Podemos decir que, en este momento, el mundo le dice inteligencia artificial (IA) a cosas que podrían considerarse inteligencia artificial, a cosas que serían mejor descritas como “un programa para computadoras”, a aplicaciones para celular y, por supuesto, a Chat GPT. Resumiendo, el mundo le dice IA a cualquier cosa. Ahora está de moda enseñar IA, incorporar IA a tu emprendimiento, hacer carreras de IA y posgrados en IA. Imagine el lector lo aburrida que es una empresa que confiesa que no hace nada que tenga que ver con IA. También es verdad que, al mismo tiempo y detrás del ruido y la furia, problemas que hasta hace no tanto eran considerados imposibles, como la traducción automática, ahora son un hecho. Y, seguro que sí, la traducción automática es un ejemplo de lo que podemos llamar, sin miedo a sentirnos unos impostores, inteligencia artificial.
Es probable que la noción actual de IA aparezca dentro del arco de tiempo de la historia de la computación, arco que probablemente comienza con un artículo específico, llamado “Sobre los números computables, con una aplicación al problema de la decisión”, de Alan Turing, de 1936. Por supuesto que la computación (y ni que hablar la matemática que la incluye: Turing era un matemático) no empieza ahí, pero sí su formalización y, casi como subproducto, la noción de computadora como la entendemos hoy. Esta ciencia fue creciendo e incorporando modelos como la teoría de la información de Shannon, y aprovechando avances en la electrónica y las comunicaciones para provocar cambios radicales en la sociedad misma. Un detalle que creo interesante: cuando Turing propone su máquina, se inspira declaradamente en lo que hacía un computador humano, aquella persona que vivía de hacer cuentas. Que la ciencia de la computación surja como una imitación de la actividad humana nos dirá mucho sobre su camino posterior.
Hay un arco apenas más corto, que podríamos llamar el de la inteligencia artificial, que tiene como hito un artículo de... Alan Turing, de 1950, titulado “Computer Machinery and Intelligence” y que comienza con “propongo considerar la siguiente pregunta: ¿pueden las máquinas pensar?”. Un artículo que empieza así solamente tiene dos posibilidades: o es un delirio, o es una gema. En este caso, sin duda, lo segundo. Turing propone allí un test: construyamos un sistema computacional que se comunique solamente a través de una pantalla de texto con una persona; si para la persona ese sistema es indistinguible de una persona humana, entonces estaremos ante una inteligencia artificial. El artículo anticipa y discute varios argumentos en contra de esta definición, pero fija un criterio sencillo, que nos permitirá anclar nuestra evaluación. La IA avanzó por la segunda mitad del siglo pasado con veranos y con inviernos, con promesas de milagros en los 60, en los 80, en los 90, siempre desilusionando un poco, pero también siempre creciendo.
Antes de hablar de este siglo, quiero mencionar otro arco, que conozco bastante porque esencialmente mi trabajo como investigador me llevó a vivir sus cambios: el del procesamiento de lenguaje natural (PLN), un área de la inteligencia artificial que siguió más o menos el mismo camino. El PLN prometía en los 60 resolver la traducción automática, empezando, por razones bastante obvias, por la traducción del inglés al ruso... y fracasó con total éxito. Intentó modelar el lenguaje a través de reglas... y le fue más o menos. En los 90 decidió que todo tenía que aprenderse de los datos y que ya no había necesidad de lingüistas... y le fue más o menos, tan más o menos que hubo que llamar de nuevo a los lingüistas, porque al final no todo estaba en los datos. Aprendimos allí que para modelar o imitar a los humanos se necesita siempre alguna forma de supervisión humana, aprendizaje que tenemos que repetir cada tanto, porque parece que esto de creer por momentos en la magia, incluso aquella magia que, paradójicamente, venga de la tecnología o de la ciencia, es algo inherentemente humano.
La IA en el siglo XXI está completamente dominada por un solo formalismo: las redes neuronales artificiales. Métodos que no eran nuevos, que abrevaban en el perceptrón, la regresión logística y una inspiración biológica y que, a través de algunas innovaciones teóricas que surgieron de los 80 en adelante, se volvieron casi inmediatamente en el estado del arte en el procesamiento de lenguaje natural, la visión por computadora o el reconocimiento del habla, impactando en áreas tan diversas como la biología, la física y, últimamente, la propia matemática.
El alcance de estos métodos creció por el aumento de la capacidad de cómputo y, sobre todo, de la disponibilidad de datos. Un monopolio metodológico que da un poquito de miedo, a veces también aburre un poco, pero que también permite compartir conocimiento entre disciplinas e incluso tradiciones científicas bien distintas. De pronto, problemas que parecían bien lejanos de resolverse hace tan solo diez o 15 años, como la traducción automática que antes comenté, ya son parte del abanico de soluciones tecnológicas generalmente disponibles.
