Vivimos en una paradoja. Hacemos clic en una pantalla y un algoritmo invisible redacta un correo, diseña una imagen o toma una decisión financiera por nosotros. Creemos que somos más eficientes — y en parte lo somos — pero olvidamos que cada clic delega una pequeña parte de nuestro cerebro. Desde los sueños de la ciencia ficción hasta la colosal maquinaria de silicio y centros de datos que hoy consume gigavatios, la inteligencia artificial ha dejado de ser una promesa para convertirse en el motor de una nueva revolución. Pero el precio es alto. No se trata de la pérdida de empleos o de la burbuja financiera que sostiene a las tecnológicas. El verdadero riesgo es silencioso y ocurre dentro de nuestra propia cabeza. ¿Estamos usando la tecnología o ella nos está usando a nosotros?
El Nacimiento de la Inteligencia Artificial
Es el año 2015. Estás en el planeta Mercurio, refugiado bajo la tenue sombra de una roca mientras el sol abrasador amenaza con carbonizarte en segundos. El robot que enviaste a recolectar selenio para reparar la nave — SPD-13, al que llamas Speedy — lleva demasiado tiempo sin regresar. De repente, recuerdas que está programado con las Tres Leyes: 1) no puede dañar a un humano, 2) debe obedecer órdenes, salvo que contradiga la primera ley, y 3) debe proteger su propia existencia, sin violar las dos anteriores. Entonces, tomas una decisión arriesgada. Sales de tu escondite y avanzas bajo el sol incandescente, quemándote lentamente, hacia donde debería estar Speedy. Al verte en peligro, el robot rompe su misión y corre a rescatarte. No puede permitir que mueras, si no violaría la primera ley.
Esta es la escena central de Runaround, un relato escrito por Isaac Asimov en 1942. En este tiempo no existían los robots, ni las computadoras, y menos la ahora conocida Inteligencia Artificial.
Durante el mismo tiempo, Alan Turing estaba creando la primera máquina para descifrar el código secreto alemán, Enigma, durante la segunda guerra mundial.
En 1950, Turing publicó su artículo "Computing Machinery and Intelligence", donde propuso una forma de evaluar si una máquina podía considerarse inteligente: si un humano, al interactuar con ella a ciegas, no lograba distinguirla de otro humano, la máquina habría pasado la prueba. Este criterio, conocido como el "Turing Test", sentó las bases filosóficas de la IA. Seis años después, en 1956, el Dartmouth Summer Research Project on Artificial Intelligence — organizado por John McCarthy y Marvin Minsky, y financiado por la Fundación Rockefeller — marcó el nacimiento oficial del término Inteligencia Artificial y prometió un futuro donde las máquinas podían imitar cualquier facultad intelectual humana.
Durante este tiempo, se desarrollaron los llamados Sistemas Expertos, los cuales consistían en condiciones "si esto, entonces lo otro" (if-then statement). También se desarrollaron los perceptrones, basados en el aprendizaje Hebbiano (por Donald Hebb en los 1940s) que replican el proceso de las neuronas en el cerebro humano. Se desarrollaron también los algoritmos de SVM o Support Vector Machine, por Alexey Chervonenkis en 1964; así como k-means por James MacQueen en 1967 para categorización no supervisada de datos. Adicionalmente, el algoritmo KNN o K-Nearest Neighbors utilizado para clasificar datos, pero de forma supervisada. Todo esto fue el verano de la inteligencia artificial.
En el otoño se recolectan los frutos. Se crea un modelo de procesamiento de lenguaje natural, llamado ELIZA, capaz de entablar conversaciones con los humanos. También se crea otro modelo que juega al ajedrez, así como el "General Problem Solver" que puede resolver automáticamente problemas como la torre de Hanoi. Incluso las primeras redes neuronales artificiales (ANN) usadas para quitar el eco en las líneas de teléfono en aquel entonces.
Las expectativas y promesas de la IA habían alcanzado su límite tecnológico, por lo que el gobierno e inversionistas detuvieron el financiamiento en 1973, convirtiéndose en el invierno de la inteligencia artificial.
