Yann LeCun: vida, frases y su apuesta contra los LLM
Tabla de contenidos
En marzo de 2026, un profesor de 65 años levantó 1.030 millones de dólares para una empresa sin producto. La prensa la describió como la mayor ronda semilla de una empresa europea.
Su tesis cabe en una línea: los modelos de lenguaje que usas cada día no van a llegar a ser inteligentes, por mucho que crezcan. Lo dice uno de los tres «padrinos» del deep learning. El que inventó las redes convolucionales, ganó el premio Turing y dirigió la investigación en IA de Meta durante doce años.
Yann LeCun no es CEO de nada. En su propia empresa, AMI Labs, es presidente ejecutivo y deja la gestión a otro. Lo suyo es investigar y discutir. Y discute mucho: con Elon Musk, con Dario Amodei, con sus compañeros de premio Geoffrey Hinton y Yoshua Bengio, y con casi toda la industria que construye agentes sobre LLM.
Si programas con IA, te interesa por dos motivos. El primero, que una parte de lo que usas viene de su trabajo: desde el OCR que lee tus documentos hasta los modelos de pesos abiertos que te puedes descargar. El segundo, que es la voz más seria que sostiene que el camino actual tiene techo. Si acierta, las herramientas con las que trabajarás en 2030 serán otras.
Este es su perfil completo: de dónde viene, qué construyó, qué dice, en qué ha fallado y en qué acertó antes que nadie.

Ficha rápida de Yann LeCun ¶
| Nombre | Yann LeCun (a veces escrito Le Cun) |
| Nacimiento | 8 de julio de 1960, Soisy-sous-Montmorency (Francia) |
| Formación | Ingeniero por la ESIEE de París y doctor por la Universidad Pierre y Marie Curie (1987) |
| Gran aportación | Las redes neuronales convolucionales (CNN) y LeNet, en Bell Labs |
| Cargos | Fundador de FAIR y científico jefe de IA en Meta (2013-2025), profesor en NYU desde 2003 |
| Ahora | Presidente ejecutivo de AMI Labs, su startup de «modelos del mundo» |
| Premio | Turing 2018, compartido con Geoffrey Hinton y Yoshua Bengio |
| Gran apuesta | JEPA: IA que aprende cómo funciona el mundo en lugar de predecir la siguiente palabra |
| Seña de identidad | Discute en público con cualquiera, empezando por los que más dinero mueven en la IA |
¿Quién es Yann LeCun? ¶
Yann LeCun es el investigador francés que inventó las redes neuronales convolucionales, la base de la visión por ordenador moderna, y que defiende que los grandes modelos de lenguaje son un callejón sin salida para llegar a una IA de nivel humano. Ganó el premio Turing de 2018 con Geoffrey Hinton y Yoshua Bengio, fundó el laboratorio de investigación en IA de Facebook y en 2026 creó AMI Labs para construir la alternativa.
Durante doce años fue el científico más visible de Meta. Empujó para que la empresa publicara su investigación y sus modelos, y la familia Llama salió de esa cultura. Mientras tanto, repetía en cada conferencia que esos mismos modelos no entienden el mundo.
Para LeCun, los LLM son buenas herramientas y un mal camino hacia la inteligencia. Por eso puede defender Llama y criticar los LLM en la misma charla.
