Breve historia de la inteligencia artificial: de Alan Turing a la IA generativa
Hasta hace muy poco, la inteligencia artificial parecía pertenecer al futuro. La relacionábamos con robots, películas de ciencia ficción y máquinas capaces de pensar por sí mismas.
Sin embargo, la IA llevaba décadas entre nosotros. Ya intervenía cuando un buscador ordenaba sus resultados, una plataforma nos recomendaba una película, el correo detectaba un mensaje no deseado o el teléfono reconocía una cara.
Lo que cambió a partir de 2022 fue nuestra forma de relacionarnos con ella.
La llegada de herramientas capaces de conversar, escribir, programar y generar imágenes permitió que millones de personas utilizaran sistemas de inteligencia artificial sin necesidad de tener conocimientos técnicos. De repente, la IA dejó de actuar únicamente entre bastidores y apareció delante de nosotros en forma de chat.
Pero ChatGPT no surgió de la nada. Es el resultado de casi un siglo de investigación, periodos de entusiasmo, fracasos, falta de financiación y descubrimientos que fueron encajando poco a poco.
Esta es la historia de cómo hemos llegado hasta aquí.
¿Qué es realmente la inteligencia artificial?
La inteligencia artificial es una rama de la informática dedicada a desarrollar sistemas capaces de realizar tareas que solemos asociar con la inteligencia humana.
Entre ellas se encuentran:
- Reconocer imágenes y voces.
- Comprender y generar lenguaje.
- Detectar patrones.
- Clasificar información.
- Realizar predicciones.
- Resolver determinados problemas.
- Recomendar contenidos o productos.
- Tomar decisiones dentro de unos objetivos definidos.
- Crear texto, imágenes, audio, vídeo o código.
Esta definición abarca tecnologías muy diferentes. Un filtro que detecta correos no deseados, un sistema de recomendación y un modelo generativo pertenecen al ámbito de la IA, aunque su funcionamiento y sus capacidades sean muy distintos.
También conviene aclarar algo: que un sistema produzca una respuesta aparentemente inteligente no significa necesariamente que piense, comprenda o sea consciente como una persona.
Los sistemas actuales identifican patrones, calculan probabilidades y generan resultados a partir de su entrenamiento y de las instrucciones que reciben. Pueden realizar tareas sorprendentes, pero también equivocarse, inventar información o reproducir los sesgos presentes en los datos.
El antiguo sueño de crear seres inteligentes
La idea de construir seres artificiales capaces de actuar por sí mismos es mucho más antigua que los ordenadores.
En diferentes culturas encontramos relatos sobre estatuas que cobran vida, autómatas y criaturas construidas por seres humanos. Durante siglos, estas historias pertenecieron al territorio de la mitología, la filosofía o la imaginación.
En los siglos XVIII y XIX aparecieron distintos autómatas mecánicos que imitaban movimientos humanos o animales. Algunos eran auténticas obras de ingeniería; otros, como el famoso Turco ajedrecista, escondían un engaño.
Estas máquinas no poseían inteligencia, pero reflejaban una pregunta que nos sigue acompañando: ¿podemos reproducir mediante un artefacto alguna de las capacidades de la mente humana?
La posibilidad comenzó a adquirir una base científica durante la primera mitad del siglo XX, con el desarrollo de la lógica matemática, la teoría de la computación y las primeras máquinas programables.
Alan Turing y los fundamentos de la computación
En 1936, el matemático británico Alan Turing publicó On Computable Numbers, un trabajo en el que describió una máquina teórica capaz de ejecutar cualquier cálculo que pudiera expresarse mediante un algoritmo.
La conocida como máquina de Turing no era un ordenador físico, sino un modelo matemático. Aun así, permitió definir qué significa que un problema sea computable y sentó una parte esencial de las bases de la informática moderna.
Durante la Segunda Guerra Mundial, Turing también participó en los trabajos británicos para descifrar las comunicaciones alemanas protegidas mediante la máquina Enigma. Su aportación fue fundamental, aunque buena parte de ella permaneció en secreto durante años.
