Qué es la inteligencia artificial y qué no es

La definición que te va a servir es esta: la inteligencia artificial (IA) es un conjunto de programas de computador que resuelven tareas para las cuales nadie escribió una regla exacta, porque aprendieron a hacerlas a partir de muchos ejemplos.

Compara dos cosas que tienes a la mano. Una fórmula de Excel que saca el promedio de tus notas del semestre es software tradicional: alguien escribió la regla (=PROMEDIO(B2:B7)) y el computador la obedece al pie de la letra, siempre igual, para siempre. Ahora piensa en el filtro que manda a la carpeta de spam los correos de "felicitaciones, usted ganó una beca, haga clic aquí". Nadie pudo escribir una regla para cada estafa posible, porque los estafadores cambian el texto todos los días. Lo que hizo el sistema fue mirar una enorme cantidad de correos ya marcados como spam o como legítimos, y sacar solos los patrones que se repiten.

Esa es la frontera práctica: regla escrita a mano contra patrón aprendido de datos. Cuando algo aprende de ejemplos y luego generaliza a casos nuevos, estás frente a IA. Cuando algo solo sigue instrucciones fijas, no lo es, por más que el aviso publicitario diga lo contrario.

Ahora la advertencia. La palabra "inteligencia" es la parte más engañosa del nombre. Estos sistemas no entienden en el sentido en que tú entiendes, no tienen intenciones, no saben que existen y no les importa acertar. Son máquinas estadísticas muy buenas encontrando regularidades. El nombre se escogió hace décadas por razones históricas, no porque describa bien lo que pasa por dentro. Si te quedas con "aprende patrones de datos" en vez de "piensa", vas a entender el resto del curso mucho mejor y te van a vender menos humo.

La IA no nació en 2022. Es una idea vieja que pasó por varias olas de entusiasmo y de decepción, y saber eso te vacuna contra las exageraciones de hoy.

• Años 50. El matemático británico Alan Turing plantea la pregunta "¿pueden pensar las máquinas?" y propone un juego de imitación: si conversando no puedes distinguir a la máquina de una persona, ¿qué diferencia hay? Poco después, en una reunión académica en Estados Unidos, se acuña el término artificial intelligence.
• Años 60 y 70. Mucho optimismo: se anunciaba que en pocos años habría máquinas con inteligencia general. No pasó. Llegaron los llamados inviernos de la IA: períodos en que la plata y el interés se fueron, porque los resultados no llegaban.
• Años 80. Aparecen los sistemas expertos: programas con miles de reglas escritas a mano por especialistas ("si el paciente tiene fiebre y X, entonces Y"). Servían en dominios muy estrechos y eran carísimos de mantener. Otro invierno.
• 1997. Un computador de IBM le gana al campeón mundial de ajedrez, Garri Kaspárov. Fue un golpe simbólico, aunque esa máquina no "aprendía": calculaba jugadas a una velocidad brutal.
• 2012 en adelante. Las redes neuronales entrenadas con muchísimos datos y tarjetas gráficas potentes empiezan a ganarle a todo lo demás en reconocimiento de imágenes. Es el arranque real de la ola actual.
• 2017. Se publica una arquitectura llamada transformer, pensada para procesar texto. Es la base técnica de casi todos los modelos de lenguaje que usas hoy.
• Noviembre de 2022. Sale ChatGPT al público general y, por primera vez, cualquier persona con un celular puede usar uno de estos modelos sin saber programar.

Moderar el entusiasmo no es pesimismo: es historia. Ya hubo dos veces en que "faltaban cinco años" y faltaban treinta.

Aquí es donde casi todo el mundo se enreda, y es más simple de lo que parece. Imagina tres cajas, una dentro de la otra, como matrioskas.

Caja 1: inteligencia artificial. La más grande. Cubre todo intento de que una máquina haga tareas asociadas a la inteligencia: jugar ajedrez, planear una ruta, reconocer una voz. Incluye también técnicas viejas basadas en reglas.

Caja 2: aprendizaje automático (en inglés machine learning). Está dentro de la anterior. Aquí ya no le escribes las reglas al programa: le muestras ejemplos y el programa deduce la regla. Es la técnica dominante hoy. Un ejemplo colombiano realista: una universidad toma datos históricos de estudiantes (notas de primer corte, asistencia, si trabaja o no) y entrena un modelo para estimar quiénes tienen más riesgo de desertar, y así llamarlos a tiempo. Nadie escribió "si falta 3 veces entonces desertará"; el modelo encontró la relación en los datos.