La cronología: los hitos de una vida en 15 fechas ¶
| Año | Hito | Por qué importa al software |
|---|---|---|
| 1960 | Nace en Soisy-sous-Montmorency, al norte de París | — |
| 1987 | Doctorado en París y posdoc con Geoffrey Hinton en Toronto | Trabaja en una variante del backpropagation, el algoritmo con el que se entrena casi toda red neuronal |
| 1988 | Entra en Bell Labs | Allí desarrollará las redes convolucionales |
| 1989 | Publica las CNN aplicadas a códigos postales escritos a mano | Nace la arquitectura de la visión por ordenador moderna |
| 1998 | LeNet-5 y el dataset MNIST | MNIST se convierte en el «hola mundo» del machine learning |
| 2003 | Profesor en la Universidad de Nueva York (NYU) | Mantiene vivas las redes neuronales cuando el campo las da por muertas |
| 2012 | AlexNet, una CNN, gana ImageNet | Su arquitectura de 1989 desata el boom del deep learning |
| 2013 | Funda FAIR, el laboratorio de IA de Facebook | Investigación abierta: papers y código publicados |
| 2019 | Recibe el premio Turing (edición de 2018) | Reconocimiento al deep learning, con Hinton y Bengio |
| 2022 | Publica su propuesta de JEPA; Galactica dura tres días | Plantea la alternativa a los LLM |
| 2023 | Meta publica Llama | Los modelos de pesos abiertos que puedes descargar y ejecutar en local |
| 2024 | Pelea con Musk en X y pide a los estudiantes que no trabajen en LLM | Su crítica a los LLM llega al gran público |
| 2025 | Davos: «en cinco años nadie usará LLM como pieza central». En noviembre anuncia que deja Meta | — |
| 2026 | AMI Labs levanta 1.030 millones de dólares | La apuesta más grande contra el paradigma de los LLM |
| 2026 | Choca con Dario Amodei por el empleo | Pide escuchar a economistas, no a los fundadores de IA |
¿De dónde viene Yann LeCun? ¶
De un suburbio al norte de París y de una obsesión de adolescente: entender cómo aprende un cerebro. Estudió ingeniería eléctrica en la ESIEE de París y se doctoró en 1987 en la Universidad Pierre y Marie Curie.
En su tesis trabajó en una forma de propagación hacia atrás del error, el algoritmo que hoy usa casi toda red neuronal para aprender. Por esa época el campo estaba muerto en la práctica. Las redes neuronales eran un tema de nicho, con mala fama y pocos fondos.
Ese trabajo le llevó a Toronto, al grupo de Geoffrey Hinton, para un posdoctorado entre 1987 y 1988. Es el inicio de una relación de casi cuarenta años: colegas, amigos, premiados juntos y, desde 2023, rivales públicos en el debate sobre los riesgos de la IA.
En 1988 se fue a Bell Labs, en Nueva Jersey. Allí pasó la década que le daría el premio Turing.
¿Qué son las redes convolucionales y por qué las inventó? ¶
Una red convolucional es una red neuronal que mira una imagen por trozos pequeños y reutiliza los mismos filtros en toda ella, en lugar de conectar cada píxel con todo. LeCun la presentó en 1989 para leer códigos postales escritos a mano y la refinó durante una década hasta LeNet-5, en 1998.
La idea tiene tres piezas que cualquier developer entiende:
- Filtros pequeños que se repiten: un detector de bordes vale igual en la esquina de arriba que en la de abajo. Se aprende una vez y se aplica en toda la imagen. Menos parámetros, menos datos necesarios.
- Capas que suben de nivel: las primeras detectan bordes, las siguientes formas, las últimas dígitos o caras.
- Reducción progresiva: cada capa resume la anterior, así que la red tolera que el número esté un poco movido o torcido.
El sistema salió del laboratorio. Según su propia biografía, a principios de los 2000 la tecnología de lectura de cheques en la que trabajó procesaba entre el 10 y el 20 % de todos los cheques de Estados Unidos.
Junto a LeNet-5 publicó MNIST: 70.000 dígitos escritos a mano que se convirtieron en el ejercicio con el que medio mundo ha aprendido machine learning. Si alguna vez has seguido un tutorial de redes neuronales, es probable que empezara con MNIST.
🧠 Las CNN se pasaron una década en la sombra. En 2012, AlexNet, una red convolucional entrenada en GPU, ganó ImageNet y arrastró a todo el campo. La idea de LeCun de 1989 era la correcta: le faltaban datos y potencia de cálculo. Lo cuentan desde el otro lado en el perfil de Jensen Huang, el CEO de las GPU sobre las que se entrenó.
¿Por qué siguió con las redes neuronales cuando nadie las quería? ¶
Porque estaba convencido de que aprender de los datos acabaría ganando a programar reglas a mano, y aguantó dos décadas hasta que los resultados le dieron la razón. Entre finales de los 90 y 2012, la comunidad de machine learning prefería otros métodos, como las máquinas de vectores de soporte, con matemáticas más limpias y mejores resultados en los benchmarks de la época.