En 1950 publicó el artículo Computing Machinery and Intelligence, que comenzaba planteando una pregunta tan sencilla como difícil de responder: «¿Pueden pensar las máquinas?».
Como resultaba complicado definir qué significa exactamente pensar, Turing propuso sustituir la pregunta por una prueba basada en el comportamiento.
En el llamado juego de imitación, una persona mantiene una conversación escrita con dos interlocutores ocultos: otro ser humano y una máquina. Si no consigue distinguir con suficiente fiabilidad cuál es la máquina, se considera que esta ha mostrado un comportamiento inteligente.
La prueba de Turing no demuestra que una máquina comprenda, piense o tenga conciencia. Evalúa si su comportamiento conversacional puede parecer humano. Aun con sus limitaciones, tuvo una enorme influencia en el debate posterior sobre la inteligencia artificial.
Las primeras neuronas artificiales
Mientras Turing estudiaba la computación y el comportamiento inteligente, otros investigadores intentaban representar matemáticamente el funcionamiento del cerebro.
En 1943, Warren McCulloch y Walter Pitts propusieron un modelo simplificado de neurona artificial. Su trabajo mostró que una red formada por unidades muy sencillas podía realizar operaciones lógicas.
A finales de la década de 1950, Frank Rosenblatt desarrolló el perceptrón, un sistema capaz de aprender a clasificar ciertos patrones mediante ejemplos.
Aquellos modelos eran extremadamente simples comparados con las redes neuronales actuales. Sin embargo, introdujeron una idea fundamental: en lugar de programar todas las reglas de forma explícita, una máquina podía aprender determinados comportamientos a partir de datos.
1956: nace oficialmente la inteligencia artificial
El término «inteligencia artificial» apareció en una propuesta redactada en 1955 por John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon.
Los investigadores propusieron organizar durante el verano de 1956 un encuentro en Dartmouth College para estudiar la posibilidad de describir con tanta precisión aspectos del aprendizaje y de la inteligencia que una máquina pudiera simularlos.
El proyecto de Dartmouth suele considerarse el nacimiento de la inteligencia artificial como disciplina científica.
El optimismo era enorme. Algunos investigadores pensaban que problemas como el uso del lenguaje, el razonamiento o la visión artificial podrían resolverse en unas pocas décadas.
Pronto aparecieron programas capaces de demostrar teoremas, resolver rompecabezas o jugar a determinados juegos. Funcionaban bien dentro de escenarios muy controlados y produjeron la impresión de que las máquinas verdaderamente inteligentes estaban cerca.
La realidad resultó ser mucho más complicada.
ELIZA y la facilidad con la que atribuimos inteligencia
En 1966, Joseph Weizenbaum creó ELIZA en el MIT. Este programa podía mantener una conversación escrita imitando, en una de sus versiones más conocidas, el estilo de un psicoterapeuta.
ELIZA no comprendía lo que le decían. Detectaba determinadas palabras o estructuras y respondía mediante reglas previamente programadas. Cuando una persona escribía que estaba triste, por ejemplo, podía contestar con una pregunta relacionada con ese sentimiento.
A pesar de su sencillez, algunas personas sintieron que el programa las comprendía.
Weizenbaum se sorprendió por la facilidad con la que los usuarios proyectaban intenciones y empatía sobre una máquina. Este fenómeno, conocido como efecto ELIZA, continúa siendo muy relevante. También hoy podemos atribuir comprensión, personalidad o emociones a un sistema porque se expresa de una manera convincente.
Poco después aparecieron proyectos como SHRDLU, desarrollado por Terry Winograd. El sistema podía interpretar instrucciones escritas y manipular objetos dentro de un pequeño mundo virtual formado por bloques.
Estos programas eran impresionantes, pero tenían una limitación fundamental: funcionaban dentro de universos muy reducidos. Fuera de ellos, sus capacidades desaparecían.
Los primeros inviernos de la inteligencia artificial
Durante los primeros años se hicieron promesas que la tecnología disponible no podía cumplir.
Los ordenadores tenían poca capacidad de procesamiento, los datos digitalizados eran escasos y muchos problemas del mundo real resultaban demasiado complejos para los métodos existentes.
