Un estudiante le pide a su móvil que le resuma un artículo. Un médico consulta un sistema que cruza miles de casos clínicos en segundos. Un conductor activa el piloto automático y aparta las manos del volante. Nada de esto parece hoy extraordinario. Sin embargo, cada una de esas acciones depende de una tecnología que, hace apenas setenta años, no existía ni siquiera como palabra.
Entre un taller de verano celebrado en 1956 y este presente saturado de asistentes y algoritmos media una transformación que se ha colado en la vida cotidiana casi sin pedir permiso. La pregunta ya no es si la inteligencia artificial está entre nosotros, sino cómo llegamos hasta aquí sin reparar del todo en ello.
El nacimiento de una idea: de la lógica formal a la Conferencia de Dartmouth
La expresión «inteligencia artificial» no surgió de un momento de inspiración espontánea. Fue acuñada formalmente en 1955 por John McCarthy, Marvin Minsky y Claude Shannon en la propuesta para la Conferencia de Dartmouth de 1956. Su objetivo era claro: separar esta nueva disciplina del campo de los autómatas y señalar la creación de máquinas capaces de realizar tareas similares a la inteligencia humana. McCarthy admitiría años después que el término resultaba más apropiado para obtener subvenciones que el original de «estudios de autómatas».
Las raíces, sin embargo, se hunden mucho más atrás. Aristóteles describió las primeras reglas de razonamiento. Ctesibio de Alejandría construyó una máquina autocontrolada hacia el 250 a. C. Ramon Llull imaginó en 1315 que el razonamiento podía efectuarse de manera artificial. Ada Lovelace previó en 1840 que las máquinas podrían ir más allá del simple cálculo. Y en 1936, Alan Turing diseñó formalmente una máquina universal que demostraba la viabilidad de un dispositivo físico para implementar cualquier cómputo.
En Dartmouth se hicieron previsiones triunfalistas a diez años que jamás se cumplieron. Aquel fracaso provocó el abandono casi total de las investigaciones durante quince años. Aun así, los primeros hitos ya estaban ahí: el Logic Theorist de 1955, capaz de demostrar teoremas matemáticos; el lenguaje LISP en 1958; y el perceptrón de Rosenblatt en 1959.
De los sistemas expertos al aprendizaje profundo: la transformación silenciosa
Durante los años sesenta y setenta, la IA avanzó a trompicones con los sistemas expertos. DENDRAL asistía a químicos con estructuras complejas. MYCIN ayudaba a médicos a diagnosticar infecciones sanguíneas. Eran programas rígidos, basados en reglas predefinidas, pero funcionaban en dominios muy concretos. La promesa de una inteligencia general seguía lejana.
El punto de inflexión llegó en 2012. Geoffrey Hinton y su equipo ganaron el certamen ImageNet y sistematizaron los desarrollos en redes neuronales, atrayendo la atención de Google, Microsoft e IBM. Aquel año marcó el despegue del aprendizaje profundo. Google contrató a Hinton en 2014 y adquirió DeepMind al año siguiente.
Los hitos mediáticos se sucedieron. Deep Blue venció a Kaspárov en 1997. Watson ganó Jeopardy! en 2011. AlphaGo derrotó a Lee Sedol en 2016, y AlphaZero aplastó a Stockfish tras solo cuatro horas de entrenamiento jugando contra sí mismo. En 2017, un grupo de ingenieros de Google inventó la arquitectura transformadora, que alumbró una nueva generación de modelos de lenguaje como BERT y, después, GPT.
La era ChatGPT: cuando la IA salió del laboratorio y entró en la conversación global
A finales de 2022 se lanzó ChatGPT. En dos meses superó los 100 millones de usuarios, un récord histórico de adopción. La IA generativa dejó de ser un asunto de laboratorio para convertirse en una herramienta cotidiana. Estos sistemas crean texto, imágenes, audio y vídeo a partir de instrucciones o «prompts». Gemini, Claude, Midjourney, DALL-E, Sora o Suno AI son solo algunos ejemplos.
