1. 1950 — Turing plantea la pregunta
En un artículo, Alan Turing propone: no discutamos si la máquina piensa, porque eso no lo sabemos definir. Preguntemos más bien si una persona es capaz de distinguir a la máquina de otra persona en una conversación.
Ese giro sigue siendo determinante hoy. Desde entonces medimos la inteligencia de las máquinas por su rendimiento y no por su estado interno — todos los benchmarks actuales son descendientes de esa idea.
2. 1956 — nace el nombre
En un encuentro de investigadores de verano, en el Dartmouth College, se usa oficialmente por primera vez la expresión «artificial intelligence». Los participantes son optimistas: creen que el grueso del problema se puede resolver en un verano.
No fue así. Pero el campo recibió su nombre y la investigación arrancó.
3. 1974–1993 — los inviernos de la IA
Dos veces ocurre lo mismo: grandes promesas, resultados que no llegan, financiación que se seca. Los investigadores llegan a evitar la palabra en sus solicitudes de proyecto.
Esas dos décadas dejan una lección que sigue vigente. Los sistemas de entonces — los llamados sistemas expertos — funcionaban haciendo que las personas escribieran las reglas a mano: «si el paciente tiene fiebre y tose, entonces…». Eso funcionó hasta que el número de reglas llegó a unos cientos. A partir de ahí se volvió inmanejable: cada regla nueva contradecía a otras tres.
Fue ese callejón sin salida el que empujó al campo desde escribir reglas hacia aprender de ejemplos.
4. 1997 — Deep Blue vence a Kaspárov
Una máquina derrota al campeón del mundo de ajedrez. Noticia enorme, pero conviene saber qué pasó en realidad: Deep Blue no aprendía. Calculaba por fuerza bruta una cantidad enorme de posiciones, según reglas de evaluación escritas por personas.
Esa diferencia importa. Deep Blue fue la cima de la dirección antigua, no el comienzo de la nueva. Quien quisiera una máquina que jugara bien al ajedrez, podía construirla. Quien quisiera una máquina que dedujera el ajedrez por su cuenta, tuvo que esperar dos décadas más.
5. 2012 — el deep learning empieza a funcionar
En la proclamación de resultados de un concurso de reconocimiento de imágenes se ve que una red neuronal de muchas capas es enormemente mejor que todos los métodos anteriores.
La idea no era nueva — las redes neuronales vienen de los años sesenta. Habían cambiado tres cosas: internet había generado imágenes y texto suficientes para entrenar, las tarjetas gráficas se habían abaratado lo bastante para hacer los cálculos, y se había reunido un puñado de trucos prácticos que hacían entrenables las redes profundas siquiera.
A partir de ahí las características ya no las tienen que describir personas — las encuentra el modelo . De eso trata Machine learning, deep learning e IA generativa .
6. 2017 — el transformer
Un artículo de investigación presenta una arquitectura nueva que tira a la basura el recorrido palabra a palabra anterior. En su lugar, cada palabra puede mirar a todas las demás y decidir cuáles le importan.
Eso es lo que hizo manejables los textos largos y — al menos igual de importante — posible el entrenamiento en paralelo. Con los métodos anteriores el entrenamiento estaba atado al orden; con el transformer, miles de tarjetas gráficas podían trabajar a la vez sobre el mismo modelo.
Desde entonces el tamaño de los modelos y el cálculo invertido en ellos crecieron órdenes de magnitud año tras año. Todos los modelos de lenguaje actuales descienden de esa arquitectura — el significado actual de la palabra «IA» nació en esencia en 2017.
7. 2022 — entra el gran público
A finales de noviembre aparece un servicio gratuito con interfaz de chat y consigue cien millones de usuarios en dos meses.
Tecnológicamente no había ocurrido ningún avance: el modelo era una variante existente de una arquitectura existente. La novedad era la interfaz. Hasta entonces esto exigía saber programar; después bastaba con saber teclear. Ese momento no es una historia de tecnología, sino de acceso.
Lo que ha pasado desde entonces
Cuatro direcciones en las que los sistemas de hoy se diferencian de los de 2022:
- Multimodalidad. Los modelos manejan no solo texto, sino imagen, audio y vídeo, en el mismo hilo de pensamiento.
- Pesos abiertos. Han aparecido modelos descargables y ejecutables en servidores propios, con una distancia cada vez menor respecto a la primera línea cerrada.
- Esfuerzo de razonamiento. Que el modelo razone largo rato antes de responder fue primero una categoría de modelo aparte y hoy es un mando.
- Agents. Los sistemas ya no solo responden: manejan herramientas y revisan sus propios resultados. Esta es la dirección actual — y Qué es un AI agent lo desarrolla en detalle.
Qué llevarte
Dos patrones se repiten a lo largo de estos setenta años, y los dos siguen vigentes.
Las reglas escritas a mano siempre chocan contra un muro. Pasados unos cientos, se vuelven inmanejables. Esto vale igual para un prompt de cincuenta reglas de hoy que para los sistemas expertos de los ochenta.
Los avances rara vez son ideas nuevas. La red neuronal tiene sesenta años y, aun así, el auge actual vino de que hubo datos suficientes y cálculo lo bastante barato. Por eso conviene desconfiar cuando alguien anuncia un «enfoque revolucionario»: el cambio de verdad no suele traerlo la idea, sino que algo se vuelva de repente asequible. Con esa misma vara para los próximos años, hacia dónde va la IA separa cuatro tendencias medidas de cuatro afirmaciones sin pruebas detrás.