La inteligencia artificial parece haberse instalado de repente en los hogares, los móviles y los lugares de trabajo. Esa sensación de irrupción repentina resulta engañosa. Según Cadena SER, la disciplina acumula casi un siglo de historia, marcada por avances, fracasos y largos periodos de abandono antes de alcanzar la omnipresencia actual. Hoy esa historia se condensa en algoritmos que toman decisiones en segundo plano, sin que el usuario perciba su presencia, dentro de los servicios digitales más utilizados a diario.
De Turing a Transformer: el largo camino hasta los modelos actuales
Todo arranca con una pregunta. En 1950, el matemático Alan Turing publicó un artículo en el que formulaba el problema de fondo con una precisión que no ha envejecido:
“¿Pueden pensar las máquinas?”
El Test de Turing, diseñado a partir de ese interrogante, no pretendía demostrar que una máquina fuera consciente ni que sintiera. Su objetivo era más concreto y más exigente a la vez: comprobar si una máquina podía mantener una conversación que resultara indistinguible de la de un ser humano, exhibiendo una conducta lingüística similar a la humana.
Seis años después, en 1956, la Conferencia de Dartmouth organizaba el campo. John McCarthy, considerado por muchos el padre de la disciplina, acuñó allí el término «inteligencia artificial». Entre los asistentes figuraban Marvin Minsky, Claude Shannon, Allen Newell y Herbert Simon, investigadores que establecieron los fundamentos conceptuales sobre los que trabajarían generaciones posteriores.
El entusiasmo inicial chocó pronto con los límites materiales de la época. La falta de potencia de cálculo, la escasez de datos y la ausencia de herramientas adecuadas desembocaron en los años setenta en el primer «invierno de la IA», un periodo de desilusión generalizada y recortes severos de financiación. Los sistemas expertos de los años ochenta reavivaron las expectativas, pero sufrieron restricciones similares y condujeron a un segundo ciclo de desencanto.
El giro decisivo llegó en 2017 con la publicación del artículo «Attention Is All You Need», que introdujo la arquitectura Transformer. Su elemento central es el mecanismo de atención, un procedimiento matemático que identifica qué partes de una secuencia son más relevantes para interpretar otras. No se trata de atención en ningún sentido humano, sino del cálculo sistemático de relaciones entre elementos de información. Esa arquitectura es la base de los modelos de lenguaje que hoy conversan, redactan y generan imágenes.
Los modelos predictivos que operan sin que nadie los vea
Paulius Pazdrazdys, programador reconvertido en experto en criptomonedas e inteligencia artificial con más de una década de experiencia en ingeniería de software, observa en los modelos predictivos actuales una característica que define buena parte de su impacto real. La potencia de la IA no reside solo en los productos visibles, como los chatbots, sino en los algoritmos que operan silenciosamente dentro de servicios de alto volumen, calculando probabilidades y ajustando decisiones en tiempo real.
Desde esa perspectiva, Pazdrazdys señala que las plataformas de apuestas deportivas se encuentran entre los entornos donde esa lógica predictiva se aplica con mayor intensidad y continuidad, desde la fijación automatizada de cuotas hasta los mecanismos de protección al usuario. Como parte de su seguimiento de aplicaciones algorítmicas, consulta SmartBettingGuide.com, un recurso que recopila y explica cómo esos operadores aplican dichos modelos, y lo señala como un ejemplo concreto de la «IA bajo el capó» que el propio artículo de Cadena SER describe.
«La IA más influyente no suele ser la que el usuario ve», ha apuntado en relación con este patrón. «Opera en los sistemas que procesan decisiones de riesgo a escala, sin interfaz visible.»
Tokens, probabilidades y el riesgo de las alucinaciones
Los modelos de lenguaje trabajan descomponiendo el texto en fragmentos llamados tokens. A partir de una secuencia de esos elementos, calculan cuál es la continuación estadísticamente más probable. Entrenados con cantidades masivas de información, aprenden relaciones complejas entre conceptos, estilos y estructuras lingüísticas. Entre 2020 y 2022, GPT-3 mostró una capacidad sorprendente para generar textos largos y coherentes. Herramientas como DALL-E, Midjourney y Stable Diffusion extendieron esa lógica a la generación de imágenes a partir de descripciones escritas. ChatGPT convirtió poco después la interacción con estos modelos en un producto de consumo masivo.
Ese diseño probabilístico lleva incorporada una limitación estructural. Las llamadas «alucinaciones» ocurren cuando un modelo produce una respuesta plausible y coherente que no corresponde a ninguna realidad. No son errores aislados ni fallos de implementación: son consecuencia directa de un sistema construido para generar la continuación más probable de una secuencia, independientemente de si esa continuación es verdadera. La coherencia formal puede mantenerse intacta mientras el contenido resulta completamente ficticio.
A eso se suma otro riesgo de más largo plazo. Si los nuevos modelos se entrenan en proporciones crecientes con contenido generado por otras inteligencias artificiales, podrían ir perdiendo la variedad y la información presentes en los datos originales creados por personas. El sistema empezaría a retroalimentarse de sus propias salidas, con consecuencias difíciles de prever sobre la calidad y diversidad de los resultados.
AlphaFold, el coste económico y las preguntas sin respuesta
La IA especializada demuestra que el impacto de esta tecnología no requiere una interfaz conversacional. AlphaFold, desarrollado por DeepMind, predice estructuras de proteínas con una precisión que durante décadas se consideró inalcanzable. Sus desarrolladores recibieron el Premio Nobel de Química de 2024, un reconocimiento que sitúa a la IA en el centro de la investigación científica de mayor trascendencia, sin que el sistema interactúe directamente con ningún usuario final.
La dimensión social añade otra capa de complejidad. Encuestas recientes indican que muchos jóvenes encuentran más fácil compartir determinados problemas personales con una IA que con otras personas. Expertos advierten sobre los riesgos de sustituir vínculos humanos por relaciones con sistemas automatizados. Estudios recientes también sugieren una posible relación entre el uso intensivo de estas herramientas y una menor práctica de ciertas habilidades de pensamiento crítico, aunque la evidencia disponible no permite establecer una causalidad directa.
En el plano económico, las empresas tecnológicas continúan invirtiendo miles de millones en infraestructura de centros de datos, chips especializados, energía y sistemas de refrigeración. Muchas de ellas todavía no obtienen beneficios proporcionales a esas inversiones. La apuesta es que la IA genere en el futuro un valor económico muy superior al coste de desarrollarla. La paradoja es que nadie puede garantizarlo.
La pregunta sobre la inteligencia artificial general, la hipotética capacidad de un sistema para razonar de forma flexible en cualquier dominio tal como lo hace un ser humano, sigue sin respuesta. La velocidad a la que avanza la tecnología supera con claridad la capacidad de adaptación de los marcos legales y sociales. Ahí reside el debate central, más urgente hoy que cuando Turing formuló su pregunta en 1950.
