Hemos alcanzado un punto de inflexión en el desarrollo de IA。Las leyes de escala que una vez prometieron modelos cada vez más capaces están mostrando retornos decrecientes。GPT-5, Claude y Gemini representan logros notables, pero están alcanzando asíntotas que el escalado a la fuerza no puede resolver。El camino hacia la inteligencia general artificial no es a través de entrenar modelos de lenguaje cada vez más grandes——es a través de construir sistemas ingenierizados que combinen modelos, memoria, contexto y flujos de trabajo deterministas en algo mayor que la suma de sus partes。
Déjame ser franco：AGI es un problema de ingeniería, no un problema de entrenamiento de modelos。
La Realidad del Plateau
La generación actual de modelos de lenguaje grandes ha chocado contra un muro que cada vez es más obvio para cualquiera que trabaje con ellos diariamente。Son impresionantes emparejadores de patrones y generadores de texto, pero permanecen fundamentalmente limitados por su incapacidad para mantener contexto coherente a través de sesiones, su falta de memoria persistente, y su naturaleza estocástica que los hace poco fiables para razonamiento complejo de múltiples pasos。
Ya hemos visto esta película。Cada ola tecnológica sigue la misma trayectoria：ruptura inicial, escalado rápido, luego costos marginales crecientes para ganancias marginales decrecientes。La industria de semiconductores chocó contra este muro a principios de los 2000 cuando la escalabilidad de velocidad de reloj se volvió imposible。La solución entonces no fue forzar procesadores más rápidos——fue rethink fundamentalmente la arquitectura con diseños multi-core。
La IA está en el mismo punto de inflexión。 Necesitamos dejar de preguntar”¿cómo hacemos el modelo más grande?“y empezar a preguntar”¿cómo hacemos el sistema más inteligente?”
El Enfoque de Sistemas para AGI
El cerebro humano no es una única red neuronal——es una colección de sistemas especializados trabajando en concierto：formación de memoria, gestión de contexto, razonamiento lógico, navegación espacial, procesamiento de lenguaje。Cada sistema ha evolucionado propósitos específicos, y operan de forma asincrónica con bucles de retroalimentación complejos entre ellos。
La verdadera AGI requiere que ingeniericemos sistemas similares。Esto es lo que realmente necesitamos construir：
1. Gestión de Contexto como Infraestructura
Los modelos actuales tienen spans de atención medidos en miles de tokens。El span de contexto humano se extiende a través de años de experiencia vivida。La brecha no es solo cuantitativa——es cualitativa。Necesitamos sistemas de gestión de contexto que puedan：
- Recuperar y filtrar información relevante bajo demanda usando sistemas de recuperación sofisticados
- Mantener modelos de mundo coherentes que persistan a través de sesiones y evolucionen con nueva información
- Puentear brechas de contexto entre diferentes dominios de conocimiento especializado
- Manejar información conflictiva con ponderación probabilística y cuantificación de incertidumbre
Esto requiere ir más allá de búsquedas simples por similitud vectorial a construir grafos de conocimiento operacionales que puedan ser actualizados, consultados y razonados en tiempo real。Nuestro trabajo en Context Engineering proporciona una base para estos sistemas。
2. Memoria como Servicio
Los LLM no tienen memoria——se involucran en métodos elaborados para fingirla a través de ingeniería de prompts y relleno de contexto。La verdadera AGI necesita sistemas de memoria que：
- Actualicen creencias cuando son contradecidas por nueva evidencia
- Consoliden información a través de múltiples experiencias en principios generales
- Olviden detalles irrelevantes sin olvido catastrófico
- Generen meta-conocimiento sobre la confiabilidad y fuente de información almacenada
Esto no es solo persistencia de base de datos——es construir sistemas de memoria que evolucionen como lo hace la memoria humana：fortaleciéndose con el uso, decayendo con el desuso, y reorganizándose basándose en nueva comprensión。Los patrones arquitectónicos de sistemas de software nos muestran cómo diseñar tales estructuras evolutivas。
3. Flujos de Trabajo Deterministas con Componentes Probabilísticos
El verdadero avance en AGI vendrá de construir marcos deterministas que puedan incorporar componentes probabilísticos cuando sea apropiado。Piénsalo como construir un compilador：el flujo general es rígido y predecible, pero los pasos individuales pueden usar heurística y optimización probabilística。
Necesitamos sistemas que puedan：
- Encaminar problemas a solucionadores especializados apropiados basándose en características del problema
- Ejecutar flujos de trabajo multi-paso con capacidades de rollback y recuperación
- Validar salidas a través de comprobaciones deterministas antes de aceptar resultados probabilísticos
- Componer capacidades de maneras predecibles manteniendo los beneficios de la generación estocástica
Nuestra investigación sobre sistemas deterministas vs. probabilísticos demuestra cómo construir efectivamente estas arquitecturas híbridas。La idea clave es que la incertidumbre debería ser un concepto de primera clase en el diseño de sistemas, no algo que intentemos eliminar。
4. Modelos Especializados como Componentes Modulares