Caja 2.5: aprendizaje profundo (deep learning). Un tipo de aprendizaje automático que usa redes neuronales con muchas capas. "Neuronal" es solo una metáfora suelta: son operaciones matemáticas encadenadas, no neuronas.

Caja 3: modelos grandes de lenguaje (LLM, por large language model). La más pequeña y la más famosa. Son redes neuronales entrenadas con cantidades gigantescas de texto para una tarea sencilla de describir: predecir qué palabra sigue. De ahí salen ChatGPT, Gemini, Claude y compañía. Que la tarea sea simple no significa que el resultado sea simple: para predecir bien la siguiente palabra en un texto de derecho, de cocina o de física, el modelo termina capturando muchísima estructura del lenguaje y del mundo.

Entonces: todo LLM es IA, pero no toda IA es un LLM. Cuando alguien dice "la IA" y se refiere solo a ChatGPT, se está perdiendo el 90 % del mapa.

Si la idea es de los años 50, ¿por qué explotó ahora? Por cuatro cosas que se juntaron, no por una sola.

1. Datos. Entrenar estos modelos requiere cantidades absurdas de ejemplos. Eso no existía antes de que la humanidad pasara veinte años subiendo texto, fotos y videos a internet. Los datos ya estaban ahí; solo faltaba con qué digerirlos.

2. Poder de cómputo. Las tarjetas gráficas (GPU), inventadas para videojuegos, resultaron ser justo lo que se necesitaba para hacer millones de operaciones en paralelo. Entrenar un modelo grande hoy cuesta muchísimo dinero y consume mucha energía: por eso los modelos de frontera los hacen pocas empresas, casi todas de Estados Unidos y China.

3. Un avance técnico concreto. La arquitectura transformer (2017) permitió entrenar con texto de manera mucho más eficiente y a mayor escala que lo anterior. Sin ese salto no habría ChatGPT.

4. La interfaz. Esta es la más subestimada. Durante años estos modelos existieron, pero para usarlos había que programar. En 2022 alguien los puso detrás de una cajita de chat donde escribes en español normal. Ese cambio, que no es técnico sino de diseño, es el que te trajo a ti a esta lección.

Y hay un quinto factor, más terrenal: plata. Cuando quedó claro que había negocio, la inversión y el mercadeo se dispararon, y con ellos la etiqueta "con IA" pegada a productos que no la tienen.

Para ti, en Colombia, lo importante es esto: la barrera de entrada bajó a un celular con internet y una cuenta gratuita. No necesitas un computador caro, ni matemáticas, ni inglés avanzado. Esa es la ventana que este curso quiere que aproveches, porque la brecha de hoy ya no es de acceso a la herramienta sino de saber usarla con criterio.

No es un cerebro digital. La comparación con neuronas es una metáfora que se quedó pegada del nombre. Un modelo no tiene memoria de tu vida, ni emociones, ni ganas de nada. Cuando un chat dice "me alegra ayudarte", está produciendo la frase que estadísticamente calza ahí, no reportando un estado interno.

No es una base de datos de verdades. Un LLM no busca la respuesta en un archivo: la genera palabra por palabra. Por eso puede producir una alucinación: una respuesta que suena perfectamente creíble, con estructura de dato real, pero que es falsa. Inventa artículos de leyes, cifras, autores, direcciones. No lo hace por mentir; lo hace porque su trabajo es continuar el texto de forma plausible, y lo falso a veces es plausible. Regla de oro desde hoy: todo dato verificable que te dé una IA, lo verificas en la fuente (una entidad oficial, datos.gov.co, la página de la universidad, el documento original).

No es neutral. Aprendió de textos escritos por personas, con sus sesgos incluidos. Si en los datos históricos ciertos empleos aparecen siempre asociados a un mismo tipo de persona, el modelo tiende a repetir esa asociación. Y hay un sesgo extra que nos toca directo: la mayoría del entrenamiento está en inglés y en contexto estadounidense, así que sabe menos de trámites, normas y realidades colombianas de lo que aparenta.

No es privada por defecto. Lo que escribes en un chat viaja a un servidor de otro país y, según el servicio y su configuración, puede usarse para mejorar el sistema. No pegues cédulas, historias clínicas, contraseñas ni datos de terceros.

No es consciente ni está a punto de serlo. Que algo hable bien no significa que entienda. Confundir fluidez con comprensión es el error número uno de quien empieza.