El arco más reciente tiene apenas cuatro años: lo llamamos grandes modelos de lenguaje, tiene puesta por ahora la marca de Chat GPT y todo el mundo le dice... inteligencia artificial. Si hoy tenemos inteligencia artificial hasta en la sopa es porque los modelos de este tipo, pensados para generar una distribución de probabilidad para la palabra siguiente a partir de las anteriores (y hacer cosas no muy distintas con las imágenes), mostraron que podían utilizarse para muchas, muchísimas más cosas que las que incluso los que conocíamos el área hubiéramos esperado. Han impactado a todas las áreas del conocimiento, con una cantidad de resultados, otra cantidad de promesas, un impacto en la productividad que todavía está por verse, y un impacto en la sociedad que... también está por verse.
Tal vez haya observado quien esto lee que no definí hasta ahora qué es exactamente la inteligencia artificial. El documento de la Universidad de la República (Udelar) sobre principios rectores en el tema define cuidadosamente el término; yo voy a proponer aquí una definición más sencilla, aunque tal vez un poco menos útil para guiar las decisiones: inteligencia artificial son máquinas haciendo tareas que hasta ahora hacían solo los humanos. Por eso, la IA es siempre un blanco móvil: es lo que no parece posible y que, luego de unos años, se vuelve solamente tecnología. Mientras tanto, como diría Arthur Clarke, nos resulta indistinguible de la magia.
Antes de hablar de oportunidades y desafíos, me gustaría intentar caracterizar a los modelos de lenguaje actuales, no sin decir antes que mis afirmaciones están cargadas de incertidumbre, y que, en realidad, solamente podemos especular sobre las capacidades, los alcances o incluso de la forma en que estos modelos almacenan la información. Un gran modelo de lenguaje, en 2026, podemos imaginarlo como a un asistente mucho, muchísimo más informado que nosotros sobre cualquier tema que se nos ocurra, que es capaz de hilvanar ideas de forma exitosa e incluso de tomar decisiones, pero que no es muy coherente, no tiene mucho problema en mentir, es bastante adulador, y uno a veces tiene la sospecha de que de vez en cuando consume algún tipo de hongo. Tal vez su defecto más humano sea que, cuando no sabe, inventa. Curiosamente, esto último no es debido, al menos no completamente, a los métodos en sí, sino que está explícitamente fomentado durante su entrenamiento. Presenta, por esto mismo, comportamientos casi contradictorios: reproduce sesgos con toda naturalidad y por eso puede ser racista, sexista u otro tipo de sesgos menos graves, pero que todos y todas tenemos, y al intentar resolverlo, termina limando otras aristas que nos vuelven diversos. Tal vez la pregunta que deberíamos hacernos para delimitar el potencial de estos modelos es qué tarea estaríamos dispuestas a darle a nuestro asistente.
Hay un riesgo económico y geopolítico de la inteligencia artificial: estamos ante una tecnología muy homogénea, con prácticamente una sola cadena de producción, la cadena del cómputo, que tiene muy pocos dueños.
Esta visión actual de la inteligencia artificial, que incluye los modelos de lenguaje pero no termina en ellos, abre oportunidades inimaginables hasta hace poco. Podría hablar de Alpha Fold, que atacó un problema muy difícil como la predicción de la estructura 3D de las proteínas, o del reconocimiento automático de textos y de imágenes, o de las innovaciones en navegación autónoma. Permite integrar en una misma arquitectura audio, video, sonido, texto, secuencias genómicas, representaciones de la Tierra, imágenes médicas... casi todo admite ser entrada para estos modelos, convenientemente adaptados.
Quiero ser claro con esto, porque luego voy a hablar de riesgos: estamos ante un cambio tecnológico sustancial que sin duda impactará en la economía y en la sociedad en general, aunque tal vez no de la forma que hoy podemos imaginar.
Hay también diferentes riesgos en diferentes niveles. El primero ya lo introduje cuando presenté a nuestro asistente: por diseño, no son deterministas, y no sabemos cómo hacer que sean completamente fiables. Utilizar estos modelos para realizar tareas en las que no hay demasiado margen para el error es un problema, y por eso es que tener los chatbots “con IA” que cualquier institución que se precie tiene o quiere tener es una tarea bastante más difícil que lo que parece... y temo que ha funcionado bastante menos de lo que se esperaba. La industria del software está maravillada con estos agentes que deberían sustituir programadores y bajar costos, hasta que se da cuenta de que a veces son erráticos y nadie puede poner la mano en el fuego por ellos... lo cual es un problema, porque generalmente uno cuando compra un pasaje de ómnibus a Paysandú cuenta con que le van a vender siempre un pasaje a Paysandú y no va a terminar de vez en cuando en Durazno (estoy exagerando, y la industria del software está aprendiendo a lidiar con estas cosas, pero seguro de que no estamos ante un problema resuelto).