En 1996 pasó a dirigir investigación en procesado de imagen en AT&T Labs, donde también trabajó en DjVu, un formato de compresión de documentos escaneados. En 2002 se fue a NEC y en 2003 a la Universidad de Nueva York, donde sigue siendo profesor.
Esos años explican su carácter. LeCun, Hinton y Bengio pasaron años publicando sobre algo que el resto del campo consideraba una vía muerta. Cuando el deep learning explotó, los tres quedaron como los que tenían razón. LeCun ha llevado esa lección a todo lo que ha hecho después: no le asusta ir contra el consenso. Hoy el consenso son los LLM.
¿Qué hizo en Facebook y en Meta? ¶
Fundó en diciembre de 2013 FAIR, el laboratorio de investigación en IA de Facebook, y lo montó con reglas de universidad: publicar los resultados, liberar el código y dejar a los investigadores elegir sus problemas. En 2018 pasó a ser científico jefe de IA de la empresa.
De FAIR salieron proyectos que usas aunque no lo sepas. El más conocido para un developer es PyTorch, el framework de deep learning que nació en el laboratorio y que hoy está detrás de buena parte de los modelos que entrenan otras empresas.
En febrero de 2023 Meta publicó LLaMA, una familia de modelos de lenguaje para investigadores. A la semana, los pesos se filtraron en 4chan. En julio de ese año Llama 2 salió ya con licencia que permitía uso comercial. LeCun fue el defensor más ruidoso de esa estrategia: modelos abiertos para que la IA no quedara en manos de dos o tres empresas.
💬 Cuando ejecutas un modelo en local con Ollama o lo pruebas desde Claude Code con modelos gratuitos, estás aprovechando un ecosistema de pesos abiertos que Llama impulsó como nadie en 2023.
No todo salió bien. En noviembre de 2022, dos semanas antes de ChatGPT, Meta lanzó Galactica, un modelo entrenado con literatura científica. Inventaba citas y artículos con total seguridad. La demo duró tres días. Cuando la retiraron, LeCun escribió en X: “¿Contentos?”. A mucha gente le pareció que culpaba a los críticos en lugar de al modelo.
La caída de Llama 4 y la salida de Meta ¶
En abril de 2025 Meta lanzó Llama 4 y la acogida fue mala. La comunidad sospechó que los resultados de algunos benchmarks no correspondían al modelo publicado. Zuckerberg reorganizó la IA de la empresa, creó Meta Superintelligence Labs y puso al frente a Alexandr Wang, el fundador de Scale AI. LeCun pasó a depender de él.
En noviembre de 2025, el Financial Times publicó que LeCun dejaba Meta para fundar una startup, y Meta lo confirmó poco después. En la entrevista que publicó ese mismo diario a principios de enero de 2026 fue mucho más lejos de lo habitual:
- Sobre Llama 4: “Los resultados se maquillaron un poco”. Dijo que el equipo había usado modelos distintos para benchmarks distintos.
- Sobre Wang: lo llamó “joven” e “inexperto”.
- Sobre su salida: “A un investigador como yo no le dices lo que tiene que hacer.”
¿Qué es JEPA y por qué cree que los LLM no bastan? ¶
JEPA (Joint Embedding Predictive Architecture) es la arquitectura que LeCun propone para que una IA aprenda cómo funciona el mundo: en lugar de predecir el siguiente token o el siguiente píxel, predice una representación abstracta de lo que va a pasar. La publicó en junio de 2022 en un documento titulado «A Path Towards Autonomous Machine Intelligence».
Para entenderla, hay que empezar por lo que critica.
Un LLM es autorregresivo: genera texto palabra a palabra, prediciendo cuál viene después según todo lo anterior. Es la base de los modelos con los que trabajas, y ya lo explicamos con calma en los conceptos clave de los modelos de lenguaje. LeCun le pone cuatro pegas:
- Solo aprende de texto, y el texto es una fuente pobre comparada con lo que ve y toca un niño en sus primeros años.
- No tiene un modelo del mundo físico: sabe describir que un vaso se cae, pero no lo ha aprendido como lo aprende un gato.
- No planifica: genera la respuesta según escribe, sin probar mentalmente varias opciones antes de elegir.
- Los errores se acumulan: cada token mal elegido condiciona el siguiente.
