Inteligencia artificial: qué es y cómo funciona la tecnología que transforma la vida diaria

Los inicios de la IA se remontan a mediados de los años 50. Tras algunas ideas teóricas, que no llegaron a hacerse realidad por las limitaciones tecnológicas de la época, en 1955 Allen Newell, Herbert Simon y Cliff Shaw desarrollaron el que está considerado como el primer programa de razonamiento automatizado, Logic Theorist, con el que demostraron 38 de los 52 teoremas de los ‘Principia Mathematica’ de Bertrand Russell y Alfred North Whitehead. Al año siguiente, en 1956, la Universidad de Dartmouth acuñó el término de ‘inteligencia artificial’, lo que se considera el inicio de esta área de estudio, durante una conferencia que reunió a algunos de los principales expertos del momento para “participar de la conjetura de que cualquier aspecto del aprendizaje u otras características de la inteligencia pueden, en principio, ser descritas con tanta precisión que una máquina pueda simularlas”.

Apenas cuatro décadas después, en 1997, la máquina Deep Blue de IBM logró vencer al campeón mundial de ajedrez Garry Kasparov. Y poco más de 20 años después de este hito, en 2021, la IA AlphaFold, desarrollada por la empresa DeepMind de Alphabet, fue capaz predecir con gran precisión el plegamiento de las proteínas, un conocimiento trascendental para mejorar los tratamientos de las enfermedades genéticas como el cáncer.

Que haya pasado menos de un siglo entre la conferencia inaugural de un concepto tecnológico y uno de sus logros que mayor impacto puede tener en el bienestar humano, ilustra el potencial de la IA para responder a los grandes retos de la humanidad. Su rápida trayectoria, impulsada por las mejoras constantes en la capacidad de cálculo del ‘hardware’, el refinamiento de los modelos de ‘software’ y la disponibilidad de datos, nos permite anticipar avances aún más transformadores que vayan de la mano de un desarrollo responsable con la sociedad.

¿Cómo funciona la inteligencia artificial?

Los algoritmos y los datos constituyen el núcleo de la inteligencia artificial. Los algoritmos pueden definirse como secuencias de instrucciones, de forma similar a una receta que indica qué ingredientes usar, en qué cantidades, cómo combinarlos y durante cuánto tiempo cocinarlos para obtener un plato. En este paralelismo, los datos son los ingredientes, el material imprescindible que alimenta a los algoritmos para que puedan ‘cocinar’ soluciones: detectar patrones, realizar predicciones o tomar decisiones basadas en probabilidades. Cuantos más y de mayor calidad sean los datos, más fiables y precisos serán los resultados.

La IA simbólica se basa en “si ocurre X, hacer Y”. El ‘machine learning’, en cambio, aprende a identificar patrones por sí mismo.

Los algoritmos tradicionales están diseñados para ofrecer un conjunto de respuestas predefinidas; algo que, aunque es útil en tareas como el filtrado de ‘spam’ en el correo electrónico o los sistemas de control del tráfico aéreo, no aprovecha todo el potencial de la tecnología. Una de las primeras aproximaciones a la inteligencia artificial para superar esas limitaciones fue la llamada IA simbólica. Basada en reglas explícitas diseñadas por expertos, buscaba representar el conocimiento en forma de “si ocurre X, entonces hacer Y”. Con este enfoque nacieron los primeros sistemas expertos, capaces de tomar decisiones automáticas en ámbitos muy concretos, como el diagnóstico médico o la resolución de problemas lógicos.

Aunque resultaba eficaz en contextos bien definidos, pronto se reveló insuficiente para afrontar la complejidad y la ambigüedad del mundo real. En este sentido, la creación del aprendizaje automático o ‘machine learning’ supuso un gran salto cualitativo. En lugar de programar cada respuesta posible, se entrena al sistema con ejemplos para que ‘aprenda’ a identificar patrones generales por sí mismo. Es el mismo principio que sigue el ser humano cuando, de pequeño, aprende a distinguir por ejemplo a un perro de un gato: tras exponerse a suficientes ejemplares de los dos animales, aprende a reconocerlos incluso cuando se encuentra ante una raza que no había visto antes. De manera similar, un algoritmo de ‘machine learning’ mejora con la experiencia, afinando su capacidad para clasificar, predecir o recomendar.

Un paso más allá, dentro del aprendizaje automático, se encuentra el aprendizaje profundo o ‘deep learning’, basado en redes neuronales artificiales inspiradas en el cerebro humano. Estas redes son conjuntos de capas de ‘software’ interconectadas que procesan la información a diferentes niveles. En sus primeras capas, por ejemplo, una red neuronal puede detectar rasgos básicos de una imagen como bordes o colores; en capas más profundas, combina esa información para reconocer objetos completos, rostros o interpretar el contexto de una escena.

