Cuando la inteligencia artificial era todavía una promesa
Estoy leyendo un viejo libro (1985) sobre inteligencia artificial y la experiencia está resultando mucho más fascinante de lo que esperaba. No tanto porque me esté enseñando la IA de hoy, sino porque me permite mirar nuestro presente desde el futuro que imaginaron otros hace más de cuarenta años.
Muchas de las cosas que el libro describe como desafíos extraordinariamente difíciles —conversar con una computadora, comprender lenguaje corriente, traducir, resumir documentos, reconocer imágenes y voz, programar a partir de instrucciones humanas— son cosas que hoy hago rutinariamente desde mi computador o mi teléfono.
Es como encontrar un antiguo mapa del territorio en el que ahora vivimos.
El sueño original: poner conocimiento dentro de la máquina
La inteligencia artificial de aquella época partía de una pregunta formidable:
¿Podemos conseguir que una computadora haga cosas que, si las hiciera una persona, la consideraríamos inteligente?
Para ello se intentaba capturar el conocimiento de especialistas y convertirlo en reglas que una máquina pudiera utilizar.
Así nacieron los sistemas expertos.
Un ingeniero, médico o geólogo podía haber acumulado treinta años de experiencia. El desafío consistía en extraer ese saber —incluyendo intuiciones, excepciones y reglas prácticas— y transformarlo en instrucciones del tipo:
SI ocurre A + B + C → ENTONCES probablemente D.
La máquina podía entonces conservar ese conocimiento y ponerlo simultáneamente a disposición de muchas personas.
Era una idea revolucionaria: transformar la experiencia humana en memoria organizacional.
XCON: cuando la IA comenzó a trabajar
Uno de los casos más impresionantes fue XCON, desarrollado para Digital Equipment Corporation.
Configurar sus computadores VAX era tremendamente complejo. Había miles de componentes y combinaciones posibles. Ingenieros expertos necesitaban decidir qué piezas eran compatibles, cómo conectarlas y cómo montar finalmente cada computador.
XCON convirtió parte de ese conocimiento en miles de reglas.
El resultado fue espectacular: según las notas del libro, una configuración que a un especialista podía tomarle entre 25 y 35 minutos, XCON llegó a realizarla en unos 2,3 minutos, produciendo configuraciones utilizables cerca del 98 % de las veces.
Pero lo más interesante es que los expertos no desaparecieron.
Cambió su trabajo.
Pasaron de ejecutar rutinariamente la tarea a supervisar, corregir, incorporar nuevo conocimiento y mejorar el sistema.
Cuarenta años después seguimos hablando de lo mismo: la colaboración entre inteligencia humana e inteligencia artificial.
La obsesión era representar el conocimientoAquella IA intentaba construir inteligencia pieza por pieza.
Utilizaba reglas, símbolos, árboles de búsqueda, lógica, frames, scripts, redes semánticas, heurísticas y motores de inferencia.
Lenguajes como LISP y Prolog fueron protagonistas de esta primera época.
La lógica era aproximadamente:
conocimiento humano → representación → reglas → búsqueda → inferencia → respuesta.
Y aquí aparece la gran diferencia con la revolución actual.
Con el machine learning, las redes neuronales, el deep learning y finalmente los grandes modelos de lenguaje, dejamos de intentar escribir explícitamente todas las reglas.
Las máquinas comenzaron a aprender patrones a partir de enormes cantidades de datos.
Podríamos resumir una parte importante de la historia de la IA mediante cuatro verbos:
PROGRAMAR → BUSCAR → APRENDER → ACTUAR.
Primero le dijimos a la máquina exactamente qué hacer.
Después le dimos conocimiento para que buscara soluciones.
Más tarde aprendimos a construir máquinas que aprendieran patrones que nosotros mismos no éramos capaces de explicitar.
Y ahora estamos entrando en la época de los agentes, capaces de recibir un objetivo, planificar, utilizar herramientas, ejecutar acciones, observar resultados y corregirse.
La computadora debía aprender nuestro idiomaOtra ambición extraordinaria del libro era conseguir que las personas dejaran de tener que aprender el lenguaje de las computadoras.
Hasta entonces había que aprender BASIC, COBOL, FORTRAN, LISP o algún otro lenguaje.
La aspiración de la inteligencia artificial era invertir la relación: que la máquina aprendiera nuestro lenguaje.
El libro describe como problema formidable conseguir que una computadora comprendiera una frase, mantuviera el contexto, tradujera, resumiera documentos, respondiera preguntas o reconociera nuestra voz.
Y aquí mi experiencia leyendo el propio libro se vuelve casi cómica.