JEPA cambia el objetivo del entrenamiento. Recibe una observación (por ejemplo, un trozo de vídeo), la convierte en una representación compacta y aprende a predecir la representación de lo que falta o de lo que viene. No intenta adivinar cada píxel, que es imposible, sino lo esencial. Con esa capacidad de predecir, un sistema puede planificar: imaginar qué pasará si hace A o B y elegir.
Meta publicó varias versiones bajo su dirección: I-JEPA para imágenes en 2023, V-JEPA para vídeo en 2024 y V-JEPA 2 en junio de 2025, ya orientada a que un robot planifique acciones.
En marzo de 2026, LeCun firmó con investigadores de Mila, NYU y Brown el paper de LeWorldModel: un modelo del mundo de 15 millones de parámetros que se entrena desde los píxeles en una sola GPU. Una cifra minúscula frente a los cientos de miles de millones de parámetros de un LLM grande.
🧠 Para un developer, la lección está en saber qué hace tu herramienta, más que en elegir bando. Un agente de programación sobre un LLM no planifica como planificas tú: escribe y corrige. Por eso funciona mucho mejor cuando le das tú el plan.
Si el modelo no planifica, que el plan lo pongas tú
En seis vídeos haces el ciclo completo de Spec-Driven Development con OpenSpec sobre un proyecto que ya existe: propuesta, spec, diseño y tareas antes de que el agente toque una línea.
Empieza el curso gratis →¿Qué es AMI Labs? ¶
AMI Labs (Advanced Machine Intelligence) es la startup que LeCun fundó al salir de Meta para construir modelos del mundo basados en JEPA. Tiene sede en París y equipos en Nueva York, Montreal y Singapur.
El 10 de marzo de 2026 anunció una ronda semilla de 1.030 millones de dólares con una valoración previa de 3.500 millones. La prensa la describió como la mayor ronda semilla de una empresa europea. Entre los inversores publicados están Nvidia y Bezos Expeditions, el fondo de Jeff Bezos.
LeCun es presidente ejecutivo. El CEO es Alexandre LeBrun, fundador de la startup de salud Nabla. El reparto encaja con su perfil: él marca la dirección científica y discute en público. Otro lleva la empresa.
La hoja de ruta que ha explicado tiene tres fases. Primero, publicar investigación. Después, modelos del mundo para la industria: detectar anomalías, prever fallos de máquinas, simular tratamientos médicos con Nabla. Al final, la inteligencia que controle robots y vehículos. No fabricarán hardware.
AMI ha prometido publicar papers y liberar parte de su código, como FAIR. A la hora de escribir esto no ha lanzado ningún modelo propio como producto. En una entrevista con La Tribune en 2026, LeCun reconoció que el laboratorio, ya con entre 50 y 60 investigadores, todavía no tenía nada que vender.
¿Cómo trabaja Yann LeCun? ¶
Como un profesor universitario con altavoz: publica, enseña y discute en abierto. No dirige empresas ni equipos de producto. Su trabajo es fijar la dirección de investigación y defenderla.
Estos son los rasgos que más repite:
- Investigación abierta como regla. En FAIR exigió publicar y liberar código. Su argumento es práctico: la ciencia avanza más rápido cuando todo el mundo puede revisar y construir sobre lo tuyo. Y una IA cerrada concentra demasiado poder.
- Aprender sin etiquetas. En la conferencia NIPS de 2016 usó una imagen que se hizo famosa: si la inteligencia es una tarta, el aprendizaje no supervisado es el bizcocho, el supervisado es la cobertura y el aprendizaje por refuerzo es la guinda. Cambió el nombre a «autosupervisado», pero la idea es la misma que hay detrás de JEPA.
- Ir contra el consenso con argumentos técnicos. Su crítica a los LLM no es una opinión de sobremesa: viene con una arquitectura alternativa, papers y ahora una empresa.
- Discutir en redes sin filtro. X, Threads y LinkedIn son su púlpito. Ahí han nacido casi todas sus polémicas.
¿Por qué es tan polémico? ¶
Porque lleva años diciendo que casi todo el sector se equivoca, y lo dice con nombres y apellidos. Seis peleas lo retratan bien.
