El término «inteligencia artificial» nace en 1956, en una sala de Dartmouth College. John McCarthy, matemático, convoca un seminario de ocho semanas con Marvin Minsky, Claude Shannon, Allen Newell y Herbert Simon, entre otros. La premisa que escriben en la propuesta es luminosamente ingenua: cada aspecto del aprendizaje y la inteligencia humana puede, en principio, describirse con tanta precisión que una máquina podría simularlo. Pidieron dos meses. Setenta años después, todavía no hemos terminado.
Primer camino: el sueño simbólico.
Las décadas de los cincuenta y los sesenta apostaron por la lógica. Si el pensamiento humano es lenguaje, y el lenguaje se puede formalizar en símbolos, entonces basta con escribir las reglas correctas para que una máquina razone. Newell y Simon construyen el Logic Theorist y le hacen demostrar teoremas matemáticos. Funciona. Por un momento, se cree que estamos a un paso de replicar el pensamiento.
Pero el mundo no es un teorema. Las reglas se multiplican, los matices se escapan, las excepciones devoran el sistema. Para los años setenta, la IA simbólica entra en su primer invierno: prometieron demasiado, entregaron poco, los gobiernos cortan presupuesto. La idea de que el pensamiento es lógica formal sobrevivió, pero malherida.
Segundo camino: los expertos enlatados.
Los años ochenta intentan otra cosa: si no podemos modelar la inteligencia general, modelemos la específica. Nacen los sistemas expertos. Programas que imitan a un médico diagnosticando, a un ingeniero diseñando, a un químico sintetizando. Funcionan en sus dominios, fallan estrepitosamente fuera de ellos. Construir uno cuesta años y cientos de entrevistas con especialistas. Cuando termina la entrevista, el especialista ya cambió de opinión.
Segundo invierno. La IA de cuello rígido tampoco escala. La inteligencia humana parecía hecha de atajos, intuiciones, contradicciones felices. Codificarla a mano era como copiar el océano gota por gota.
Tercer camino: si no podemos razonarla, predigámosla.
Los noventa traen la apuesta que cambia todo. En lugar de programar reglas, mostrémosle a la máquina ejemplos —miles, después millones— y dejemos que ella encuentre patrones. Es la era del aprendizaje estadístico, del machine learning. La máquina ya no entiende; predice. Y predecir resulta, sorprendentemente, suficiente para muchas cosas.
Para los dosmiles, las redes neuronales —idea vieja, congelada por décadas— vuelven con potencia de cómputo nueva y datasets gigantes. Aprenden a ver, a oír, a traducir. En 2017 alguien publica un paper titulado “Attention is All You Need” y nace el transformador, la arquitectura que sostiene a ChatGPT, a Claude, a Gemini. La máquina ya no diagnostica como médico ni demuestra teoremas: predice qué palabra es más probable después de la anterior. Y eso, en cantidad descomunal, parece inteligencia.
No le enseñamos a pensar. Le enseñamos a parecer que piensa, a escala. Y a la escala suficiente, la diferencia se vuelve filosóficamente incómoda.
Los caminos que no tomamos.
Hubo otras rutas. Ninguna se cerró del todo, pero la predicción estadística las dejó en pausa por simple eficacia económica. Vale la pena nombrarlas, porque alguna podría regresar.
Una era profundizar el camino simbólico con sistemas mucho más sofisticados. Una IA que sí razona con reglas formales, capaz de explicar cada paso de su decisión. Sería más lenta, más rígida, pero auditable. Hoy sería invaluable en derecho, medicina, finanzas. La sacrificamos por velocidad.
Otra era la IA biológica: interfaces cerebro-máquina, redes neuronales que imiten estructuras reales del cerebro humano y no solo su nombre. Algunos laboratorios persisten, pero el ritmo es geológico comparado con la curva del transformador. Si algún día regresa, será por agotamiento del modelo predictivo, no por elección.
Y una tercera, casi olvidada: la evolución artificial. Sistemas que aprenden por prueba y error en simulaciones, como evolucionan los organismos. Robots autónomos que se forman cayéndose. Es lenta y costosa, pero produce comportamientos que nadie programó.
Por qué este recorrido importa.
Porque cuando alguien dice «la IA piensa», está hablando de una sola de tres tradiciones, y la más joven de ellas. La predicción estadística no es la inteligencia: es el atajo que escogimos cuando los otros caminos se hicieron carísimos. Es un atajo brillante, sin duda. Pero es un atajo, no una conquista.
Saberlo no le quita poder a la máquina. Le devuelve poder al humano. Porque si entiendes que estás interactuando con un actor estadístico entrenado en todos los textos disponibles, dejas de pedirle verdad y le pides probabilidad. Dejas de creer que sabe y empiezas a aprovechar lo que predice. La diferencia parece sutil. No lo es.
El make-believe, otra vez.
La inteligencia artificial actual es, en buena medida, un make-believe colectivo. La máquina parece pensar porque la entrenamos para sonar como alguien que piensa. Y nosotros, espectadores entrenados durante un siglo de cine, somos especialistas en creerle a una pantalla. La unión de las dos cosas produce el efecto que vivimos: una conversación con un actor brillantísimo que no sabe que está actuando, atendido por un público que olvida que el set está vacío.
El día que volvamos a tomar otro camino —simbólico mejorado, biológico, evolutivo, alguno que aún no nombramos— la IA cambiará de naturaleza. Por ahora, la que tenemos es esta. Y vale la pena saberla mortal: ni dios ni amenaza, sino atajo histórico cargado de consecuencias. Lo divino es saber con qué uno trabaja. Lo trágico, no saberlo.