A pesar del estancamiento, la IA no desapareció. Permaneció latente hasta que, décadas después, una combinación de nuevos recursos tecnológicos — como las tarjetas gráficas (GPUs), el cómputo en la nube y el acceso a grandes volúmenes de datos — permitió su renacimiento a partir del 2010, haciendo posible el desarrollo de algoritmos de redes neuronales profundas, conocido como "Deep Learning", sentando las bases para las capacidades avanzadas de procesamiento de lenguaje natural como Siri, creado por Apple en el 2011.
En el 2012, con la creación de AlexNet, fue el punto de inflexión, duplicando cada seis meses las operaciones por segundo (flops) para entrenar la IA, llegando en el 2025 a 100 septillones (100 x 10^26) flops. Como referencia, existen 1 septillón de estrellas en el universo observable. En el 2015 Google DeepMind desarrolla AlphaGo para derrotar al campeón mundial, Fan Hui, en el juego de Go 5 a 0. El mismo año, Stephen Hawking y Elon Musk, junto con otros expertos de IA, firman la Carta Abierta sobre la Inteligencia Artificial. Esta carta marca las pautas contra el uso de la IA para armamento y la toma de decisiones que afecten a la humanidad.
Hoy en día, nos encontramos en una carrera para crear la AGI o Inteligencia General Artificial, y es importante considerar los estándares y marcos que se han establecido para crear modelos que sean beneficiosos para las personas, organizaciones y ecosistemas.
Con el auge del Deep Learning y modelos cada vez más poderosos, surgieron también preguntas cruciales: ¿Cómo asegurar que esta tecnología se use de manera responsable? Esto llevó a la creación de marcos éticos y estándares para guiar el desarrollo de la IA.
Estándares y Gestión Ética de la IA
Debido al avance tecnológico en la IA, las posibilidades de aplicaciones comenzaron a aumentar. Algunas aplicaciones benéficas incluyen: diagnóstico médico más preciso, educación personalizada, asistentes para discapacidades, gestión financiera, traducción instantánea, mantenimiento predictivo, investigación acelerada, modelado climático, entre otros.
Sin embargo, esta tecnología se ha utilizado de forma maléfica como: deepfakes, manipulación de datos, sesgo de datos, discriminación algorítmica, vigilancia masiva intrusiva, ciberataques automatizados, desplazamiento laboral, y dependencia tecnológica.
La IA se ha integrado a nuestras vidas, sobre todo las empresas la utilizan para optimizar el desempeño de sus operaciones y sus ventas. Más el uso y desarrollo dependerá de todos los actores que participen en el ciclo de vida de la IA (ver §4).
Por esta razón, el NIST (National Institute of Standards and Technology) ha creado un marco para la gestión de riesgos, llamado Artificial Intelligence Risk Management Framework (AI RMF).
Este marco describe cómo medir el riesgo (un resultado no deseado), su tolerancia, y prioridad. Para que la IA sea confiable, debe ser segura, resiliente, explicable e interpretable, que proteja la privacidad, que sea justa y gestione los sesgos perjudiciales, y que sea responsable y transparente.
El marco se centra en cuatro puntos principales; mapear cómo el contexto es reconocido y los riesgos posibles; medir los riesgos identificados para rastrearlos; gestionar los riesgos en base a su prioridad y actuar en los que conlleven más impacto; y finalmente gobernar la cultura de gestión de riesgo.
El uso del marco AI RMF puede beneficiar significativamente las entidades pertenecientes al ciclo de vida de la IA. Esto incluye un desarrollo consciente en todas las etapas, desde la adquisición de datos, el modelado, la validación y la documentación del proceso y los resultados deseados.
Cómo crear un buen modelo de IA
Como vimos anteriormente, la IA no es nueva. Ha existido el tiempo suficiente para tener estándares y marcos. La OECD, Organization for Economic Cooperation and Development, ha creado un marco el cual define el ciclo de vida de un modelo de IA. El marco consiste en cuatro partes:
- el contexto en el que se está aplicando; 2) los datos de ese contexto que se
usan como entrada; 3) el modelo de IA que procesa esos datos de entrada; y 4) la tarea realizada por el modelo y la salida producida afectando (positiva o negativamente) el contexto de aplicación.