Cuando los resultados no alcanzaron las expectativas, disminuyeron la financiación y el interés. A estos periodos de desencanto se los conoce como inviernos de la inteligencia artificial.
El primero llegó durante la década de 1970. Las investigaciones no habían conseguido resolver problemas generales de comprensión del lenguaje, visión o razonamiento, y diferentes organismos redujeron su apoyo económico.
La IA volvería a despertar un gran interés durante los años ochenta gracias a los sistemas expertos.
Los sistemas expertos
Los sistemas expertos intentaban reproducir la toma de decisiones de especialistas humanos dentro de campos concretos.
Para conseguirlo, almacenaban conocimientos y reglas del tipo «si ocurre esto, entonces haz aquello». Se aplicaron a áreas como la medicina, la industria, la geología o la configuración de equipos informáticos.
Su éxito hizo que muchas empresas invirtieran en ellos. Sin embargo, construir y mantener aquellas enormes bases de reglas resultaba costoso. Los sistemas tenían dificultades cuando aparecía una situación no prevista y no aprendían con la flexibilidad que hoy asociamos al aprendizaje automático.
A finales de los ochenta y principios de los noventa, muchas iniciativas dejaron de ser rentables y llegó un segundo invierno de la IA.
La disciplina no desapareció. Sencillamente, la atención se desplazó hacia métodos más modestos, especializados y medibles.
Del software basado en reglas al aprendizaje automático
La inteligencia artificial tradicional dependía en gran medida de reglas programadas por seres humanos.
El aprendizaje automático o machine learning modificó este enfoque. En lugar de indicar al sistema todas las reglas necesarias para resolver una tarea, se le proporcionan ejemplos para que encuentre patrones y aprenda una función que le permita realizar predicciones.
Por ejemplo, para crear un filtro de correo no deseado no es necesario escribir una regla para cada posible mensaje. El sistema puede analizar numerosos correos previamente clasificados y aprender qué características aparecen con mayor frecuencia en el spam.
Esto no significa que la máquina aprenda como una persona. Aprende relaciones estadísticas dentro de unos datos y de un objetivo previamente establecido.
Durante los años ochenta se recuperó además el interés por las redes neuronales. La popularización del algoritmo de retropropagación permitió ajustar las conexiones internas de redes formadas por varias capas.
Aun así, todavía faltaban tres ingredientes para que estos sistemas alcanzaran todo su potencial: grandes cantidades de datos, ordenadores mucho más potentes y métodos capaces de entrenar redes profundas.
1997: Deep Blue derrota a Garry Kasparov
El ajedrez fue durante mucho tiempo uno de los grandes escenarios para medir el progreso de las máquinas.
En mayo de 1997, Deep Blue, el sistema desarrollado por IBM, derrotó al campeón mundial Garry Kasparov en un enfrentamiento de seis partidas. Fue la primera vez que un ordenador venció a un campeón mundial vigente en una competición con controles de tiempo reglamentarios.
Deep Blue podía evaluar una cantidad gigantesca de posiciones y combinar esa capacidad de cálculo con funciones de evaluación y conocimientos ajedrecísticos incorporados por especialistas.
Su victoria fue un acontecimiento histórico, pero no significaba que Deep Blue poseyera una inteligencia general. Era un sistema extraordinariamente eficaz en una tarea concreta: jugar al ajedrez.
La historia de Deep Blue recogida por IBM muestra una constante en la evolución de la IA: una máquina puede superar ampliamente a los seres humanos en un ámbito específico y seguir siendo incapaz de desenvolverse fuera de él.
Internet, los datos y las tarjetas gráficas cambian el escenario
Durante los años noventa y la primera década del siglo XXI se produjeron varios cambios que prepararon el siguiente gran salto.
Internet generó cantidades de datos que antes no existían. Los ordenadores aumentaron enormemente su capacidad y las tarjetas gráficas o GPU, desarrolladas inicialmente para procesar imágenes, demostraron ser muy eficaces para realizar los cálculos necesarios al entrenar redes neuronales.
