El CEO de OpenAI, Sam Altman, sigue apostando por el escalado de los modelos de lenguaje grandes y arremetió contra los escépticos. En una charla reciente en Stanford afirmó que una generación entera de investigadores frenó el campo porque tenía demasiada confianza en lo que el scaling no podía hacer.

"Apostar contra el escalado de los LLM a esta altura me parece bastante equivocado." — Sam Altman, OpenAI

Respuesta a LeCun y a los "trolls de Twitter"

En la misma charla Altman respondió a críticos como Yann LeCun, jefe científico de IA de Meta, que ha calificado a los LLM como un callejón sin salida. "Algunas personas atan su identidad a una posición y no pueden soltarla, incluso cuando los datos demuestran lo contrario", dijo Altman. Los pronósticos catastrofistas sobre OpenAI tampoco lo desvelan. Para tareas largas y de mucho juicio, reconoció, los LLM siguen "bastante peor que las personas"; pero para todo lo demás los datos respaldan continuar empujando la curva.

El CEO de Anthropic, Dario Amodei, hizo declaraciones públicas en la misma línea hace poco. La coincidencia entre los dos laboratorios líderes del frontier dibuja un consenso entre quienes financian los entrenamientos.

¿Qué evidencia entregó Altman para sostener su postura?

Altman puso un caso concreto sobre la mesa: un modelo reciente de OpenAI refutó una conjetura matemática que llevaba años sin resolverse y que había trabado a expertos de la comunidad. Tras el resultado, según contó, los propios matemáticos comenzaron a preguntarse qué significa para su disciplina que un sistema entrenado a escala produzca conocimiento nuevo.

"Está claro que los LLM son capaces de descubrir conocimiento nuevo", afirmó. Para Altman ese tipo de hallazgo invalida la tesis de que los modelos solo recombinan lo que ya leyeron.

El borde donde aún pierden

El propio Altman marcó el límite: para tareas de horizonte muy largo que exigen criterio sostenido, los LLM actuales todavía rinden notablemente peor que un humano. La distinción importa porque parte del debate público mezcla razonamiento matemático puntual con planificación multipaso de semanas, y los benchmarks recientes (incluido el del modelo OpenAI que destrabó la conjetura) siguen midiendo principalmente lo primero.

Los modelos del mundo (world models) sí importan, agregó, sobre todo para campos como la robótica, donde se necesita razonar sobre dinámicas físicas. Pero los datos, en su lectura, todavía respaldan que se siga estirando el scaling como camino principal.

¿Por qué importa el comentario para la industria?

Las palabras de Altman llegan en plena ola de inversión en datacenters de IA en Estados Unidos y Asia, justamente justificada por la apuesta a que el escalado sigue rindiendo. Si la postura del CEO de OpenAI termina siendo correcta, las decisiones de gasto de capital de Microsoft, Google y Amazon están bien colocadas; si LeCun tiene razón, el ciclo de inversión podría enfrentar una corrección dura en 2027.

Para los integradores en Latinoamérica, el debate es menos abstracto de lo que parece: el costo por millón de tokens y la latencia de los modelos frontier dependen directamente de qué tan rápido sigue bajando el precio del scaling.