DeepMind, la joya de Google en inteligencia artificial, iluminó el camino del aprendizaje profundo. AlphaGo venció a Lee Sedol en 2016, y AlphaFold resolvió el plegamiento de proteínas en 2020. Gemini prometía superar a GPT-4 en 2023. Sin embargo, en 2026, la historia dio un giro inesperado. Los modelos de DeepMind ya no lideran en los benchmarks públicos. Mientras OpenAI, Anthropic, y xAI publican sin cesar y son el centro de atención técnica, DeepMind pierde figuras claves como Noam Shazeer, John Jumper, y Ed Chi. Este éxodo no es anecdótico: es sistémico.
El problema no es que la capacidad científica de DeepMind se desplomó de repente. Lo que sucede es que la ventaja competitiva en IA ha cambiado de naturaleza. Ya no se triunfa solo con artículos en Nature. Ahora, se gana con rapidez en la iteración, la capacidad de escalar modelos en producción, y la retención de talento que comprende tanto la teoría como la infraestructura. DeepMind brilló en la era inicial. Pero en 2026, cuando los ciclos de lanzamiento se miden en semanas y los benchmarks se actualizan mensualmente, Google pierde terreno en talento, modelos y momentum cultural.
El éxodo de talento que nadie previó
Noam Shazeer, cofundador de Character.AI y autor de la arquitectura Transformer, regresó a Google en 2024. Su regreso era para liderar el desarrollo de modelos conversacionales, pero duró menos de dos años. Su salida, en febrero de 2026, coincidió con el estancamiento de Gemini Pro en benchmarks de razonamiento conversacional. Shazeer no se fue solo, se llevó consigo su visión para entrenar modelos capaces de entender contextos largos sin perder coherencia.
John Jumper, ganador del Nobel de Química 2024 por AlphaFold, dejó DeepMind en septiembre de 2025 para fundar una startup enfocada en el diseño de fármacos con IA. Su partida no fue motivada por dinero, sino por la velocidad de ejecución. En una entrevista con Nature, Jumper confesó que en DeepMind un experimento tardaba seis meses en aprobarse, mientras que en su startup se ejecuta en tres semanas. La burocracia de Google sofoca la iteración científica.
Ed Chi, líder del "Chain-of-Thought Prompting" y experto en razonamiento simbólico, dejó el laboratorio en diciembre de 2025. Su equipo se desmoronó en tres meses. Dos miembros senior se unieron a Anthropic y cuatro más a xAI. Chi expresó su frustración en Twitter: "No puedes liderar en investigación de frontera cuando cada implementación requiere 17 aprobaciones y tres meses de revisión de compliance".
Esta rotación no se limita a los grandes nombres. Datos filtrados a The Information muestran que DeepMind perdió 34% de su personal senior (L6+) entre enero de 2025 y marzo de 2026. El attrition rate es el más alto desde la fusión con Google Brain en 2023. Las razones mencionadas son constantes: compensación poco competitiva, lentitud en publicar investigación, y frustración con las aprobaciones internas que separan a los científicos de la producción.
Los modelos que dejaron de ganar
En 2022, DeepMind tenía tres modelos en el top 5 de MMLU (Massive Multitask Language Understanding). En 2026, no tiene ninguno. GPT-4.5 Turbo de OpenAI encabeza con 91.3%, seguido por Claude 3.7 Opus de Anthropic con 90.8%, y Grok-3 de xAI con 89.4%. Gemini 2.0 Pro, el modelo más reciente de DeepMind lanzado en enero de 2026, llega al 87.1%. Es competente, pero no el mejor.
El problema va más allá de un benchmark. Los modelos de DeepMind son lentos en llegar a producción. Gemini 1.5 Pro se anunció en mayo de 2024, pero la API pública no estuvo disponible hasta octubre de ese año. Gemini 2.0 se presentó en noviembre de 2025, y su disponibilidad general fue en febrero de 2026. Tres meses de diferencia. OpenAI lanza y escala en semanas, Anthropic en días. DeepMind opera con ciclos de seis meses.
La velocidad es esencial en 2026. Los modelos se entrenan con datos que envejecen rápido. Un modelo con datos de agosto de 2025 ya está obsoleto para tareas que requieren conocimiento de eventos de 2026. GPT-4.5 Turbo incluye datos hasta marzo de 2026. Gemini 2.0 Pro detiene en noviembre de 2025. Esa ventana de cinco meses es suficiente para perder relevancia en aplicaciones de finanzas, tecnología legal o salud, donde la frescura de los datos es crítica.
Además, DeepMind no publica modelos especializados al ritmo de sus competidores. OpenAI ofrece versiones optimizadas para código (Codex Pro), matemáticas (GPT-4 Math) y visión (GPT-4V Extended). Anthropic lanzó Claude 3.5 Sonnet específicamente para documentos legales de contexto largo. xAI tiene Grok-3 Fine-tuned para análisis financiero en tiempo real. DeepMind tiene Gemini... y variantes de Gemini. No hay diferenciación clara por verticales.
El problema cultural que nadie admite
DeepMind se originó como un laboratorio académico de élite, priorizando la publicación científica sobre el producto comercial. Funcionó cuando ganar ImageNet o vencer al campeón de Go definían el liderazgo en IA. Sin embargo, en 2026, el liderazgo se define por quién tiene el modelo más utilizado en producción, quién retiene mejor a su talento y quién itera más rápido.