Contra el miedo a la IA (desde 2023). Cuando Hinton y Bengio empezaron a advertir de riesgos existenciales, LeCun fue la voz contraria más dura. Las advertencias le parecían “absurdamente ridículas”, según declaraciones recogidas por la prensa en junio de 2023. Llegó a escribir que sus dos compañeros de premio estaban ayudando sin querer a quienes querían restringir la investigación abierta. En una entrevista con el Wall Street Journal de octubre de 2024 lo resumió así: “Perdona mi francés, pero eso es una completa tontería.” Su argumento: hoy la IA es menos lista que un gato doméstico.
Contra Timnit Gebru (junio de 2020). Un modelo que reconstruía caras pixeladas convirtió una foto de Barack Obama en la de un hombre blanco. LeCun dijo que el sesgo venía de los datos; Timnit Gebru le respondió que el sesgo no se reduce a los datos. La discusión se volvió tan agria que LeCun anunció que dejaba Twitter durante un tiempo.
Contra Elon Musk (mayo de 2024). Musk publicó una oferta de empleo para xAI y LeCun criticó cómo trata a los científicos. Musk le preguntó qué ciencia había hecho últimamente. LeCun respondió con un enlace a su Google Scholar: más de 80 artículos técnicos desde enero de 2022. La discusión duró días.
Contra los LLM como futuro. En mayo de 2024, durante VivaTech en París, aconsejó a los estudiantes no trabajar en LLM porque “eso está en manos de las grandes empresas, no hay nada que puedas aportar”. Mucha gente lo leyó como un desprecio a lo que estaba construyendo medio sector.
Contra Dario Amodei (abril de 2026). El CEO de Anthropic, el mismo que ha pedido frenar la IA, llevaba tiempo avisando de que la IA podía acabar con la mitad de los empleos de entrada de oficina en pocos años. LeCun le contestó en X que no sabe “absolutamente nada” de cómo las revoluciones tecnológicas afectan al mercado laboral.
Contra su antigua empresa (enero de 2026). Lo de Llama 4 y Alexandr Wang en el Financial Times. Pocas veces un exdirectivo habla así de su empresa semanas después de irse.
Entre los que dicen que la IA te va a sustituir mañana y los que dicen que no hay para tanto, tú necesitas saber qué usar el lunes. Cada domingo enviamos 12 recursos sobre programación con IA a +7.500 developers. Gratis desde 2018.
Apúntate gratis →¿Qué dice Yann LeCun sobre programar y el trabajo de los developers? ¶
Que la IA no va a dejar sin trabajo a los programadores a corto plazo y que hay que desconfiar de quien vende el apocalipsis laboral, empezando por los fundadores de empresas de IA. Es la otra cara de su crítica técnica: si los LLM no son tan listos como dicen, tampoco van a sustituirte tan rápido.
Su respuesta a Amodei en abril de 2026 incluía una frase que vale para cualquier debate sobre empleo:
“No le escuchéis a él, ni a Sam, ni a Yoshua, ni a Geoff, ni a mí sobre este tema. Escuchad a los economistas que se han pasado la carrera estudiándolo.”
Cuando alguien le señaló que la entrevista de Amodei era antigua, insistió: “Sigue siendo incorrecto, destructivo y peligroso.” En mayo, en una entrevista con Axios, calificó de “ridículamente estúpida” la idea de que la IA borre el 20 % de los empleos. Su tesis es histórica: las tecnologías tardan unos quince años en traducirse en productividad, y por el camino unos trabajos desaparecen y otros nacen.
Sus predicciones técnicas han envejecido peor. En el foro de Davos de enero de 2025 dijo que la vida útil del paradigma actual era “bastante corta, probablemente de tres a cinco años” y que en cinco años “nadie en su sano juicio los usará, al menos no como componente central de un sistema de IA”.
Casi dos años después, los LLM son el centro de los agentes de programación más usados: Claude Code, Codex, OpenCode, Cursor. Le queda margen, porque el plazo acaba en 2030. Pero hoy la apuesta va en su contra.
La crítica más repetida es que confunde «no es inteligencia humana» con «no es útil». Un agente que no planifica como una persona puede escribir el 80 % de una feature si le das buen contexto. Él no lo niega. Lo que niega es que escalar ese mismo sistema lleve a algo que razone y entienda el mundo.
