La inteligencia artificial (IA) es la disciplina de la informática que estudia cómo construir sistemas capaces de realizar tareas que, hechas por personas, requerirían inteligencia: percibir, razonar, aprender de la experiencia, comprender lenguaje o tomar decisiones. El término nació en 1956 en la conferencia de Dartmouth, pero conviene desinflar el mito desde el principio: lo que hoy llamamos IA no piensa ni entiende como un ser humano. Son sistemas estadísticos que reconocen patrones en grandes volúmenes de datos y producen predicciones. Esa distinción no es pedante, es la base para entender qué pueden y qué no pueden hacer estas herramientas.
IA débil frente a IA fuerte
La separación conceptual más útil es la que propuso el filósofo John Searle entre IA débil e IA fuerte. La IA débil (o estrecha, narrow AI) está diseñada para resolver una tarea concreta: clasificar correos como spam, recomendar productos, transcribir voz o conducir un vehículo. Es la única IA que existe hoy, sin excepción. Por muy impresionante que parezca un asistente conversacional, sigue siendo un sistema especializado en predecir secuencias de texto plausibles, no una mente general.
La IA fuerte o inteligencia artificial general (AGI) sería un sistema con capacidad cognitiva equiparable a la humana en cualquier dominio, capaz de transferir conocimiento de una tarea a otra y de razonar de forma autónoma. No existe, y la comunidad científica no tiene consenso sobre cuándo (ni si) llegará. Confundir los dos conceptos lleva a expectativas irreales y a decisiones de inversión equivocadas: ningún sistema actual sustituye el juicio humano, lo asiste.
Machine learning: cómo aprende una máquina
El motor de casi toda la IA práctica es el aprendizaje automático (machine learning), un enfoque en el que el sistema infiere reglas a partir de datos en lugar de recibirlas programadas a mano. Se distinguen tres paradigmas:
- Aprendizaje supervisado: el modelo aprende de ejemplos etiquetados (entradas con su respuesta correcta). Es el caso de la regresión, que predice valores continuos como un precio, y la clasificación, que asigna categorías como "fraude" o "no fraude". Necesita datos etiquetados de calidad, que suelen ser caros de producir.
- Aprendizaje no supervisado: el modelo busca estructura en datos sin etiquetar. El clustering, por ejemplo, agrupa clientes con comportamiento similar para segmentación de mercado.
- Aprendizaje por refuerzo: un agente aprende por ensayo y error maximizando una recompensa, paradigma usado en robótica, juegos y optimización de procesos.
Deep learning, redes neuronales y transformers
El aprendizaje profundo (deep learning) es una rama del machine learning basada en redes neuronales artificiales con muchas capas, capaces de aprender representaciones jerárquicas: las primeras capas detectan bordes en una imagen, las siguientes formas, y las últimas objetos completos. Las redes convolucionales (CNN) dominan la visión por computador; las recurrentes (RNN) se diseñaron para secuencias.
El salto decisivo llegó en 2017 con la arquitectura Transformer, descrita en el artículo "Attention Is All You Need". Su mecanismo de atención permite procesar secuencias largas teniendo en cuenta el contexto completo, y es la base de los grandes modelos de lenguaje (LLM) que sostienen los asistentes conversacionales actuales. Es importante entender que estos modelos predicen el siguiente token más probable: por eso pueden producir afirmaciones falsas con tono seguro, fenómeno conocido como alucinación. No es un fallo accidental, es una consecuencia directa de su naturaleza estadística, y obliga a verificar siempre las salidas en contextos críticos.
Tipos de IA: tabla resumen
| Tipo | Qué hace | Ejemplo práctico |
|---|---|---|
| IA débil (estrecha) | Resuelve una tarea concreta | Filtro antispam, recomendador |
| Machine learning supervisado | Predice a partir de ejemplos etiquetados | Detección de fraude |
| Machine learning no supervisado | Encuentra patrones sin etiquetas | Segmentación de clientes |
| Deep learning | Aprende representaciones complejas | Reconocimiento de imágenes |
| IA generativa (LLM) | Genera texto, imagen o código | Asistentes y resúmenes documentales |
| IA fuerte (AGI) | Inteligencia general (hipotética) | No existe a día de hoy |
El AI Act europeo: el marco legal que cambia las reglas
Cualquier organización que despliegue IA en la Unión Europea debe conocer el Reglamento (UE) 2024/1689, conocido como AI Act, el primer marco normativo integral del mundo sobre inteligencia artificial. Su lógica es un enfoque basado en el riesgo con cuatro niveles. El riesgo inaceptable (por ejemplo, sistemas de puntuación social o manipulación subliminal) está prohibido. El alto riesgo (IA en selección de personal, crédito, dispositivos médicos o infraestructuras críticas) queda sujeto a requisitos estrictos de gestión de riesgos, calidad de datos, documentación técnica y supervisión humana. El riesgo limitado impone obligaciones de transparencia, como informar al usuario de que interactúa con una máquina o etiquetar el contenido generado artificialmente. El riesgo mínimo queda esencialmente libre.