La digitalización proporcionó millones de textos, fotografías, vídeos, voces y comportamientos de usuarios. Estos datos podían utilizarse para entrenar sistemas de reconocimiento, clasificación y predicción.
El aprendizaje automático comenzó a incorporarse a buscadores, plataformas de comercio electrónico, redes sociales, sistemas financieros y aplicaciones móviles.
La IA ya estaba entrando en nuestra vida cotidiana, aunque la mayoría de las veces no la viéramos.
2012: el despegue del aprendizaje profundo
En 2012, Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton presentaron AlexNet, una red neuronal profunda entrenada para clasificar imágenes.
El sistema obtuvo un resultado muy superior al de sus competidores en el desafío ImageNet, que contenía más de un millón de imágenes organizadas en mil categorías.
AlexNet no inventó las redes neuronales, pero demostró de forma contundente lo que podía conseguirse al combinar redes profundas, grandes conjuntos de datos y el procesamiento mediante GPU.
El artículo original de AlexNet marcó un punto de inflexión. A partir de entonces, el aprendizaje profundo o deep learning impulsó grandes avances en reconocimiento de imágenes, traducción automática, voz y procesamiento del lenguaje.
El deep learning es una rama del aprendizaje automático basada en redes neuronales con múltiples capas. Estas capas permiten aprender representaciones progresivamente más complejas de los datos.
2016: AlphaGo y el aprendizaje por refuerzo
El juego del Go suponía un desafío mucho mayor que el ajedrez para los métodos tradicionales de búsqueda debido a su enorme número de posibles posiciones.
En 2016, AlphaGo, desarrollado por DeepMind, derrotó al campeón Lee Sedol por cuatro partidas a una. El sistema combinaba redes neuronales profundas, búsqueda en árboles y aprendizaje por refuerzo.
El aprendizaje por refuerzo permite que un sistema aprenda mediante la relación entre sus acciones y las recompensas obtenidas. En el caso de AlphaGo, el programa mejoró jugando numerosas partidas, incluidas partidas contra otras versiones de sí mismo.
El trabajo publicado en Nature demostró que la combinación de aprendizaje profundo, planificación y entrenamiento mediante experiencia podía resolver problemas que poco antes parecían inalcanzables.
2017: la arquitectura Transformer
Uno de los avances más importantes para la actual IA generativa llegó en 2017.
Un grupo de investigadores de Google publicó el artículo Attention Is All You Need, en el que presentó una arquitectura llamada Transformer.
Hasta entonces, muchos sistemas que trabajaban con lenguaje procesaban los textos de forma secuencial. Los Transformers incorporaron mecanismos de atención que permitían relacionar distintas partes de una secuencia y procesarlas con mayor paralelismo.
De manera muy simplificada, la atención ayuda al modelo a calcular qué elementos del contexto son más relevantes para interpretar o generar una parte concreta del contenido.
Esta arquitectura hizo posible entrenar modelos de lenguaje mucho más grandes y eficientes. Los Transformers acabarían convirtiéndose en la base de sistemas como GPT, Gemini y muchos otros modelos actuales.
De comprender patrones a generar contenido
Durante años, gran parte de la IA se utilizó para clasificar, recomendar o predecir.
La IA generativa dio un paso diferente: producir contenido nuevo a partir de los patrones aprendidos durante el entrenamiento.
Los modelos generativos pueden crear:
- Textos.
- Imágenes.
- Música y voces.
- Vídeos.
- Código.
- Diseños y prototipos.
- Combinaciones de varios formatos.
Esto no significa que creen de la misma manera que una persona ni que posean imaginación o intención propias. Generan resultados calculando qué elementos son probables o adecuados dentro del contexto recibido.
En el campo de la imagen fueron importantes las redes generativas antagónicas o GAN, presentadas en 2014, y posteriormente los modelos de difusión. En el lenguaje, los avances en modelos basados en Transformers aceleraron de manera extraordinaria.
GPT-3 y el poder de entrenar modelos más grandes
En 2020, OpenAI presentó GPT-3, un modelo de lenguaje con 175.000 millones de parámetros.