⚠️ Fíjate en el patrón: Amodei avisa de un tsunami laboral y vende LLM; LeCun dice que no hay para tanto y vende la alternativa a los LLM. Los dos tienen intereses. Por eso su consejo de leer a los economistas es el más útil del debate.
Audio premium
Ni el tsunami de Amodei ni la calma de LeCun: lo que de verdad le pasa a tu silla
El catálogo de pánicos del developer ante la IA, desactivados uno a uno con argumentos que funcionan en tu equipo, en tu empresa y en la cena del domingo.
Escuchar el audio →Para cuando el miedo al despido no te deja pensar
Las mejores frases de Yann LeCun ¶
Las traducciones son nuestras. Cada frase lleva dónde y cuándo la dijo.
- “¿Contentos?” En X, al retirarse la demo de Galactica, noviembre de 2022.
- “Perdona mi francés, pero eso es una completa tontería.” Sobre el riesgo existencial de la IA, Wall Street Journal, octubre de 2024.
- “Antes de preocuparnos por controlar una IA mucho más lista que nosotros, necesitamos tener al menos un indicio de diseño de un sistema más listo que un gato doméstico.” En X, 2024.
- “Si eres estudiante y te interesa construir la próxima generación de sistemas de IA, no trabajes en LLM.” En X, durante VivaTech, mayo de 2024.
- “Eso está en manos de las grandes empresas, no hay nada que puedas aportar.” VivaTech, mayo de 2024.
- “La vida útil del paradigma actual es bastante corta, probablemente de tres a cinco años.” Foro de Davos, enero de 2025.
- “En cinco años, nadie en su sano juicio los usará, al menos no como componente central de un sistema de IA.” Foro de Davos, enero de 2025.
- “A un investigador como yo no le dices lo que tiene que hacer.” Financial Times, enero de 2026.
- “Los resultados se maquillaron un poco.” Sobre los benchmarks de Llama 4, Financial Times, enero de 2026.
- “No le escuchéis a él, ni a Sam, ni a Yoshua, ni a Geoff, ni a mí sobre este tema. Escuchad a los economistas.” En X, abril de 2026.
- “Se puede sustituir la acumulación de conocimiento por comprensión. Eso es lo que hacen los modelos del mundo JEPA.” En X, noviembre de 2026.
¿Qué significa su apuesta para quien programa? ¶
De momento, nada que cambie tu trabajo del lunes: AMI Labs no tiene producto y los agentes que usas siguen siendo LLM. Lo que sí cambia es el mapa de riesgos a medio plazo.
- Si LeCun acierta, los asistentes que razonen y planifiquen de verdad vendrán de otra arquitectura. Lo que aprendas sobre prompts concretos caducará. Lo que aprendas sobre especificar bien, revisar y verificar, no.
- Si se equivoca, los LLM seguirán mejorando a base de escala y de herramientas alrededor (agentes, skills, memoria). Su crítica seguirá siendo útil para entender dónde fallan.
- En cualquier caso, los puntos débiles que él señala en los LLM (no planificar, acumular errores, no saber cuándo no saben) son los fallos que ves en tu agente de programación. Conocerlos te hace mejor usuario.
Y hay un detalle que conviene vigilar: AMI ha prometido código abierto. Si cumple, los primeros modelos del mundo útiles podrían llegar como Llama, para que los descargues y los pruebes.
Yann LeCun ha apostado 1.030 millones contra los LLM y vamos a seguir de cerca qué sale de AMI Labs. Si quieres enterarte sin perder horas, cada domingo enviamos 12 recursos sobre programación con IA a +7.500 developers. Gratis desde 2018.
Quiero esa dinamita 🧨Las entrevistas para conocer a Yann LeCun ¶
Si quieres escucharle a él, sin intermediarios, estas son las mejores conversaciones. Están ordenadas de más antigua a más reciente.
- Lex Fridman Podcast #36: «Deep Learning, ConvNets, and Self-Supervised Learning» (agosto de 2019). Sus orígenes, las CNN y por qué el aprendizaje autosupervisado es lo siguiente. Episodio.
- Lex Fridman Podcast #258: «Dark Matter of Intelligence and Self-Supervised Learning» (enero de 2022). La versión previa a JEPA de su crítica. Episodio.
