En voksende oppfatning i Silicon Valley antyder at fremskrittene innen store AI-modeller kan avta, noe som potensielt påvirker den forventede ankomsten av menneskelignende AI. Opprinnelig ble det antatt at med nok data og datakraft ville kunstig generell intelligens (AGI) naturlig oppstå. Denne troen førte til store investeringer fra teknologigiganter, som OpenAI som har samlet inn 6, 6 milliarder dollar og Elon Musks xAI som har skaffet midler til avanserte Nvidia-brikker. Imidlertid observerer innsiderne nå at disse store språkmodellene (LLM) ikke forbedres så raskt som forventet, selv med betydelige investeringer. Kritikere som Gary Marcus hevder at LLM som når AGI alltid har vært en myte. En utfordring er den begrensede mengden språkbaserte data tilgjengelige for AI-trening, noe som skaper en potensiell mur mot videre fremskritt.

Noen eksperter, som Sasha Luccioni, mener at industriens fokus på modellstørrelse fremfor hensikt har stagnert fremdriften. Til tross for disse bekymringene opprettholder ledere i AI-industrien en optimistisk holdning om å nå AGI til slutt. OpenAIs strategiskifte, på grunn av langsommere enn forventet forbedringer, involverer å forbedre nåværende modellers evner i stedet for å stole utelukkende på økt datamengde og datakraft. Deres nye o1-modell fokuserer på å forbedre resonnement for mer presise svar. OpenAI og andre foreslår at det er på tide å foredle eksisterende AI-kapasiteter for spesifikke oppgaver, omtrent som å bruke ild effektivt i stedet for bare å legge til mer brensel. Dette gjenspeiler ideen om å gå fra å gjøre hyppige feil til gjennomtenkt problemløsning, lik hvordan studenter opplever overgangen under deres utdanningsreise.