Estoy fotografiando sus páginas en grupos de diez y entregándoselas a ChatGPT. La IA las lee, traduce, interpreta, resume, relaciona y me las explica en castellano.
Es decir, estoy utilizando para leer el libro, aquello que el propio libro describía como futuro.
El verdadero problema era el contexto
Los investigadores descubrieron rápidamente algo profundo: comprender palabras no significa comprender lenguaje.
Si estoy envolviendo un regalo y digo: “¿Tienes cinta adhesiva?”
probablemente no estoy interesado en hacer un inventario de tus pertenencias. Estoy diciendo: “Pásame la cinta adhesiva.”
Para comprenderme hay que interpretar contexto, intención y conocimiento del mundo.
Lo mismo ocurre cuando digo que alguien es “un pilar de la comunidad”. Una computadora estrictamente literal podría terminar buscando una curiosa estructura arquitectónica.
Aquellos investigadores habían descubierto uno de los grandes problemas de la inteligencia: comprender es también inferir lo que no fue dicho.
De los píxeles al significado
El mismo problema aparecía con la visión.
Una cámara no “ve” una caja. Recibe luz y produce información.
La máquina debía pasar de:
píxeles → bordes → formas → profundidad → objeto → significado.
También se experimentaba con tacto artificial, reconocimiento de voz y robots capaces de desplazarse en ambientes desconocidos.
El gran sueño era integrar:
percibir → comprender → decidir → actuar.
Cuatro décadas después, esa búsqueda continúa bajo nombres nuevos como robótica avanzada, IA multimodal y embodied AI.
Incluso imaginaron al aprendiz del programador
Una de las secciones que más me sorprendió describe un proyecto del MIT llamado The Programmer's Apprentice.
La idea era crear algo parecido a un socio junior del programador.
El humano podría concentrarse cada vez más en qué quería conseguir, mientras la máquina se ocupaba de una parte creciente del cómo hacerlo.
Cuesta leer aquello hoy sin pensar en los copilotos y agentes de programación actuales.
El cambio es enorme:
Antes debíamos explicarle al computador cada paso.
Hoy podemos decirle cada vez más simplemente, qué queremos conseguir.
Y quizás el próximo salto sea todavía más interesante: utilizar la IA no sólo para ejecutar lo que queremos, sino para ayudarnos a descubrir qué queremos.
Acertaron el futuro, pero se equivocaron en el caminoEl libro también relata una gigantesca carrera internacional por dominar la inteligencia artificial.
Japón lanzó su proyecto de computadores de quinta generación. Estados Unidos reaccionó. Aparecieron MCC y los programas de DARPA. Europa creó ESPRIT. Gran Bretaña impulsó el programa Alvey. Alemania y la Unión Soviética desarrollaron sus propias iniciativas.
Gobiernos, universidades, ejércitos y grandes corporaciones comprendieron algo extraordinariamente temprano: la inteligencia artificial sería también una fuente de poder económico, tecnológico y geopolítico.
En eso acertaron plenamente.
Donde se equivocaron fue en la ruta.
Apostaron fuertemente por sistemas simbólicos, reglas, lógica, Prolog y bases de conocimiento. La gran revolución terminaría llegando décadas después por otra vía: redes neuronales, enormes cantidades de datos, procesamiento paralelo, GPU, deep learning y transformers.
Vieron venir el continente, pero dibujaron mal el mapa para llegar hasta él.
Una enseñanza que permanece intacta
Hay algo, sin embargo, que aquellas primeras experiencias empresariales con IA comprendieron muy bien.
Un sistema de inteligencia artificial nunca está realmente terminado.
El conocimiento cambia. Aparecen excepciones. Cambian los usuarios. Cambia el negocio. Aparecen nuevas capacidades.
Por eso recomendaban construir pequeños prototipos, utilizarlos, aprender de ellos, corregirlos y volver a probar.
Curiosamente, es exactamente lo que hago hoy conversando con una IA.
Le pido algo. Me responde.
Al mirar su respuesta descubro que no era exactamente eso lo que quería.
Entonces reformulo mi pregunta.
La IA vuelve a responder.
Y, en ese proceso, no solamente mejora la respuesta: también mejora mi comprensión del problema.
Quizás ahí esté uno de los cambios más profundos.
Hace cuarenta años el gran desafío era:
¿Cómo metemos el conocimiento del experto dentro de la máquina?
Hoy comienza a aparecer otra pregunta:
¿Qué puede llegar a hacer el ser humano cuando tiene una inteligencia como ésta sentada permanentemente a su lado?
Y quizás esa sea, finalmente, la verdadera *Artificial Intelligence Experience*: no observar cómo las máquinas se vuelven más inteligentes, sino descubrir en qué podemos convertirnos nosotros cuando comenzamos a pensar con ellas.