Es un gesto casi banal: pides al asistente que redacte un correo, el coche frena solo ante un obstáculo imprevisto o un chatbot resuelve una incidencia sin intervención humana. La inteligencia artificial se ha integrado en lo cotidiano con una naturalidad que disimula su complejidad. Detrás de esa aparente espontaneidad no hay un solo avance reciente, sino más de siete décadas de conceptos encadenados que han ido madurando en silencio. Lo que hoy llamamos inteligencia artificial es, en realidad, una serie de tecnologías anidadas que se superponen y se potencian entre sí.
La idea de una máquina que piensa
La aspiración de crear máquinas inteligentes no nació ayer. Se remonta a la antigua Grecia, donde ya aparecían mitos sobre autómatas y seres artificiales dotados de razón. El punto de inflexión moderno, sin embargo, llega en 1950. Alan Turing publica Computing Machinery and Intelligence y plantea su famosa pregunta: ¿pueden pensar las máquinas?
A partir de ahí, Turing propone una prueba que hoy conocemos como el test de Turing. Una persona intenta distinguir entre la respuesta de un ordenador y la de un ser humano. Aunque esta prueba ha sido ampliamente debatida desde su publicación, sigue siendo un referente filosófico y lingüístico en la historia de la IA.
En 1956, John McCarthy acuña el término inteligencia artificial en la conferencia de Dartmouth. Poco después aparece el Logic Theorist, el primer programa informático de IA operativo. Aquel verano marcó el nacimiento oficial de un campo que tardaría décadas en madurar.
Capas anidadas: machine learning y deep learning
La IA puede entenderse como una serie de conceptos derivados que han surgido a lo largo de más de 70 años. Justo por debajo de ella está el machine learning, y dentro de este, el deep learning. No son sinónimos, sino capas que se superponen y se potencian entre sí.
El machine learning entrena algoritmos para hacer predicciones o tomar decisiones basadas en datos, sin programación explícita para cada tarea. En lugar de escribir reglas fijas, se alimenta al sistema con ejemplos y se deja que aprenda patrones por sí mismo.
Dentro de este campo destacan las redes neuronales artificiales, que imitan la estructura del cerebro humano. Están compuestas por nodos interconectados que procesan información de forma similar a las neuronas biológicas. Son especialmente buenas para identificar patrones complejos en grandes volúmenes de datos.
El deep learning va un paso más allá. Usa redes neuronales multicapa, a veces con cientos de capas ocultas, y permite el aprendizaje no supervisado. Esto significa que puede automatizar la extracción de características de datos no etiquetados, sin necesidad de intervención humana.
El salto generativo: cuando la IA empezó a crear
La IA generativa es un subconjunto del deep learning capaz de crear textos, imágenes, vídeos y audios originales a partir de las instrucciones del usuario. No se limita a clasificar o predecir: produce contenido nuevo que se parece al de sus datos de entrenamiento, pero no es idéntico.
Su funcionamiento se divide en tres fases. Primero se entrena un modelo fundacional, una red neuronal de miles de millones de parámetros que sirve de base para múltiples aplicaciones. Después se ajusta para una tarea específica de generación de contenido. Por último, se evalúa y refina de forma continua para mejorar su precisión y relevancia.
Los modelos fundacionales más comunes son los grandes modelos de lenguaje, los LLM. También existen modelos para imagen, vídeo, sonido y modelos multimodales que soportan varios tipos de contenido a la vez.
Entrenar un modelo fundacional es caro y lento. Requiere miles de GPU agrupadas, semanas de procesamiento y millones de dólares. Proyectos de código abierto como Llama-2 de Meta reducen esa barrera al permitir que los desarrolladores eviten este paso y sus costes.
Agentes autónomos: el siguiente paso lógico
Un agente de IA es un programa autónomo que diseña su propio flujo de trabajo y utiliza las herramientas disponibles para alcanzar objetivos sin intervención humana. No espera instrucciones constantes: actúa por su cuenta.
La IA agéntica coordina múltiples agentes para resolver tareas más complejas de lo que podría lograr un solo agente. Cada agente aporta una pieza y el sistema las orquesta para alcanzar un objetivo común.
A diferencia de los chatbots, los agentes no solo generan contenido. Toman decisiones, interactúan con otros sistemas y completan tareas. Un modelo generativo puede decirte cuál es el mejor momento para escalar el Everest. Un agente, además, reserva el vuelo y el hotel en Nepal.
La diferencia clave es la agencia: la capacidad de actuar de forma independiente y adaptarse a circunstancias cambiantes. Esa autonomía orientada a objetivos marca el salto de la generación a la acción.
Beneficios reales, riesgos concretos
La IA permite automatizar tareas repetitivas, mejorar la toma de decisiones y reducir errores humanos. También ofrece disponibilidad constante, 24 horas al día, con un rendimiento uniforme que no depende del cansancio ni de los turnos.
Elimina, asimismo, la exposición humana a tareas peligrosas. Desde la manipulación de explosivos hasta trabajos en aguas profundas o en el espacio exterior, los sistemas autónomos pueden asumir riesgos que antes recaían sobre personas.
Pero los riesgos son igual de concretos. El envenenamiento de datos, los ciberataques, la deriva del modelo, el sesgo algorítmico y las violaciones de privacidad figuran entre las amenazas más citadas. Un modelo entrenado con datos sesgados puede reforzar estereotipos y perjudicar a grupos enteros.
La ética de la IA y la gobernanza buscan maximizar el impacto positivo mientras se mitigan los resultados adversos. Principios como explicabilidad, equidad, robustez, transparencia y privacidad guían ese esfuerzo, que exige la participación de desarrolladores, usuarios, responsables políticos y especialistas en ética.
De la IA débil a la promesa de la IA fuerte
La IA débil o limitada está diseñada para tareas específicas. Asistentes de voz, chatbots o vehículos autónomos encajan en esta categoría. Son sistemas muy capaces en su dominio, pero no pueden transferir ese conocimiento a otros ámbitos.
La IA fuerte o general, la AGI, aspira a entender, aprender y aplicar conocimientos en una amplia gama de tareas al nivel humano o superior. Hoy es puramente teórica. Ningún sistema conocido se acerca a ese nivel de sofisticación.
Los investigadores sostienen que alcanzar la AGI requeriría un salto enorme en potencia de cálculo. Y los sistemas autoconscientes de la ciencia ficción siguen siendo, precisamente, ficción.
La historia reciente muestra hitos concretos: Deep Blue venció a Kasparov en 1997, Watson ganó en Jeopardy! en 2011 y AlphaGo derrotó al campeón de Go en 2016. Cada victoria amplió los límites de lo posible, pero ninguna se acercó a la inteligencia general.
El viaje continúa. Los modelos multimodales que combinan visión y lenguaje, los agentes que actúan por su cuenta y los modelos más pequeños y eficientes marcan las próximas fronteras. Lo que viene no será un salto repentino, sino otra capa que se asienta sobre las anteriores. Y tú, sin darte cuenta, ya formas parte de ese proceso.