Los parámetros son valores internos que el modelo ajusta durante el entrenamiento. No equivalen a datos memorizados de manera individual ni a neuronas humanas, pero forman parte de las relaciones matemáticas que le permiten generar resultados.
GPT-3 mostró que un modelo entrenado con grandes cantidades de texto podía realizar tareas distintas a partir de una instrucción o de unos pocos ejemplos, sin necesitar un entrenamiento específico para cada una.
El trabajo sobre GPT-3 consolidó una nueva forma de interactuar con la IA: describir mediante lenguaje natural lo que queríamos obtener.
Aun así, los modelos de aquella etapa no siempre seguían bien las instrucciones. Podían completar textos, pero no estaban necesariamente preparados para mantener una conversación útil.
El entrenamiento con preferencias y evaluaciones humanas ayudó a que los modelos siguieran mejor las peticiones y produjeran respuestas más adecuadas.
2022: ChatGPT lleva la IA generativa al gran público
OpenAI presentó ChatGPT el 30 de noviembre de 2022, no en noviembre de 2023 como indicaba la primera versión de este artículo.
ChatGPT se lanzó inicialmente como una versión de investigación para conocer la opinión de los usuarios y estudiar sus fortalezas y debilidades. Estaba relacionado con InstructGPT, un modelo entrenado para seguir instrucciones humanas.
La novedad no consistía únicamente en su capacidad para generar texto. Su interfaz conversacional permitía pedir explicaciones, corregir respuestas, continuar una idea o trabajar mediante sucesivas instrucciones.
No era necesario saber programar ni conocer el funcionamiento técnico del modelo. Bastaba con escribir.
Esa sencillez convirtió la IA generativa en una herramienta accesible para millones de personas y provocó una transformación en campos como la educación, el desarrollo de software, la comunicación, el marketing o el diseño.
La presentación oficial de ChatGPT también advertía de algunas de sus limitaciones: podía producir respuestas plausibles, pero incorrectas.
Ese problema continúa siendo fundamental. Una IA puede expresarse con seguridad y estar equivocada.
2023: la IA se vuelve multimodal
Los primeros asistentes generativos populares se relacionaban principalmente con el texto. La evolución siguiente consistió en combinar distintas modalidades.
En marzo de 2023, GPT-4 se presentó como un modelo capaz de recibir texto e imágenes y generar respuestas escritas. A finales de ese mismo año, Google anunció Gemini, concebido para trabajar con texto, imágenes, audio y vídeo.
La multimodalidad permite que un mismo sistema pueda interpretar una fotografía, analizar un gráfico, escuchar una grabación o relacionar información procedente de varios formatos.
Esto amplió enormemente sus posibilidades:
- Interpretar documentos complejos.
- Describir imágenes.
- Analizar interfaces.
- Mantener conversaciones mediante voz.
- Ayudar a programar a partir de una captura.
- Generar y modificar contenido audiovisual.
- Trabajar con texto, imágenes y datos dentro de una misma tarea.
La interacción también se hizo más natural. Pasamos de escribir una petición aislada a conversar con sistemas capaces de ver, escuchar y responder mediante diferentes medios.
De los chatbots a los modelos de razonamiento y los agentes
Entre 2024 y 2026, la evolución se ha centrado en mejorar la capacidad para resolver problemas complejos y ejecutar tareas compuestas por varios pasos.
Los llamados modelos de razonamiento dedican más recursos de cálculo a analizar una petición antes de responder. Resultan especialmente útiles en programación, matemáticas, investigación o planificación, aunque no son infalibles ni razonan necesariamente como una persona.
Al mismo tiempo han cobrado importancia los agentes de IA.
Un agente no se limita a generar una respuesta. Puede recibir un objetivo, dividirlo en pasos, utilizar herramientas, consultar información, revisar resultados y continuar hasta completar una tarea.
Por ejemplo, un sistema de este tipo puede investigar un tema, comparar fuentes y elaborar un informe; revisar archivos de un proyecto y proponer cambios; o utilizar distintas aplicaciones para ejecutar un flujo de trabajo.
El concepto no es completamente nuevo, pero la combinación de modelos de lenguaje, razonamiento y acceso a herramientas ha permitido crear agentes mucho más útiles.