El NIST expande este marco a 7 pasos:
Planificar y diseñar: Articular y documentar el concepto del sistema y sus objetivos, supuestos subyacentes, y el contexto a la luz de requisitos legales y reglamentarios, así como consideraciones éticas.
Recolectar y procesar los datos: Recopilar, validar y limpiar datos y documentar los metadatos, así como las características del conjunto de datos.
Creación y uso del modelo: Crear o seleccionar el algoritmo a utilizar, así como entrenar el modelo.
Verificar y validar: Verificar y validar el modelo. Calibrar e interpretar la salida producida por el modelo.
Implementación y uso: Pilotear, verificar compatibilidad con sistemas heredados, verificar el cumplimiento normativo, gestionar el cambio organizacional, y evaluar la experiencia de usuario.
Operación y monitoreo: Operar el sistema de IA y evaluar continuamente sus recomendaciones e impactos (tanto previstos como no previstos) a la luz de los objetivos, los requisitos legales y reglamentarios, y las consideraciones éticas.
Uso e impacto: Usar el sistema creado, monitorear y evaluar los impactos, buscar la mitigación de los impactos.
En cada etapa del proceso intervienen diferentes expertos y usuarios finales. Entre ellos se encuentran científicos e ingenieros, diseñadores de IA, experiencia de usuario, operadores de sistemas, gerentes de producto, auditores, usuarios, entre otros. Todos interactúan para resolver un problema en común. Por ejemplo, si eres usuario de algún LLM, estás dentro de este proceso.
Estos estándares no solo son relevantes para el diseño técnico, sino para entender cómo la IA está transformando la sociedad. De hecho, su impacto puede verse como parte de una tendencia histórica más amplia: las revoluciones industriales.
La IA en el Contexto de las Revoluciones Industriales
Las revoluciones industriales han dado forma a nuestra civilización y nuestro progreso. La primera revolución industrial permitió la mecanización de la producción gracias a la máquina de vapor, acelerando el crecimiento económico y el acceso a bienes y servicios. La segunda implementó la electrificación las máquinas y la manufactura en línea. Durante este periodo, los estándares de vida también se habían elevado y debido a la globalización, se requería una comunicación más rápida. La entrada de la tercera revolución industrial, conocida como la era digital, permitió ese cambio gracias al internet y a la automatización de la manufactura. Sin embargo, trabajos como ensambladores, elevadoristas, cajeros de banco, mensajeros, entre otros, fueron fuertemente reemplazados.
La cuarta revolución industrial, conocida como Industria 4.0, integra el mundo digital con el mundo físico. La instrumentación en las líneas de fabricación permiten tener un control sobre todo el proceso y tener modelos predictivos, conectar los a través del internet (internet of things IoT) con bases de datos, rastrear las preferencias de los usuarios para hacer recomendaciones e incrementar las ventas, la creación de Big Data y retomar la IA para crear mejores modelos. Las organizaciones ahora podían manejar riesgos con mayor precisión. Todo aquel que utiliza la IA, de forma correcta, tendrá una ventaja competitiva muy alta sobre aquel que no.
Durante la RI-3, hubo un desplazamiento de trabajos, más hubo creación de nuevos empleos. Antes de la existencia de los aviones, no había ingenieros ni técnicos aeronáuticos, controladores aéreos, aerolíneas, etc. Lo mismo sucede con la I4.0 y el aumento del uso de datos y de la IA.
El foro de economía mundial (World Economic Forum - WEF) publicó el reporte del futuro del trabajo — Future of Jobs Report 2025 — realizando una proyección de la necesidad y el desplazamiento del trabajo del 2025 al 2030. Se estima un crecimiento del 90% en empleos de Big Data, Fintech, y especialistas en IA/ML.
