APREX · EST. 2026
Un hilo en Hacker News que está explotando ahora mismo trata sobre algo que muchos en la comunidad de la IA han susurrado durante un tiempo, pero pocos han dicho en voz alta: la eufórica curva de progreso que hemos visto en el mundo de los LLM en los últimos dos años parece estar aplanándose.
El artículo al que se enlaza — publicado en wheresyoured.at — argumenta que los grandes avances en capacidad de los modelos de lenguaje grandes están volviéndose más raros y costosos de lograr. Esta ya no es una opinión de un outsider. Es un sentimiento que está surgiendo de personas que trabajan de cerca en el campo.
¿Qué significa concretamente "frena"? ¿Se trata de que las cifras de los benchmarks ya no impresionan de la misma manera? ¿De que los costos de cómputo escalan más rápido que las ganancias de rendimiento? Los comentaristas del hilo señalan ambas cosas — y añaden que el propio mantra de la "ley de escalado" que ha impulsado la ola de inversiones está empezando a perder credibilidad en la práctica, aunque ningún gran actor lo admita públicamente.
Esto está estrechamente relacionado con algo que también se discute acaloradamente en otras partes del underground de la IA: nos hemos metido en un callejón sin salida arquitectónico. Los grandes modelos transformadores autorregresivos siguen siendo útiles, pero son devoradores de energía, costosos de entrenar y tienen limitaciones estructurales que no desaparecen por mucha cantidad de datos que se les introduzca. Las alternativas — redes neuromórficas, sistemas neurosimbólicos, Mixture-of-Experts, modelos pequeños especializados como Phi-3 — están empezando a parecer más interesantes, no solo académicamente, sino comercialmente.
No es que el campo de la IA se detenga. Es más bien que la definición de "progreso" está a punto de cambiar. Entrenar un clon de GPT aún más grande ya no equivale automáticamente a un avance. Los inversores y los equipos de producto están empezando a hacer otras preguntas: ¿cuál es el valor de utilidad real por dólar, y existen arquitecturas más específicas, rápidas y baratas que hagan el trabajo mejor para casos de uso específicos?
Estas son todavía señales tempranas de una comunidad, no un consenso establecido. Pero cuando un artículo sobre el estancamiento de la IA encabeza HN con cientos de comentarios de calidad un martes por la mañana de junio de 2026, es una señal de que el ambiente está a punto de cambiar — y que los medios tecnológicos mainstream probablemente recogerán esta narrativa en pocas semanas.
Esté atento a cómo se comunican los grandes laboratorios sobre sus próximos lanzamientos de modelos. La retórica allí dirá mucho sobre si ellos también sienten el freno.