Yann LeCun vs el apocalipsis de la IA: una visión optimista (y muy técnica) del futuro

IA · AGI · DEBATE SOBRE RIESGOS

1. Quién es Yann LeCun y por qué su opinión pesa tanto

Yann LeCun no es un opinador más en redes. Es uno de los padres del deep learning moderno, pionero de las redes convolucionales que hoy usan desde tu móvil hasta los sistemas de visión de los coches autónomos. En 2018 recibió el premio Turing junto a Geoffrey Hinton y Yoshua Bengio, el equivalente al Nobel en informática.

Desde 2013 ha liderado la investigación a largo plazo de Meta en IA, primero creando el laboratorio FAIR y después como chief AI scientist. Desde ahí ha impulsado modelos fundacionales como Llama, visión por computador, traducción automática y una agenda de investigación muy clara: construir máquinas que aprendan modelos del mundo, no solo a predecir la siguiente palabra.

En 2025 han salido a la luz planes para que deje Meta y lance su propia startup centrada precisamente en esos “world models”, sistemas que aprenden de datos visuales y sensoriales de forma más parecida a cómo aprenden los humanos, y que podrían tardar una década en madurar. Para entender bien esa visión técnica, encaja muy bien conectar este artículo con cómo pensamos el diseño de sistemas de machine learning modernos.

2. Por qué LeCun no compra el apocalipsis de la IA

LeCun se ha convertido en la cara visible del bando “anti-doomer”. En entrevistas con Time, Wired y otros medios repite varias ideas clave. La primera: los sistemas actuales, incluidos los grandes modelos de lenguaje que tanto usamos (ChatGPT, Gemini, Claude, etcétera), no tienen sentido común ni modelos internos del mundo. Son muy buenos prediciendo texto, pero no razonan ni planifican como una persona.

Por eso rechaza que estos modelos estén cerca de una AGI. De hecho, ha llegado a llamar a los LLM una “rama prometedora pero pasajera” en el camino hacia inteligencias más completas. Su apuesta es que la verdadera ola vendrá cuando combinemos percepción, memoria, razonamiento y acción en arquitecturas nuevas; algo que repasamos desde el ángulo de producto al analizar Gemini 3 de Google y sus innovaciones.

La segunda idea es aún más polémica: inteligencia no implica automáticamente deseo de poder. Para LeCun, pensar que una IA superinteligente querrá dominar el mundo por defecto es una proyección de nuestra propia historia sobre máquinas que, en realidad, solo optimizan funciones objetivo que nosotros definimos. Él insiste en que podemos diseñar sistemas muy potentes que no tengan “instintos” de supervivencia ni ambiciones propias.

Por último, LeCun desconfía del discurso del miedo como herramienta política. Cree que exagerar el riesgo existencial puede servir para justificar monopolios, regulaciones que favorezcan a unos pocos y narrativas donde solo un puñado de compañías “responsables” deberían tener acceso a la IA avanzada. Frente a eso, defiende que abrir los modelos y la investigación hace el ecosistema más seguro y más justo.

3. Su alternativa técnica: modelos del mundo y JEPA

Detrás de su optimismo no hay solo opinión, hay una propuesta técnica muy concreta. En 2022 publicó un texto clave, A Path Towards Autonomous Machine Intelligence, donde describe una arquitectura para IA autónoma basada en varios módulos: percepción, memoria, un módulo de “mundo” que predice lo que va a ocurrir y un planificador que decide acciones.

De ahí nace JEPA (Joint Embedding Predictive Architecture), un enfoque de aprendizaje autosupervisado donde los modelos aprenden a predecir representaciones de partes de una escena a partir de otras partes, sin necesidad de etiquetas humanas. Versiones como I-JEPA y V-JEPA ya se han aplicado a imágenes y vídeo, entrenando modelos que captan estructura y dinámica del mundo de forma mucho más eficiente que los métodos clásicos.

En vez de reconstruir píxel a píxel o palabra a palabra, JEPA intenta que el modelo aprenda “lo que importa” del entorno: qué objetos hay, qué puede pasar después, qué es un resultado plausible y cuál no. Es un giro fuerte respecto a la IA que solo predice texto, y encaja con una forma de diseñar sistemas que explicamos más en profundidad cuando hablamos de Graph-RAG y arquitecturas con memoria estructurada.

Esta obsesión con los modelos del mundo también acerca la investigación de LeCun a los agentes de nueva generación, esos sistemas que no solo responden, sino que actúan, llaman herramientas y toman decisiones. Si te interesa esa capa más “agentic”, tiene sentido cruzar esta pieza con lo que contamos sobre orquestación y habilidades en Skills para Claude y agentes especializados.