Hay un segundo riesgo, que es una tendencia que no es de los modelos, sino de los humanos: intentar usar una herramienta nueva para resolver cualquier cosa, incluso aquellas cosas que no necesitan la herramienta. ¿Por qué habría yo de pedirle a mi errático asistente que multiplique 1567 por 4566 si tengo una calculadora? Ni que hablar de 13 por 4, que estoy bastante seguro de que da 52 sin que me haga falta una herramienta.
Esto viene de la mano con un problema que, como docente, es el que más me preocupa: hay una parte importante del proceso de aprendizaje que tiene que ver con aplicar los conceptos que adquirimos y, en ese camino, afianzar el conocimiento. La delegación cognitiva que incluye el uso de grandes modelos de lenguaje no solamente impacta en la evaluación (como sabe cualquiera que haya propuesto un laboratorio más o menos básico a los estudiantes como tarea), sino tal vez, y mucho más importante, en el aprendizaje mismo. Es posible que nuestra próxima gran tarea como docentes sea convencer a los estudiantes de que hacer un trabajo que se les propone es bueno para el conocimiento que tienen que adquirir, más allá de para el curso que tienen que aprobar. Esto tiene también impacto en los productos de esos trabajos: nuestro asistente sabe de todo, pero nunca es muy original y siempre intentará producir un resultado “universalmente aceptable”, por lo que sus textos probablemente estén muy bien escritos, pero difícilmente tengan la personalidad que cada uno de nosotros les aporta, y a lo que habitualmente llamamos “estilo”. No se me ocurre cómo el Ulises de James Joyce podría ser el producto de un modelo de lenguaje, para empezar porque hay mucha, muchísima gente, alguna de ella bastante leída, a la que le parece un galimatías incomprensible y nuestro asistente seguramente no tomaría tanto riesgo. Entonces, es probable que los textos “asistidos por IA” estén probablemente mejor escritos, en promedio y entre comillas, que antes, pero sean también, y cada vez más, todos iguales. Y eso es un problema. Como es un problema que estos modelos sean muy buenos en inglés o en español, pero no funcionen ni cerca de bien, porque no tienen ni los datos ni el cómputo que los alimentan, en lenguajes de bajos recursos como el guaraní o el toba. Las consecuencias en términos de desigualdad son evidentes, y pueden extenderse con facilidad a otros dominios y tareas. Sumados a los sesgos, tenemos un combo peligroso que no se puede ignorar, sobre todo para proteger a aquellos que están discriminados.
Hay un tema que voy a mencionar brevemente. Hay un riesgo económico y geopolítico de la inteligencia artificial: estamos ante una tecnología muy homogénea (tal vez a una escala nunca antes vista), con prácticamente una sola cadena de producción, la cadena del cómputo, que tiene muy pocos dueños y, por lo tanto, poca competencia, donde ni siquiera son países sino empresas las que concentran esos medios de producción, donde la escala importa, e importa mucho, y donde la desigualdad en el acceso es, a priori, inevitable, como inevitable es el impacto de esa desigualdad. En ese mundo, cada país debe decidir cuál es el lugar que quiere ocupar, y sobre esa base definir sus acciones, su hoja de ruta y sus expectativas. La soberanía siempre es una decisión a renovar.
Lo que aprendimos en los últimos 20 años en el área de procesamiento de lenguaje natural es que este tipo de métodos pueden mover la frontera de lo posible, y ya nadie en la comunidad lo duda. También aprendimos que la magia nunca es magia, y que el rol de las personas para crear, pensar, inventar no está ni cerca de sustituirse por una pieza de software. Por esto mismo, aquellas comunidades que no puedan conocer los fundamentos, las posibilidades y los defectos de estos modelos estarán de un lado de una brecha, obligados a hacer lo que otros impongan.
No se me ocurre ningún escenario donde la forma de navegar esta ola, que ya no es solamente tecnológica, sino sobre todo social, sea otra que invertir más como país en generar conocimiento en las áreas vinculadas a estos temas, y en la educación en general. Estoy convencido de que hay que tomar una decisión política y priorizar el tema a nivel presupuestal porque, como espero haber transmitido, una vez más, nada hemos de esperar sino de nosotros mismos.
Guillermo Moncecchi es ingeniero en Informática, docente e investigador de la Universidad de la República. Fue subsecretario de Industria, Energía y Minería. Este artículo está basado en la ponencia presentada por el autor en las Jornadas de Inteligencia Artificial de la Udelar de agosto de 2026.
