuida de operadores coordinados.

Integral AI no comenzó con un objetivo de lucro o un marcador de referencia; comenzó con una sola palabra: libertad. Jad Tarifi describe la misión de la empresa como “expandir la agencia humana”, lo que, en la práctica, significa juzgar cada implementación con una pregunta contundente: ¿este sistema le da a las personas más opciones reales, o menos? Este enfoque pone a Integral en tensión directa con la lógica de optimización de anuncios y maximización de la participación que dio origen a la última década de IA.

En lugar de enfocarse en el valor para los accionistas, Integral habla de construir una “Economía de Alineación.” En sus documentos internos, las acciones solo se consideran “alineadas” si aumentan de manera medible el potencial humano: más habilidades adquiridas, más tiempo liberado, más personas capaces de participar en trabajos complejos. Un robot de almacén que permite a los empleados formarse para roles mejor remunerados obtiene una alta puntuación; un algoritmo que los automatiza tranquilamente fuera de la organización sin un camino a seguir obtiene una puntuación cercana a cero.

Eso contrasta marcadamente con los conjuntos de alineación centrados en listas de verificación en OpenAI, Google DeepMind y Anthropic. Esos laboratorios se apoyan en: - Capas de seguridad basadas en reglas - Modelos de preferencia al estilo constitucional o RLHF - Equipos de evaluación y suites de evaluación para "uso catastrófico indebido"

Integral hace todo eso, pero Tarifi lo llama "plomería necesaria", no una estrella del norte. Mientras otros ajustan los modelos para evitar resultados no permitidos, Integral intenta optimizar para el florecimiento humano a largo plazo.

Esta filosofía transforma la manera en que hablan sobre la AGI en sí. Tarifi insiste en que su sistema debería actuar menos como un oráculo y más como un colaborador que co-diseña objetivos con sus usuarios, luego expone los compromisos en un lenguaje claro. En los primeros pilotos, la AGI propone múltiples planes para una fábrica, un laboratorio o una manzana de la ciudad, pero destaca cuáles amplían la autonomía de los trabajadores, cuáles la restringen y cuáles simplemente transfieren el poder hacia arriba. La hoja de ruta de la compañía hacia “Génesis” incorpora ese sesgo: la superinteligencia como un socio que sigue preguntando, “¿La libertad de quién mejora con esta actualización?”

La afirmación más audaz de Integral AI se esconde en una sola línea: la eficiencia de aprendizaje “cerca de la del cerebro humano.” La corteza humana aprende una nueva habilidad motora—digamos, atrapar una pelota—con aproximadamente decenas de vatios de potencia durante unas pocas horas. Los modelos avanzados modernos a menudo consumen megavatios-hora para afinar una capacidad reducida que aún falla fuera de su distribución de entrenamiento.

Los modelos de lenguaje grandes actuales, como los sistemas de la clase GPT-4, supuestamente requieren del orden de 10 a 100 GWh para las ejecuciones de preentrenamiento en decenas de miles de GPU. Un único ciclo de entrenamiento a escala fronteriza puede costar decenas de millones de dólares en electricidad y amortización de hardware. En contraste, el cerebro humano maneja todo el espectáculo—percepción, planificación, lenguaje, control motor—con aproximadamente 20 W, menos que una bombilla de luz tenue.

Los criterios de AGI de Integral AI dejan ese contraste explícito. Su tercera regla exige que la energía total para aprender una tarea iguale o supere la energía que una persona gasta aprendiendo la misma habilidad. Esto replantea el progreso de "más FLOPs" a "más bits de competencia por julio", una métrica que hace que las carreras de escalado actuales parezcan brutalmente derrochadoras.

Si los números de Integral se mantienen, la economía de la industria cambiará de la noche a la mañana. El acceso a la IA dejará de ser un lujo de los hiperescaladores y se convertirá en algo que los laboratorios de nivel medio, universidades e incluso startups podrán permitirse operar con capacidades de vanguardia. Los centros de datos pasarán de planificar campus de gigavatios a implementar clusters más densos y frescos que los gobiernos realmente puedan permitir.