De esta evolución surge la inteligencia artificial generativa, que utiliza el aprendizaje profundo para crear contenido nuevo (texto, imágenes, música o incluso modelos moleculares) a partir de los patrones aprendidos en grandes volúmenes de datos. Dentro de ella, destacan los grandes modelos de lenguaje (‘large language models’, o LLM), entrenados específicamente con texto para comprender y generar lenguaje natural con una fluidez cada vez más cercana a la humana.

De los cálculos masivos a la vida cotidiana

En líneas generales, el funcionamiento de la inteligencia artificial se sustenta en cálculos masivos, procesamiento de información a gran escala y estadística. Lo que cambia son las técnicas empleadas y la amplitud de los problemas que pueden abordarse.

La IA está transformando numerosos sectores y actividades de la vida cotidiana. Se utiliza en tareas de clasificación, como reconocer imágenes o segmentar grandes volúmenes de información, y en la detección de anomalías, clave para identificar fraudes en operaciones financieras. También apoya a los médicos en la interpretación de imágenes clínicas, contribuye a descubrir nuevos fármacos e impulsa aplicaciones empresariales cada vez más adaptadas a las necesidades de los clientes, como la ‘app’ de BBVA con IA que ayuda a los clientes del banco a gestionar sus necesidades financieras específicas.

En ámbitos sensibles como la seguridad y la defensa, se emplea para analizar información y anticipar riesgos. En el transporte, optimiza rutas y da pasos hacia la conducción autónoma, mientras que en la educación ofrece experiencias de aprendizaje más personalizadas. Además, se ha convertido en parte inseparable de la vida cotidiana, ya que sugiere qué canción escuchar, qué película ver o cómo organizar un trayecto en coche más rápido.

De una IA débil a una superIA

La mayor parte de la inteligencia artificial que hoy se utiliza de forma generalizada se considera ‘débil’ o estrecha, ya que da lugar a herramientas muy eficaces pero especializadas en una única función, como los filtros de ‘spam’ en el correo electrónico o los sistemas de control del tráfico aéreo. Sin embargo, los LLM muestran indicios de una capacidad más amplia que los acerca al debate sobre la llamada IA general (AGI), entendida como aquella capaz de aprender, razonar y adaptarse a diferentes contextos y tareas con la flexibilidad de un ser humano. Algunos investigadores han descrito estos avances como ‘chispas de AGI’.

Cada vez más organizaciones incluyen entre sus objetivos la apuesta por la AGI, como OpenAI en su carta fundacional o DeepMind en su plan de investigación hacia una AGI responsable. También algunos gobiernos han impulsado iniciativas en esta dirección, como el de China con el Beijing Institute for General Artificial Intelligence (BIGAI).

Además, se debate si esta evolución podría culminar en una IA superinteligente, con máquinas que excederían ampliamente las capacidades humanas más complejas. Los estudios que abordan este escenario exploran los dilemas éticos y existenciales de este posible salto tecnológico. Aunque sigue siendo especulativo, este horizonte genera debates sobre cómo garantizar un desarrollo seguro y beneficioso para la humanidad.

Oportunidades y retos de la IA

Como todo avance tecnológico, la inteligencia artificial ofrece grandes oportunidades para impulsar el bienestar humano, pero también desafíos que es necesario tener en cuenta para que su desarrollo se produzca de manera responsable.

El valor real de la IA se medirá por la habilidad humana de integrarla en la sociedad de forma responsable.

Entre las principales ventajas de la IA destacan la eficiencia y velocidad con la que resuelve tareas repetitivas, la precisión en contextos críticos como la medicina o la ingeniería y la escalabilidad que le permite procesar cantidades masivas de información sin perder consistencia. Además, abre la puerta a una creatividad asistida en la que las máquinas no sustituyen al ingenio humano, sino que lo amplifican y lo acompañan, liberando tiempo y recursos para la innovación.

Al mismo tiempo, la IA enfrenta desafíos de carácter tanto técnico como social. Los sesgos presentes en los datos pueden traducirse en decisiones injustas o discriminatorias; ante la capacidad que tiene la tecnología de utilizar información personal de manera masiva, la privacidad debe delimitarse con claridad; y la necesidad de una ética y regulación adecuadas se hace cada vez más urgente para asegurar que la tecnología se desarrolle de manera justa, segura y responsable.

Otro de los grandes retos se encuentra en el ámbito laboral. La inteligencia artificial está llamada a redefinir muchos empleos, al reducir tareas rutinarias que hoy requieren intervención humana. Ante este cambio de paradigma, es esencial gestionar la transición de forma que la IA no sustituya el talento humano, sino que lo potencie y le libere tiempo para responsabilidades de mayor creatividad y valor estratégico.

Frente a sus oportunidades y retos, el valor real de la inteligencia artificial se medirá por una habilidad humana: la de integrar esta potente tecnología en la sociedad de forma responsable.