- Lex Fridman Podcast #416: «Meta AI, Open Source, Limits of LLMs, AGI & the Future of AI» (marzo de 2024). La más completa: casi tres horas sobre los límites de los LLM, JEPA y el open source. Episodio y transcripción.
- Wall Street Journal: «This AI Pioneer Thinks AI Is Dumber Than a Cat» (octubre de 2024). El perfil de Christopher Mims con la frase del gato y la tontería del riesgo existencial. Crónica en Slashdot.
- Conferencia Lemley en la Universidad de Brown: «World Models: Enabling the AI Revolution» (abril de 2026). Su argumentario completo ya como presidente de AMI Labs. Crónica de Brown.
Y dos momentos en redes que explican al personaje:
- El cruce con Elon Musk de mayo de 2024, con su Google Scholar como respuesta. Crónica en VentureBeat.
- La respuesta a Dario Amodei sobre el empleo, en abril de 2026. Crónica en Business Today.
Qué podemos aprender los developers de Yann LeCun ¶
1. Tener razón pronto se parece mucho a estar equivocado. Las CNN pasaron veinte años en la sombra. Si tu idea es buena pero le falta contexto (datos, hardware, mercado), puede que solo sea cuestión de tiempo. O puede que no. La diferencia la ponen los resultados, no la convicción.
2. Entiende cómo funciona tu herramienta por dentro. Su crítica a los LLM es la mejor guía de por qué tu agente falla: no planifica, acumula errores y no sabe cuándo no sabe. Si lo tienes claro, sabrás cuándo darle un plan, cuándo partir la tarea y cuándo revisar dos veces.
3. Lo abierto escala. PyTorch, MNIST y Llama se usan en todo el mundo porque se publicaron. Si construyes algo que quieres que otros adopten, que lo puedan ver y tocar.
4. Discutir en público tiene coste. Galactica y el «¿Contentos?» le persiguen todavía. Defender tu trabajo está bien. Culpar a quien lo critica, no.
5. Desconfía de las predicciones de quien vende. Incluido él. Su «nadie usará LLM en cinco años» viene de alguien que fundó una empresa para sustituirlos.
TL;DR ¶
- Yann LeCun (Francia, 1960) inventó las redes neuronales convolucionales en Bell Labs a finales de los 80, la base de la visión por ordenador moderna.
- Ganó el premio Turing de 2018 con Geoffrey Hinton y Yoshua Bengio por el deep learning.
- Fundó FAIR en Facebook en 2013 y defendió la investigación abierta: de ahí salieron PyTorch y la estrategia de pesos abiertos de Llama.
- Sostiene que los LLM no llegarán a una inteligencia de nivel humano porque no tienen modelo del mundo ni planifican. Su alternativa se llama JEPA.
- Dejó Meta en noviembre de 2025 y en marzo de 2026 levantó 1.030 millones de dólares para AMI Labs, donde es presidente ejecutivo, no CEO.
- Es polémico por sus choques con Musk, con Amodei, con sus compañeros de premio y con su antigua empresa.
- Su predicción de que nadie usará LLM como pieza central en cinco años va, de momento, en su contra.
Preguntas frecuentes sobre Yann LeCun ¶
¿Quién es Yann LeCun? ¶
Es un investigador francés de IA, profesor en la Universidad de Nueva York y presidente ejecutivo de AMI Labs. Inventó las redes neuronales convolucionales y ganó el premio Turing de 2018. Fue científico jefe de IA de Meta hasta finales de 2025.
¿Por qué se considera a LeCun uno de los padrinos de la IA? ¶
Porque, junto a Geoffrey Hinton y Yoshua Bengio, mantuvo viva la investigación en redes neuronales cuando el resto del campo la había abandonado. Los tres recibieron el premio Turing por sentar las bases del deep learning, que es la tecnología detrás de los modelos actuales.
¿Qué inventó Yann LeCun? ¶
Las redes neuronales convolucionales (CNN), presentadas en 1989 en Bell Labs, y la arquitectura LeNet-5 de 1998. También creó el dataset MNIST y participó en el formato DjVu. Las CNN son la base del reconocimiento de imágenes moderno.
