Qué es realmente la IA

Tres cosas, un solo nombre

Cuando hoy alguien dice IA, lo más probable es que se refiera a una de estas tres. La mayoría de los malentendidos vienen de que su interlocutor se refiere a otra.

1. La disciplina. La rama que desde los años cincuenta se pregunta cómo hacer que una máquina resuelva tareas que antes exigían una persona. Aquí entra todo, desde los programas de ajedrez hasta los chatbots actuales.

2. Los sistemas predictivos. No crean nada nuevo: clasifican, predicen y recomiendan. El filtro antifraude de tu banco, el recomendador de una tienda online, el filtro de spam, la previsión de demanda. Llevan veinte años entre nosotros, solo que no los llamábamos IA. En muchas empresas es esto lo que aporta el retorno medible, mientras todo el mundo habla de la tercera.

3. Los sistemas generativos. Producen contenido nuevo: texto, imagen, audio, vídeo, código. Es lo que estalló en 2022 y hoy es casi siempre lo que se entiende por IA.

Este blog trata sobre todo de la tercera. Pero conviene saber que la segunda existe: para muchos problemas de negocio es la respuesta más barata y más fiable.

Lo que la IA no es

La IA no es un ser pensante, ni una base de datos, ni un buscador. No sabe la respuesta y, por defecto, tampoco la busca en ningún sitio. Descarta esas tres cosas y lo que queda es sorprendentemente simple.

Cómo se convierte en un sistema que funciona

El principio es el mismo en los tres tipos: la máquina deduce la regla a partir de ejemplos en lugar de que alguien se la escriba de antemano. Eso es el machine learning. No programas «el spam suele contener la palabra premio»: le enseñas cien mil correos y encuentra el patrón por su cuenta.

La versión actual, de muchas capas, es el deep learning, y de ahí salen los grandes modelos de lenguaje, los LLM. Aquí entrenar significa que los números internos del modelo— los weights— se ajustan hasta acertar cada vez mejor qué viene a continuación.

La frase que lo explica todo

El modelo no sabe la respuesta. Predice qué es lo más probable que venga después.

Eso es todo. Y de esa única frase se deriva todo lo sorprendente de la IA, en ambas direcciones.

En la buena: por eso resuelve tareas para las que nadie la entrenó específicamente. En la mala: por eso produce con total seguridad datos que no existen cuando no tiene una conjetura mejor. Eso es la alucinación, y no es un fallo, sino la otra cara del mismo mecanismo. No se puede desactivar sin llevarse por delante la parte útil.

Un ejemplo que mide la diferencia

Dos peticiones, la misma herramienta:

1. «Resume este correo en tres frases.» El correo está delante de ella. El modelo hace aquello en lo que es bueno: transformar un texto que ya existe. Fiable.

2. «¿A cuánto estaba el euro el 30 de septiembre del año pasado?» El modelo no lo ha consultado. Ha producido una cifra verosímil. Puede que acierte. A simple vista no lo vas a distinguir.

La misma herramienta, la misma interfaz, dos niveles de fiabilidad completamente distintos. La diferencia no está en la dificultad de la pregunta, sino en si le has dado el material con el que trabajar.

¿Por qué justo ahora?

El método no es nuevo: la idea de las redes neuronales viene de los años sesenta. En la última década cambiaron tres cosas.

• Datos. Internet generó texto suficiente para aprender.
• Capacidad de cálculo. Las tarjetas gráficas se volvieron lo bastante baratas y potentes.
• Arquitectura. El transformer de 2017 permitió que el modelo viera el texto entero de una vez, en lugar de avanzar palabra a palabra.

Esas tres cosas juntas llevaron la tecnología más allá del punto en que dejó de ser una curiosidad y pasó a ser una herramienta de trabajo.

Dos malentendidos frecuentes

«Aprende de mí mientras hablamos.» Por defecto, no. El modelo queda congelado al terminar el entrenamiento. Lo que le cuentas dentro de una conversación solo lo sabe mientras dura esa conversación: eso es la context window. Varias herramientas tienen una función de memoria aparte, pero tampoco esa cambia el modelo: le pone notas delante al empezar cada conversación.

«Si sabe hacer esto, lo sabe hacer todo.» No. Lo que usas hoy es IA estrecha: muy buena en determinados patrones, sin objetivos, experiencia ni responsabilidad propios. Un sistema general, al nivel humano en cualquier tarea intelectual — la AGI — sigue siendo un concepto teórico, anuncie quien anuncie lo contrario.

Más allá de responder

Una novedad importante: los sistemas actuales no solo responden, también actúan. Pueden buscar, escribir archivos, ejecutar programas, rellenar un formulario, comprobar el resultado y volver a intentarlo. Los llamamos AI agents, y comercialmente ese es el cambio de verdad: un chatbot te da consejo, un agent hace el trabajo.

Qué llevarte

Antes de encargarle una tarea a la IA, hazte dos preguntas:

• ¿Tengo el material con el que puede trabajar?
• ¿Reconocería una respuesta equivocada?

Si la respuesta a ambas es sí, es probable que funcione. Si alguna es no, la respuesta correcta y la verosímil serán indistinguibles — y de los dos, ese es el error más caro.