Los riesgos ambientales son igualmente altos. Los analistas ya advierten que las cargas de trabajo de la inteligencia artificial podrían consumir varios puntos porcentuales de la electricidad global para 2030 si las tendencias actuales continúan. Un salto en eficiencia a nivel cortical podría aplanar esa trayectoria, convirtiendo a la inteligencia artificial de una carga climática en una capa de infraestructura más sostenible.

Alcanzar ese punto de referencia probablemente requiere avances en toda la pila: - Nuevas arquitecturas de modelos más cercanas al neocortex que a los transformadores - Aprendizaje en chip y diseños no von Neumann como hardware neuromórfico - Espacios agresivos, compresión y computación impulsada por eventos - Currículos de entrenamiento más inteligentes que extraigan la señal máxima de la mínima interacción

Si Integral AI realmente alinea esos elementos, la historia de la AGI se vuelve menos sobre la inteligencia bruta y más sobre quién controla la máquina de pensamiento más económica en la Tierra.

El escepticismo llegó casi tan rápido como el comunicado de prensa. Integral AI no ha publicado código, pesos ni registros de robótica en bruto, y ningún laboratorio independiente ha replicado sus afirmaciones sobre aprendizaje autónomo de habilidades en un entorno controlado. Por ahora, la etiqueta de "capaz de AGI" vive en videos, demos seleccionadas y un entorno de pruebas cuidadosamente curado.

Los investigadores que vivieron los ciclos de exageración de la IA anteriores respondieron con cejas levantadas, no con champán. Varios laboratorios académicos contactados para comentar describieron el anuncio como "extraordinario si es cierto", mientras que inmediatamente pidieron métricas enmascaradas, estudios de ablación y auditorías de terceros sobre las cifras de energía. Sin eso, la arquitectura “a escala de neocórtex” de Integral AI sigue siendo una caja negra con un micrófono muy ruidoso.

El contexto es importante aquí. Demis Hassabis ha enmarcado repetidamente la AGI como un proyecto de 10 a 20 años, señalando a 2040-2050 en reuniones privadas como un horizonte plausible, dependiendo de avances en modelos del mundo, memoria y robótica. Sam Altman ha hablado sobre "AGI pronto", pero aún ancla su hoja de ruta en la escalabilidad de sistemas al estilo transformer más silicio personalizado masivo, no en una ruptura arquitectónica repentina.

El movimiento de Integral AI refleja la declaración de "supremacía cuántica" de Google en 2019, que provocó una inmediata reacción negativa de IBM y otros sobre definiciones, estándares y relevancia en el mundo real. En ese entonces, la pelea giraba en torno a si una tarea de muestreo artificial contaba como un hito. Hoy, el argumento se desplaza hacia lo que significa “AGI” cuando una empresa añade el calificativo “capaz” y lo vincula a tres reglas auto definidas.

La cobertura externa ya ha comenzado a analizar esas reglas. Publicaciones como ‘El primer’ sistema AGI del mundo: una empresa de Tokio afirma haber construido un modelo – Interesting Engineering revisan las demostraciones de robótica de Integral AI mientras enfatizan la falta de revisión por pares y evaluación abierta. Hasta que las revistas, conferencias o laboratorios de gran peso se pronuncien, la evidencia se sitúa más cerca de una propuesta ambiciosa que de un descubrimiento replicado.

Sin embargo, la presión sobre los competidores no espera a arXiv. OpenAI, Google DeepMind, Anthropic, Meta y gigantes chinos como Baidu y DeepSeek ahora se enfrentan a inversores y gobiernos que se preguntan si un equipo de 30 personas en Tokio acaba de adelantar a los demás. Esto por sí solo puede acelerar los programas internos de AGI, aflojar los frenos de seguridad y empujar a todos hacia un despliegue más rápido de inteligencia encarnada, verificada o no.