4. Open source, control y por qué cree que la IA será manejable

Otra pieza clave de su discurso es la apuesta por la IA abierta. LeCun defiende que modelos como Llama, liberados bajo licencias abiertas, hacen el ecosistema más seguro porque permiten que más investigadores, gobiernos y empresas auditen, prueben y construyan defensas alrededor de ellos. En su visión, concentrar el poder de la IA en dos o tres actores cerrados es un riesgo mayor que abrir el juego.

Su argumento es casi de ingeniería de sistemas: la forma de controlar una tecnología potente no es esconderla, sino entenderla a fondo, estandarizar buenas prácticas y repartir el conocimiento. Desde ese prisma, herramientas como las que analizamos en Private AI Compute de Google apuntan en la misma dirección: desplegar modelos cerca de los datos, con controles finos de acceso, auditoría y cumplimiento normativo.

Eso no significa que niegue todos los riesgos. LeCun reconoce problemas serios a corto y medio plazo: desinformación automatizada, ciberataques amplificados, vulnerabilidades nuevas en infraestructuras críticas. Son temas que encajan con lo que contamos al mirar escenarios de ciberataques con IA según Anthropic o el impacto de los deepfakes en la opinión pública. Simplemente, LeCun los ve como riesgos importantes pero gestionables, no como el preludio inevitable de Skynet.

5. Críticas a LeCun: ¿subestima el riesgo o pone el foco donde toca?

Obviamente, no todo el mundo está de acuerdo con él. Expertos más preocupados por el riesgo existencial le reprochan varias cosas: que subestima lo rápido que están mejorando los modelos, que confía demasiado en la capacidad humana de diseñar objetivos sin efectos secundarios y que infravalora el incentivo económico de empujar cada vez modelos más potentes sin esperar a tener garantías de seguridad.

También le critican que el debate no es solo sobre “IA maligna”, sino sobre qué pasa cuando personas usan sistemas muy potentes para desarrollar armas biológicas, ciberataques automatizados o campañas masivas de manipulación. Parte de estos temores se cruzan con los que ya estamos viendo en temas como los chatbots que agravan problemas de salud mental, que analizamos en chatbots y trastornos alimentarios.

A su favor, se puede decir que LeCun ofrece algo que a menudo falta en el debate: detalles técnicos. No se queda en “no pasará nada”, sino que describe qué arquitecturas cree que necesitamos, qué límites tienen los modelos actuales y qué tipo de mecanismos de control son realistas. Es, en cierto modo, el contra–relato al discurso de “la IA es magia incontrolable”.

6. Qué podemos aprender de su postura si trabajas con IA

Más allá de estar de acuerdo o no, la postura de LeCun es útil para cualquiera que esté construyendo producto, negocio o política pública alrededor de la IA. La primera lección es metodológica: no basta con hablar de “la IA” en abstracto. Hay que bajar a la arquitectura, al tipo de datos, al contexto de despliegue. No es lo mismo un LLM generalista que un sistema que aprende modelos del mundo sobre vídeo industrial, ni es lo mismo un chatbot de ocio que un asistente clínico.

La segunda lección es de estrategia. Si estás montando algo con IA, conviene huir tanto del pánico paralizante como del hype vacío. Necesitas un enfoque serio de gobernanza, seguridad, cumplimiento y organización interna. Eso significa comités de riesgo, políticas de uso, métricas de impacto y una hoja de ruta clara; algo que desarrollamos a fondo en liderazgo en IA empresarial.

La tercera lección es de producto. En lugar de perseguir una AGI abstracta, tiene más sentido buscar encaje entre IA y problema real: qué proceso concreto quieres transformar, qué datos tienes, qué riesgo estás dispuesto a aceptar y cómo vas a medir el impacto. Esa es la lógica que aplicamos cuando hablamos de encaje producto–mercado para startups de IA y que encaja muy bien con la filosofía “menos apocalipsis y más ingeniería” que defiende LeCun.

En un debate dominado por titulares extremos, la visión de Yann LeCun es una invitación a algo más difícil pero más útil: entender la tecnología de verdad, en detalle, y tomar decisiones informadas. Ni miedo paralizante, ni fe ciega. Trabajo serio, arquitectura clara y responsabilidad compartida.

Si te interesa seguir explorando este equilibrio entre ambición y prudencia, puedes enlazar este artículo con el análisis de Gemini 3 de Google, con la parte de agentes y orquestación en Skills para Claude y con la capa de infraestructura segura en Private AI Compute de Google.