Mientras que OpenAI y Anthropic buscan crear una IA recursiva y autodidacta, Google DeepMind apuesta por un vector fundamentalmente diferente: los modelos mundiales (World Models). Esto no es solo un cambio de prioridades, sino una divergencia fundamental en la comprensión de cómo debería ser la próxima era de la inteligencia artificial.
Externamente, el gigante de Mountain View continúa lanzando nuevos modelos. El 21 de julio se lanzó Gemini 3.6 Flash, donde el énfasis está en la velocidad y la reducción de costos, no en el poder absoluto. Según Google, la nueva versión genera un 17% menos de tokens que su predecesora, lo que reduce directamente el precio de la respuesta. Sin embargo, en el ranking de Artificial Analysis, este modelo ocupó solo el décimo lugar, dejando pasar a todos los competidores clave.
Apuesta por la física, no por el texto
La diferencia clave en la estrategia de DeepMind es el abandono de la persecución de récords en los benchmarks de "siguiente token". En su lugar, el laboratorio se centra en la IA incorporada (embodied AI) y en sistemas que comprenden las leyes del mundo físico: gravedad, relaciones de causa y efecto, y movimiento en el espacio. Los proyectos Genie 3 y Gemini Robotics ya se encuentran en la sección de modelos mundiales en el sitio web de la empresa.
En mayo, DeepMind expandió Project Genie, integrándolo con Street View, y presentó SIMA 2, un agente que aprende a interactuar con mundos virtuales en 3D. Este es un enfoque fundamentalmente diferente en comparación con la auto-mejora recursiva que eligieron los competidores.
¿Riesgo o cálculo preciso?
El cofundador de Anthropic, Jack Clark, en su ensayo del 4 de mayo, estimó las posibilidades de que la IA pueda gestionar investigaciones de forma autónoma para finales de 2028 en un 60%. Al mismo tiempo, calificó a DeepMind como "la más comedida de los tres grandes", refiriéndose a los documentos internos de seguridad del laboratorio. La mesura en este contexto significa cautela, rayana en el riesgo de quedarse atrás.
Mientras tanto, Anthropic ya registra casos en los que Claude escribe más del 80% del código que se implementa en productos. Durante abril, el rendimiento de sus modelos se multiplicó por 52. En comparación, un ingeniero experimentado necesita de cuatro a ocho horas de trabajo para lograr un crecimiento cuádruple.
Tensión financiera
Alphabet sigue generando ingresos enormes: $119.8 mil millones en el segundo trimestre, de los cuales $63.3 mil millones provinieron solo de la publicidad en búsquedas. Sin embargo, los gastos crecen a un ritmo más acelerado. Durante el trimestre, la empresa destinó $44.9 mil millones al desarrollo de centros de datos y la compra de equipos, casi el doble que el año anterior.
El flujo de caja libre se volvió negativo por primera vez, alcanzando los -$5.86 mil millones. Para cubrir el déficit, Alphabet emitió acciones por $49.6 mil millones y obtuvo $20.3 mil millones en préstamos. Los pasivos a largo plazo aumentaron de $46.5 mil millones a $98.2 mil millones en seis meses. La partida de gastos relacionada con el desarrollo de IA generó una pérdida de $5.79 mil millones, frente a los $3.37 mil millones del año anterior.
Conclusión del analista
La estrategia de Google es un juego a largo plazo. Si los modelos mundiales de DeepMind demuestran su validez, el actual "retraso" en las pruebas generativas resultará ser un movimiento táctico brillante. Sin embargo, con el ritmo actual de crecimiento de los gastos y el flujo de caja libre negativo, a Alphabet le queda cada vez menos margen de error. El lanzamiento de Gemini 4 será un momento clave que mostrará si este arriesgado giro estuvo justificado.