El futuro no es un modelo para gobernarlos a todos——son cientos o miles de modelos especializados trabajando juntos en flujos de trabajo orquestados。Los modelos de lenguaje permanecen excelentes en tareas lingüísticas, pero son terribles en：
- Manipulación simbólica y cálculo exacto
- Razonamiento visual-espacial más allá del emparejamiento básico de patrones
- Razonamiento temporal y planificación de secuencias complejas
- Comportamiento intencional de agente con metas persistentes
En lugar de esperar una ruptura que haga a los modelos de lenguaje buenos en todo, deberíamos estar construyendo sistemas que：
- Encaminen problemas a modelos optimizados para dominios específicos (thinking in agents demuestra este enfoque)
- Combinan salidas de diferentes tipos de modelo en soluciones coherentes
- Mantengan compatibilidad mientras permiten que componentes individuales evolucionen independientemente
- Manejen fallos elegantemente cuando modelos individuales rinden por debajo
El Desafío de Ingeniería
Esto nos lleva a la idea central：construir AGI es un problema de sistemas distribuidos, no un problema de aprendizaje automático。 Nos han engañado para pensar que porque los clústeres de entrenamiento a escala de centro de datos son sistemas distribuidos, ya estamos haciendo ingeniería de sistemas。Nada podría estar más lejos de la verdad。
El verdadero desafío de ingeniería es construir：
- Pipelines tolerantes a fallos donde los fallos de componentes no se conviertan en fallos del sistema
- Sistemas de monitoreo y observabilidad que puedan detectar cuando las salidas de modelo se están desviando o volviendo poco fiables
- Sistemas de despliegue que permitan actualizaciones roll-out sin romper integraciones existentes
- Frameworks de prueba que puedan validar el comportamiento del sistema a través de miles de combinaciones de modelos y parámetros
Este es el tipo de desafío de ingeniería que requiere décadas de experiencia en sistemas distribuidos, no solo experiencia en aprendizaje automático。Las soluciones vendrán de ingenieros de infraestructura que entiendan cómo construir sistemas confiables y escalables en la intersección de hardware, software y modelos de IA。
Qué Deberíamos Construir en su Lugar
Mientras todos los demás se enfocan en escalar el siguiente modelo, nosotros deberíamos construir la infraestructura que haga posible la inteligencia general。Aquí está mi hoja de ruta：
Fase 1：Capa Fundacional
- Servicio de Gestión de Contexto：Grafos de conocimiento persistentes, consultables y versionados con actualizaciones en tiempo real
- Servicio de Memoria：Sistemas de memoria episódica y semántica con patrones de consolidación aprendidos
- Motor de Flujo de Trabajo：Orquestación determinista de componentes probabilísticos con capacidades de rollback
- Capa de Coordinación de Agentes：Sistemas multi-agente con consenso negociado y resolución de conflictos
Fase 2：Capa de Capacidades
- Controles de Modelo Especializados：Modelos afinados para dominios de razonamiento específicos con interfaces estandarizadas
- Motor de Razonamiento Simbólico：Capacidades de cálculo exacto y manipulación simbólica que funcionen con componentes probabilísticos
- Planificación y Gestión de Objetivos：Sistemas que puedan descomponer objetivos complejos en subplanes ejecutables
- Integración Cross-modal：Sistemas que combinen entradas sensoriales (texto, visión, audio) en representaciones unificadas
Fase 3：Capa de Emergencia
Aquí es donde emerge la verdadera AGI——de la interacción de todos estos componentes trabajando juntos, no de ningún modelo de ruptura único。Las capacidades del sistema excederán las de sus partes individuales a través de propiedades emergentes que surgen de un diseño arquitectónico cuidadoso。
El Camino Hacia Adelante
El camino hacia AGI no es a través de entrenar un transformer más grande——es a través de construir sistemas distribuidos que puedan orquestar cientos de modelos especializados, mantener contexto coherente a través de sesiones, ejecutar flujos de trabajo deterministas alrededor de componentes probabilísticos, y proporcionar operación tolerante a fallos a escala de producción。
Esto es fundamentalmente trabajo de ingeniería, requiriendo décadas de experiencia construyendo sistemas distribuidos confiables, no solo experiencia en aprendizaje automático。Los avances vendrán de ingenieros de infraestructura que entiendan cómo construir rutas de contexto, sistemas de memoria, orquestación de flujos de trabajo y coordinación de modelos a escala。
La carrera hacia AGI no está siendo ganada por el equipo con el clúster de GPU más grande——está siendo ganada por el equipo que entiende cómo construir sistemas de IA confiables e ingenierizados que realmente puedan razonar a través de dominios mientras mantienen comportamiento consistente。
Los modelos que tenemos ahora son suficientes。La pieza que falta es la ingeniería de sistemas que los convierte en inteligencia general。
Hemos estado haciendo la pregunta incorrecta。No es”¿cómo llegamos a la próxima ruptura de modelo?”Es”¿cómo construimos la arquitectura del sistema que hace inevitable la inteligencia general con los modelos que ya tenemos?”
La respuesta es ingeniería de sistemas。El futuro de AGI es arquitectónico, no algorítmico。