Esta evolución también introduce nuevos riesgos. Cuanta más capacidad tiene un sistema para actuar, más importante resulta limitar sus permisos, supervisar sus decisiones y comprobar los resultados antes de que produzca cambios irreversibles.
La IA en 2026: presente en el trabajo cotidiano
La inteligencia artificial actual ya no está concentrada en una única herramienta.
Se ha integrado en buscadores, navegadores, programas de diseño, plataformas de desarrollo, suites ofimáticas, sistemas empresariales, aplicaciones móviles y gestores de contenido.
En mi propio ámbito profesional puede ayudar a:
- Investigar y organizar información.
- Analizar la estructura de una web.
- Detectar problemas de accesibilidad o usabilidad.
- Generar borradores y explorar enfoques.
- Programar o revisar código.
- Automatizar tareas repetitivas.
- Analizar datos.
- Crear prototipos.
- Trabajar con imágenes.
- Documentar un proyecto.
- Adaptar contenidos a distintos formatos.
Esto no significa que pueda sustituir el criterio profesional.
Un resultado generado por IA necesita contexto, supervisión y revisión. El modelo no conoce automáticamente la estrategia de un negocio, las necesidades reales de sus usuarios ni las consecuencias de aplicar una recomendación incorrecta.
El valor no reside solo en utilizar IA, sino en saber para qué utilizarla, qué información proporcionarle y cuándo no debemos confiar en ella.
El crecimiento de la IA también exige regulación
La historia de la inteligencia artificial no se limita a los avances técnicos. También incluye el debate sobre cómo debe utilizarse y quién asume la responsabilidad cuando produce un daño.
Entre los principales problemas se encuentran:
- La privacidad y el uso de datos personales.
- Los sesgos y la discriminación algorítmica.
- La creación de contenidos falsos y deepfakes.
- La desinformación.
- Los derechos de autor.
- La falta de transparencia.
- La seguridad de los sistemas.
- El impacto sobre determinados empleos.
- La concentración de tecnología y recursos en pocas empresas.
- El consumo energético y de infraestructuras.
- La dificultad para atribuir responsabilidades.
En la Unión Europea, el Reglamento de Inteligencia Artificial o AI Act entró en vigor el 1 de agosto de 2024. Su aplicación se ha organizado de forma progresiva y gran parte de sus disposiciones resultan aplicables desde agosto de 2026, con diferentes excepciones y plazos según el tipo de sistema.
La norma utiliza un enfoque basado en el riesgo. No exige lo mismo a una herramienta de uso cotidiano que a un sistema empleado en ámbitos sensibles como la educación, el empleo, la biometría, las infraestructuras o determinados productos regulados.
La Comisión Europea explica el calendario y el alcance del AI Act, que constituye uno de los primeros grandes marcos jurídicos integrales dedicados a la inteligencia artificial.
Los límites de la inteligencia artificial actual
Los sistemas de IA han avanzado enormemente, pero conviene evitar dos extremos: pensar que son simples juguetes sin utilidad o atribuirles capacidades que no poseen.
Entre sus principales limitaciones se encuentran las siguientes.
Pueden inventar información
Los modelos generativos construyen respuestas plausibles. No consultan necesariamente una base de datos de hechos verificados y pueden crear fechas, citas, estudios o acontecimientos inexistentes.
Por eso es imprescindible contrastar cualquier información importante.
Reproducen sesgos
Los datos utilizados para entrenarlos contienen desigualdades, estereotipos y errores humanos. Los modelos pueden reproducirlos o amplificarlos.
No comprenden el contexto como una persona
Pueden manejar una cantidad enorme de información y, al mismo tiempo, interpretar mal una situación evidente para un ser humano.
Su rendimiento no es uniforme
Un modelo puede resolver un problema muy complejo y fallar en otro aparentemente sencillo. La fluidez de una respuesta no permite medir su fiabilidad.
Dependemos de los datos y de las decisiones de sus creadores
La elección de los conjuntos de entrenamiento, los filtros, las evaluaciones y los objetivos condiciona el comportamiento final.