Trabajos repetitivos, o de alto riesgo, serán completamente reemplazados por robots. Las personas que no se actualicen, desafortunadamente, se quedarán atrás. Empleados de servicio postal, cajeros, taquilleros, asistentes administrativos, trabajadores de imprenta, control de inventario, telemercadeo, investigadores de seguros, entre otros, serán fuertemente desplazados por robots y modelos de IA. Se estima un decremento del 40% en estos trabajos.
La Infraestructura de la IA
El crecimiento en demanda de especialistas en IA refleja una industria en expansión, sostenida por una compleja infraestructura que abarca desde la energía hasta el software.
La siguiente imagen muestra el financiamiento circular que se ha creado entre empresas como OpenAI, Nvidia, Microsoft, y Oracle, teniendo transacciones de billones de dólares.
Existen una serie de niveles en infraestructura para el desarrollo de la IA. El primer nivel, es la infraestructura energética. Los servidores de centros de datos y de entrenamiento de modelos de IA necesitan cantidades enormes de energía eléctrica, sobre todo durante el entrenamiento. Está estimado que para el 2030 se necesitarán cerca de 945 TWh, el 3% del consumo total de electricidad en el mundo.
El segundo nivel está en los microchips. Las empresas como Nvidia, Broadcom, TSMC, ASML, Samsung y AMD, son los fabricantes más importantes de microchips. Son ellos quienes producen los componentes necesarios para servidores, centros de datos y lo que hace posible que puedas pedir tu despensa, ver una película, o guardar documentos en la nube con un solo click.
El tercer nivel es donde se encuentran empresas como OpenAI, xAI, DeepSeek, Mistral, las cuales desarrollan los modelos y el software que se ejecuta sobre el nivel dos. Los gastos de estas empresas incluyen el uso de tarjetas de video las cuales consumen electricidad, e investigación. Estos gastos pueden llegar a varios millones de dólares al mes solo por el entrenamiento. El costo crece exponencialmente con el número de parámetros que tiene el modelo.
Es claro que estamos en una burbuja, considerando que las empresas gastan más que sus ingresos sin embargo aún tienen mucho potencial y se requieren más desarrolladores. Si explota, es mejor estar del lado de los creadores y no de los usuarios.
Más allá de la infraestructura y la inversión, lo fundamental es, en esencia, recordar que la IA es una herramienta creada por humanos para humanos. Su valor no está en reemplazar nuestro pensamiento, sino en potenciarlo.
No dejes que la IA piense por ti
Es fácil creer que modelos como ChatGPT "piensan". La realidad es que solo son algoritmos que generan respuestas basadas en patrones "aprendidos" de datos de entrenamiento. Estos algoritmos fueron creados por humanos — tras aprender, programar y resolver errores para automatizar tareas repetitivas — no para reemplazar nuestro juicio. Por ejemplo, imagina a un abogado que debe crear un contrato para cada uno de sus clientes. Él sabe que el documento siempre lleva la misma estructura, pero con el contexto del cliente en particular. El abogado ya tiene su propio estilo y un documento marco. Puede realizar una encuesta al cliente y darla a un modelo LLM (Large Language Model), junto con el marco, para generar un contrato personalizado para su cliente de forma automática, ahorrando la mitad del tiempo, aumentando su eficiencia.
El peligro no está en la herramienta, sino en cómo la usamos. Si delegamos nuestro análisis, creatividad y toma de decisiones, atrofiamos las mismas habilidades que nos hacen humanos: la curiosidad, el razonamiento crítico y la capacidad de conectar ideas de forma original.
Incluso Sam Altman, fundador de OpenAI, prefiere el papel, los libros y la conversación humana para sus ideas más importantes. Nos da una pista de que la IA es el acelerador, pero nosotros debemos sostener el volante y elegir el destino. La pregunta crucial no es cómo mejorar la inteligencia de las máquinas, sino cómo mejorar la nuestra mientras las usamos. Podemos usar la IA para liberar tiempo, para explorar más opciones, para probar hipótesis. Pero luego, apaguemos la pantalla, tomemos un cuaderno y pensemos por nosotros mismos.