¿Qué es AMI Labs? ¶
Es la startup que LeCun fundó al salir de Meta para construir «modelos del mundo» basados en su arquitectura JEPA. Tiene sede en París y en marzo de 2026 levantó 1.030 millones de dólares. Su CEO es Alexandre LeBrun y todavía no tiene producto comercial.
¿Qué es JEPA? ¶
Son las siglas de Joint Embedding Predictive Architecture. Es una arquitectura que aprende a predecir representaciones abstractas de lo que va a pasar, en lugar de predecir el siguiente token como un LLM. LeCun cree que es el camino para que una IA entienda el mundo físico y planifique.
¿Por qué dice LeCun que los LLM son un callejón sin salida? ¶
Porque solo aprenden de texto, no tienen un modelo del mundo físico, no planifican antes de responder y acumulan errores al generar palabra a palabra. No niega que sean útiles: niega que escalarlos lleve a una inteligencia de nivel humano.
¿Por qué dejó Meta Yann LeCun? ¶
Anunció su salida en noviembre de 2025 para fundar AMI Labs. Se fue después de que Meta reorganizara su IA tras el fracaso de Llama 4 y le hiciera depender de Alexandr Wang. En el Financial Times dijo que a un investigador como él no se le dice lo que tiene que hacer.
¿Qué opina LeCun sobre la IA y los empleos de programador? ¶
Cree que las predicciones de despidos masivos son exageradas y dañinas. En abril de 2026 dijo que Dario Amodei no sabe nada de mercados laborales y pidió escuchar a economistas, no a los fundadores de empresas de IA, incluido él mismo.
¿Qué relación tiene con Geoffrey Hinton? ¶
Hinton fue su director de posdoctorado en Toronto entre 1987 y 1988, y compartieron el premio Turing. Desde 2023 discrepan en público: Hinton advierte de riesgos existenciales de la IA y LeCun los considera exagerados.
¿Es Yann LeCun CEO de AMI Labs? ¶
No. Es presidente ejecutivo y responsable de la dirección científica. El CEO es Alexandre LeBrun, que antes fundó la startup de salud Nabla.
Fuentes ¶
- Yann LeCun — Biografía oficial
- ACM — Yann LeCun, premio Turing
- TechCrunch — Yann LeCun’s AMI Labs raises $1.03 billion to build world models
- SiliconANGLE — Yann LeCun’s new startup AMI Labs raises $1.03B
- MIT Technology Review — Yann LeCun’s new venture is a contrarian bet against large language models
- The Decoder — “You certainly don’t tell a researcher like me what to do”
- Fast Company — Yann LeCun sobre Llama 4 y Zuckerberg
- Tom’s Hardware — LeCun deja Meta para fundar su startup
- arXiv — LeWorldModel: Stable End-to-End JEPA from Pixels
- MIT Technology Review — Why Meta’s latest large language model only survived three days online
- Wikipedia — Llama (language model)
- VentureBeat — LeCun critica a Elon Musk
- VentureBeat — LeCun a los estudiantes: no os centréis en los LLM
- VentureBeat — Hinton, Ng, LeCun y Bengio y el debate del riesgo existencial
- Verdict — LeCun llama “ridículas” a las advertencias sobre la IA
- TechCrunch — LeCun predice un nuevo paradigma en cinco años (Davos 2025)
- Business Today — LeCun responde a Dario Amodei
- Axios — AI godfather Yann LeCun’s blunt advice for the AI age
- Brown University — Yann LeCun, Lemley Lecture
- Lex Fridman Podcast #416 — Yann LeCun
- Yann LeCun en X — JEPA y conocimiento declarativo
Créditos de las imágenes ¶
- Laura Chaubard y Yann Le Cun, 2024, de Jérémy Barande / Ecole polytechnique. Licencia CC BY-SA 2.0, vía Wikimedia Commons. Recortada, redimensionada y convertida a WebP.
🧨 Última oportunidad para recibir la dinamita que mereces sobre programación con IA el próximo domingo: Suscríbete gratis a Web Reactiva en https://webreactiva.com/newsletter
12 recursos para developers cada domingo en tu bandeja de entrada
Además de una skill práctica bien explicada, trucos para mejorar tu futuro profesional y una pizquita de humor útil para el resto de la semana. Gratis.