La inteligencia artificial general todavía no es una realidad demostrada
La inteligencia artificial general o AGI se refiere, de manera aproximada, a un sistema capaz de aprender y desenvolverse de forma flexible en una gran variedad de tareas intelectuales.
No existe una definición universalmente aceptada ni una prueba definitiva que permita declarar que se ha alcanzado. Los modelos actuales son cada vez más versátiles, pero eso no demuestra por sí solo que posean una inteligencia general comparable a la humana.
¿La IA sustituirá a las personas?
La inteligencia artificial ya está transformando tareas y profesiones. Algunas actividades se automatizarán, otras cambiarán y también aparecerán nuevos trabajos.
Sin embargo, hablar únicamente de sustitución simplifica demasiado el problema.
En muchos ámbitos, la transformación más inmediata consiste en que las personas trabajan con nuevas herramientas. Un profesional puede investigar más deprisa, automatizar una parte repetitiva o explorar más alternativas, pero sigue necesitando conocimientos para evaluar lo obtenido.
La IA puede generar una página web, pero no garantiza que responda a una estrategia de negocio, sea accesible, ofrezca una buena experiencia de usuario, proteja los datos o comunique una identidad auténtica.
Puede escribir un texto, pero no conoce por sí sola la experiencia, la intención y la responsabilidad de quien lo firma.
Puede producir una imagen atractiva, pero no decide qué debe representar una marca ni qué consecuencias culturales puede tener.
El criterio, la experiencia, la empatía y la responsabilidad siguen siendo humanos.
¿Hacia dónde se dirige la inteligencia artificial?
Es difícil predecir la velocidad o la dirección exacta de una tecnología que cambia constantemente.
Las líneas de evolución actuales apuntan hacia sistemas:
- Más multimodales.
- Capaces de mantener contextos más amplios.
- Más eficaces al utilizar herramientas.
- Integrados en aplicaciones y dispositivos.
- Preparados para ejecutar tareas con varios pasos.
- Más personalizados.
- Más pequeños y eficientes.
- Capaces de funcionar localmente en algunos dispositivos.
- Aplicados a la investigación científica, la educación, la salud y la industria.
Pero el futuro de la IA no dependerá únicamente de la potencia de los modelos. También dependerá de las decisiones que tomemos sobre su acceso, regulación, seguridad, propiedad, transparencia y uso social.
La pregunta ya no es solo qué puede hacer una máquina.
También debemos preguntarnos qué queremos que haga, bajo qué condiciones y quién responderá por sus consecuencias.
Una historia que todavía estamos escribiendo
La inteligencia artificial no nació con ChatGPT. Tampoco ha evolucionado mediante una línea ascendente y continua.
Su historia está llena de ideas que se adelantaron a la tecnología disponible, expectativas exageradas, inviernos de financiación, investigaciones olvidadas y avances que solo fueron posibles cuando se combinaron mejores algoritmos, más datos y una capacidad de cálculo mucho mayor.
Alan Turing planteó si una máquina podría mostrar un comportamiento inteligente. Dartmouth dio nombre a una disciplina. Los primeros programas demostraron tanto las posibilidades como las limitaciones del enfoque simbólico. El aprendizaje automático permitió aprender de los datos. Las redes profundas transformaron la visión y el lenguaje. Los Transformers hicieron posible una nueva generación de modelos. Y ChatGPT convirtió esos avances en una experiencia cotidiana para millones de personas.
Ahora entramos en una etapa en la que la IA ya no solo responde: puede analizar distintos formatos, utilizar herramientas y realizar tareas cada vez más complejas.
A mí me sigue fascinando. La utilizo como ayudante en muchas partes de mi trabajo y creo que ofrece posibilidades extraordinarias. Pero también he aprendido que no debemos tratarla como un oráculo ni aceptar sus respuestas sin comprobarlas.
La mejor forma de relacionarnos con la inteligencia artificial no es desde el miedo ni desde el entusiasmo ciego.
Es desde el conocimiento, la curiosidad y el pensamiento crítico.
Porque esta tecnología seguirá cambiando, pero la responsabilidad sobre cómo la utilizamos continúa siendo nuestra.