Las prohibiciones empezaron a aplicarse en febrero de 2025 y el resto del reglamento se despliega de forma escalonada. A esto se suma el RGPD, que sigue plenamente vigente: si un sistema de IA trata datos personales, exige base legal, transparencia y respeto a los derechos del interesado, incluido el derecho a no ser objeto de decisiones exclusivamente automatizadas con efectos significativos. La Agencia Española de Protección de Datos ha publicado orientaciones específicas sobre IA y protección de datos.
Aplicaciones reales por dominio
Más allá de la teoría, la IA ya genera valor medible en tareas concretas y acotadas. En visión por computador, los modelos inspeccionan piezas en una línea de producción y detectan defectos a una velocidad y consistencia inalcanzables para el ojo humano, o leen matrículas y documentos para automatizar trámites. En procesamiento de lenguaje natural, clasifican correos entrantes, extraen datos de contratos, resumen documentos extensos y alimentan asistentes que resuelven consultas frecuentes. En analítica predictiva, anticipan la demanda para optimizar inventarios, estiman el riesgo de impago o identifican qué clientes tienen mayor probabilidad de abandonar un servicio.
Lo que une a todos estos casos exitosos es la acotación: funcionan porque el problema está bien delimitado, los datos están disponibles y existe un criterio claro de acierto. Los proyectos que fracasan suelen ser los que esperan que la IA resuelva problemas ambiguos o estratégicos que ni siquiera las personas tienen bien definidos. La regla práctica es sencilla: la IA brilla en tareas repetitivas, basadas en patrones y con retroalimentación clara, y flaquea en decisiones que requieren sentido común, contexto amplio o responsabilidad última.
IA responsable: sesgo, explicabilidad y supervisión
Un sistema de IA hereda los sesgos de los datos con los que se entrena, y puede amplificarlos a escala. Un modelo de selección de personal entrenado con decisiones históricas sesgadas reproducirá esa discriminación con apariencia de objetividad técnica. Por eso la IA responsable no es un añadido ético opcional, sino un requisito de calidad y, en los casos de alto riesgo, legal. Sus pilares son la equidad (auditar y corregir sesgos en datos y resultados), la explicabilidad (poder justificar por qué el sistema produjo una salida, frente a los modelos "caja negra"), la trazabilidad (documentar datos, versiones y decisiones de diseño) y la supervisión humana significativa, que el AI Act exige de forma expresa para los sistemas de alto riesgo. La norma ISO/IEC 42001, publicada como primer estándar de sistemas de gestión de IA, ofrece un marco para gobernar estos requisitos de forma sistemática.
Errores comunes al adoptar IA en la empresa
- Empezar por la tecnología y no por el problema: comprar una solución de IA sin un caso de uso medible que justifique la inversión.
- Ignorar la calidad del dato: un modelo entrenado con datos sesgados o sucios perpetúa y amplifica esos sesgos (garbage in, garbage out).
- Confiar ciegamente en las salidas: usar texto generado sin verificación humana en contextos legales, médicos o financieros.
- Olvidar el cumplimiento: desplegar un caso de alto riesgo sin la documentación ni la supervisión que exige el AI Act.
Preguntas frecuentes
¿La inteligencia artificial va a sustituir mi empleo?
La IA automatiza tareas, no profesiones completas. Tiende a transformar puestos asumiendo lo repetitivo y dejando a las personas el juicio, la relación con clientes y la supervisión. El riesgo real no es ser sustituido por la IA, sino por alguien que sabe usarla mejor.
¿Qué diferencia hay entre IA, machine learning y deep learning?
Son círculos concéntricos: la IA es el campo más amplio; el machine learning es un subconjunto que aprende de datos; y el deep learning es a su vez un subconjunto del machine learning basado en redes neuronales profundas.
¿Por qué los modelos de lenguaje inventan datos?
Porque predicen el texto más probable, no la verdad. No consultan una base de hechos; generan secuencias plausibles. Por eso, en cualquier uso serio, sus salidas deben verificarse contra fuentes fiables.
¿Necesito muchos datos para aplicar IA en una pyme?
No siempre. Para tareas comunes existen modelos preentrenados que se adaptan con pocos ejemplos, y muchos casos de valor (atención al cliente, clasificación documental) se resuelven sin construir un modelo desde cero.
Conclusión
Entender la inteligencia artificial pasa por aceptar una idea incómoda: su poder no viene de pensar, sino de reconocer patrones a una escala que ninguna persona alcanza. Esa naturaleza estadística explica tanto sus aciertos espectaculares como sus alucinaciones, y marca exactamente dónde sigue siendo imprescindible el criterio humano. Para una empresa, el valor no está en sumarse a la moda, sino en identificar la tarea concreta que la IA puede asumir mejor, alimentarla con datos de calidad, mantener la supervisión y respetar un marco legal (AI Act y RGPD) que en Europa ya no es opcional. La IA general no ha llegado; la IA útil, sí, y la ventaja será de quien la integre con rigor en lugar de con entusiasmo. En Summum acompañamos esa integración midiendo resultados, no prometiendo magia.