Si los números de Integral AI sobreviven al contacto con auditores externos, el centro de gravedad en la IA cambiará de la noche a la mañana. Un sistema capaz de AGI que aprende nuevas habilidades sin conjuntos de datos, etiquetas o ajuste fino convertiría a los ingenieros de prompt de hoy en los administradores de sistemas heredados de mañana.

La robótica siente el impacto primero. Un solo modelo que puede observar una fábrica, inferir tareas y entrenar flotas de brazos y robots móviles en días—no meses de código ajustado a mano—revolucionará el mercado de integración actual y podría reducir drásticamente los costos laborales en logística, almacenamiento y cuidado de ancianos.

El descubrimiento de fármacos y la ciencia de materiales siguen. En lugar de tener pipelines frágiles que optimizan un solo objetivo proteico a la vez, un modelo del mundo incorporado que experimente en simuladores de alta fidelidad podría diseñar, probar e iterar miles de moléculas candidatas por semana, comprimiendo las líneas de tiempo farmacéuticas de 10 años en 18 a 24 meses.

La automatización deja de ser "estrecha" y se vuelve ambiental. Si los Operadores Universales de Integral funcionan como se anuncia, le das al sistema un objetivo desordenado: "estabiliza esta red eléctrica regional", "reconstruye el horario de tránsito de esta ciudad", "migra este banco de COBOL"—y el sistema descompone, planifica y ejecuta a través de software, robots y equipos humanos.

La sociedad no recibe una transición suave. El trabajo se desplaza de empleos basados en tareas a roles de objetivos y supervisión, con categorías enteras de empleo—entrada de datos, contabilidad básica, soporte en primera línea—colapsando en unos pocos ciclos de producto. Los gobiernos se afanan por regular sistemas que pueden superar a los servicios civiles en modelado de políticas, ofensiva cibernética y gestión de infraestructuras.

La gobernanza global se convierte en un tema candente. El papel silencioso del Vaticano en las primeras consultas sobre ética de la AGI parece repentinamente premonitorio, mientras instituciones religiosas y cívicas compiten por definir lo que significa "libertad" y agencia humana cuando una plataforma de clase Génesis puede superar a consejos de expertos en cuestión de horas.

La AGI, que se ha tratado durante mucho tiempo como un horizonte especulativo entre 2040 y 2050, ahora llega como un producto en circulación presentado en robots reales. El debate ya no se centra en si es posible, sino en quién lo controla, qué tan rápido se expande y si nuestras instituciones pueden actualizarse tan rápido como nuestro código.

¿Cuál es la principal afirmación de AGI de Integral AI?

Integral AI afirma haber creado el primer modelo 'capaz de AGI' del mundo. Este sistema puede aprender de manera autónoma habilidades completamente nuevas sin conjuntos de datos preexistentes, intervención humana o supervisión.

¿Cómo se diferencia el modelo de Integral AI de GPT-4 o Gemini?

A diferencia de los modelos de lenguaje grandes que destacan en el reconocimiento de patrones y la predicción de texto, la arquitectura de Integral AI está diseñada para imitar el neocortex humano. Se centra en la abstracción, la planificación y la acción en el mundo real, con el objetivo de lograr una verdadera comprensión y una eficiencia energética casi humana.

¿Quién es Jad Tarifi, el fundador de Integral AI?

Jad Tarifi es el CEO de Integral AI y un veterano de la IA que trabajó en Google. Pasó casi una década allí construyendo algunos de los primeros sistemas de IA generativa antes de fundar Integral AI en Tokio.

¿Se ha verificado de manera independiente la afirmación de AGI de Integral AI?

No, aún no. Hasta su anuncio, no ha habido una verificación independiente y revisada por pares de sus afirmaciones. La comunidad tecnológica sigue siendo cautelosamente optimista pero escéptica a la espera de más pruebas.