Pero la euforia trajo consigo un problema incómodo. Los expertos detectaron pronto las «alucinaciones»: respuestas erróneas redactadas con total credibilidad. El sistema no miente de forma deliberada, pero genera información falsa que parece impecable. La confusión entre lo verosímil y lo verdadero se hizo evidente.
En 2023, las imágenes generadas por IA alcanzaron un realismo inquietante. La foto falsa del papa Francisco con un elegante abrigo blanco, creada con Midjourney, fue creída por muchos espectadores. La frontera entre lo auténtico y lo sintético empezó a desdibujarse.
El coste oculto: agua, energía y la huella ecológica de la inteligencia artificial
Detrás de cada respuesta de un modelo generativo hay un coste material que rara vez se ve. El entrenamiento y la operación de estos sistemas exigen un consumo de energía eléctrica y agua sumamente elevado. Esto incrementa las emisiones de carbono y presiona las redes eléctricas actuales.
Un informe de la ONU de junio de 2026 advirtió que el consumo energético e hídrico de la IA proyectaba alcanzar en 2030 el equivalente al agua potable necesaria para abastecer a 1.300 millones de personas. La escala del problema es difícil de asimilar.
El impacto se mide también a nivel individual. Según el observatorio del Instituto para el Futuro de la Educación, una sola sesión de 20 a 50 preguntas en ChatGPT consume cerca de medio litro de agua. Ante esta realidad, ha surgido el debate sobre la «IA verde», con propuestas de energía 100 % libre de carbono y balance hídrico positivo.
La divergencia cognitiva: qué le pasa a tu cerebro cuando delegas en la máquina
Un investigador de Stanford ha acuñado un concepto incómodo: la «divergencia cognitiva». Su equipo demostró que entre 2017 y 2025 las pantallas contextuales de la IA se multiplicaron por 3.906, mientras la atención humana se redujo a una tasa similar. La máquina amplía su capacidad de procesar información al mismo ritmo que la nuestra se encoge.
La analogía es sencilla. La cognición funciona como la musculatura: si dejas de entrenarla, su capacidad se reduce. Cuanto más delegas en la IA, mayor es el deterioro. Los datos de la «amplitud contextual efectiva» lo ilustran. En 2004, una persona retenía en promedio unas 16.000 unidades de información en su memoria de trabajo. En 2026, la cifra ha caído a apenas 1.800. Mientras tanto, la IA pasó de 512 tokens a 2.000.000.
No solo se delegan tareas complejas. El umbral de lo que entregamos a la máquina también se reduce. La memoria, la comprensión lectora y la capacidad de síntesis caen en desuso. El riesgo no es que la IA piense por ti, sino que dejes de pensar del todo.
Regular lo incontrolable: leyes, miedos y el futuro que se decide ahora
En marzo de 2023, Elon Musk, Steve Wozniak, Yuval Noah Harari y cientos de académicos firmaron una carta abierta pidiendo una pausa de al menos seis meses en los experimentos más potentes de IA. Dos meses después, 350 ejecutivos e investigadores firmaron un manifiesto que equiparaba el riesgo de extinción por IA con las pandemias y la guerra nuclear.
La regulación avanza, aunque con lentitud. La Comisión Europea presentó en 2021 una propuesta de Reglamento para armonizar la IA en la Unión. El comité ISO/IEC JTC 1/SC 42 publica normas técnicas internacionales. En México, el asistente Sor Juana ayuda en la Suprema Corte, y en 2026 dos jurisprudencias fijaron elementos mínimos para el uso ético de la IA en juicios de amparo.
Queda un debate de fondo: si las IA avanzadas podrían ser reconocidas como sujetos jurídicos limitados, con capacidad de tributar y asumir responsabilidades civiles. No se trata de equipararlas a los humanos, sino de crear una arquitectura funcional que canalice las consecuencias de su producción autónoma. Las decisiones que se tomen ahora definirán el paisaje de las próximas décadas.
