Egyre inkább elterjedt hit Silicon Valley-ben, hogy a nagy AI modellek fejlesztése lassulhat, ami hatással lehet az emberi szintű AI várható érkezésére. Kezdetben azt feltételezték, hogy megfelelő mennyiségű adat és számítástechnikai kapacitás mellett a mesterséges általános intelligencia (AGI) természetes módon kialakul. Ez a hit ösztönözte a technológiai óriásokat arra, hogy jelentős beruházásokat hajtsanak végre, mint például az OpenAI 6, 6 milliárd dolláros támogatása és Elon Musk xAI vállalkozása, amely fejlett Nvidia chipekhez gyűjt forrást. Azonban, bennfentesek most azt tapasztalják, hogy ezek a nagy nyelvi modellek (LLM-ek) nem javulnak olyan gyorsan, mint várták, még jelentős beruházások mellett sem. A kritikusok, mint Gary Marcus, úgy vélik, hogy az LLM-ek AGI elérése mindig is csak mítosz volt. Egyik kihívás a korlátozott nyelvalapú adat, ami falat emelhet a további fejlődés elé.

Néhány szakember, például Sasha Luccioni, szerint az iparág túlzottan a modellek méretére összpontosított a cél helyett, ami akadályozta a haladást. Ezek ellenére az AI ipar vezetői optimisták maradnak az AGI elérésével kapcsolatban. Az OpenAI stratégiát váltott a vártnál lassúbb fejlődés miatt, és most a meglévő modellek képességeinek fejlesztésén dolgozik ahelyett, hogy kizárólag több adatban és számítási kapacitásban bízna. Új o1 modelljük a pontosabb válaszokért a gondolkodási képességek javítására összpontosít. Az OpenAI és mások azt javasolják, hogy itt az ideje, hogy a meglévő AI képességeket finomítsuk speciális feladatokhoz, mintha a tüzet hatékonyan használnánk, nem pedig csak több tüzelőanyagot adnánk hozzá. Ez tükrözi azt az elképzelést, hogy a gyakori hibákból való elmozdulást az átgondolt problémamegoldás felé kell venni, hasonlóan ahhoz, ahogy a diákok átlépnek a tanulási folyamatuk során.