Google intentó cambiar esa cultura fusionando DeepMind con Google Brain en 2023. La fusión fue un desastre organizacional. Los equipos de Brain, acostumbrados a lanzamientos rápidos (TensorFlow, TPUs, Cloud AI), chocaron con la mentalidad de DeepMind, enfocada en artículos de impacto académico. Las prioridades nunca se alinearon. Resultado: parálisis en decisiones estratégicas.
Un exempleado lo resumió así: "En Brain, si tenías una idea, escribías código y lo probabas en producción en dos semanas. En DeepMind, escribías un paper, esperabas revisión interna, lo presentabas en comités, y con suerte, veías tu código en producción en seis meses. No puedes ganar así".
La burocracia de Google no ayuda. Cada modelo de IA que DeepMind quiere lanzar necesita pasar por tres capas de compliance: legal, ética y seguridad. Eso es correcto en teoría, pero en la práctica significa que un modelo listo en agosto no ve luz pública hasta enero. Mientras tanto, Anthropic lanza cuatro versiones iterativas en el mismo periodo.
El problema cultural también afecta la retención. Los investigadores de DeepMind quieren publicar en NeurIPS y ICML. Google, por su parte, prioriza modelos que generan ingresos en Google Cloud. Esta tensión crea frustración. Los mejores cerebros buscan impacto científico y velocidad de ejecución. Anthropic y OpenAI lo ofrecen. DeepMind ya no.
¿Puede DeepMind recuperar el liderazgo?
La respuesta corta: sí, pero requiere cambios estructurales que Google no parece dispuesto a hacer. DeepMind tiene recursos que ninguna startup puede igualar: acceso a clusters de TPU v5 con millones de chips, datasets propietarios de YouTube y Google Search, y capacidad de invertir $2B en un solo experimento sin pestañear. El problema no es capacidad técnica, sino velocidad, cultura y autonomía.
Para recuperar el trono, DeepMind necesitaría:
Autonomía operativa real. Dejar de depender de múltiples aprobaciones para lanzar un modelo. Si OpenAI puede lanzar GPT-4.5 con una semana de testing público limitado, DeepMind debería poder hacer lo mismo. Significa separar compliance de velocidad de iteración, algo que Google históricamente no logra.
Compensación competitiva para talento senior. En 2026, un ingeniero de ML L6 en DeepMind gana $320K en total. En Anthropic, el mismo perfil gana $480K más equity significativo. En xAI, Musk ofrece $550K más participación en el éxito del modelo. DeepMind no compite con esos números bajo las bandas salariales de Google. Necesita un fondo de retención separado, algo que Alphabet no autoriza.
Enfoque en productos, no solo en artículos. Gemini es un buen modelo, pero no tiene un uso clave en producción. GPT-4 Turbo domina en generación de código. Claude 3.5 en análisis de contratos legales. Grok-3 en finanzas porque integra datos de X en tiempo real. ¿Qué domina Gemini? Nada específico. DeepMind necesita elegir una vertical y conquistarla.
El problema es que estos cambios requieren que Google admita que perdió el liderazgo. Y en 2026, Sundar Pichai sigue afirmando en earnings calls que "Google lidera la revolución de IA". Esa desconexión entre narrativa externa y realidad interna acelera el éxodo de talento.
Anthropic y OpenAI ya no miran atrás
Mientras DeepMind intenta recuperar terreno, OpenAI y Anthropic redefinen el juego. OpenAI lanzó GPT-4.5 Turbo con ejecución de código Python dentro del modelo sin llamadas externas a APIs. Anthropic lanzó Claude 3.7 Opus con contexto de 500K tokens estable, algo que Gemini prometió pero nunca entregó totalmente en producción.
xAI, la startup de Musk, construyó Grok-3 entrenando con tweets en tiempo real. Es el único modelo que puede razonar sobre eventos recientes. Esa ventaja informacional es brutal para aplicaciones de trading algorítmico y análisis de sentimiento en finanzas. DeepMind no tiene acceso a datos sociales en tiempo real de esa magnitud.
La batalla ya no es sobre el modelo más grande o el artículo más citado. Es sobre quién controla los loops de feedback en producción. OpenAI aprende de millones de usuarios de ChatGPT cada día. Anthropic aprende de deployments enterprise en legal tech y health tech. xAI aprende de la actividad de X. DeepMind aprende de datasets estáticos y experimentos internos. Esa diferencia en velocidad de aprendizaje es insalvable solo con arquitectura.
Conclusión: el final de una era
DeepMind cambió el mundo. AlphaGo demostró que las máquinas podían superar la intuición humana en dominios complejos. AlphaFold aceleró la investigación biomédica una década. Transformer sentó las bases de lo que usamos hoy en LLMs. Pero en 2026, liderar en IA ya no es publicar el paper más elegante. Es retener al mejor talento, lanzar modelos regularmente, y ganar en producción.
Google tiene los recursos para recuperar el liderazgo. Tiene la infraestructura. Tiene los datos. Pero no tiene la cultura ni la velocidad. Y en IA, la velocidad lo es todo. Mientras DeepMind espera seis meses para aprobar un experimento, Anthropic ya lanzó tres versiones nuevas. Mientras discuten en comités, OpenAI ya tiene feedback de 200 millones de usuarios.
La pregunta no es si DeepMind puede seguir haciendo ciencia de frontera. La pregunta es si eso importa cuando nadie usa tus modelos en producción.
¿Crees que DeepMind puede recuperar el liderazgo en 2026, o el éxodo de talento ya selló su destino como laboratorio de investigación académica dentro de Google?