Dónde está el límite de las capacidades de la IA actual

La potencia de cómputo para entrenar modelos de lenguaje se discute hoy al nivel de los jefes de Estado, y no solo en los consejos de administración de las grandes tecnológicas. La carrera por el liderazgo en IA se ha convertido en un factor geopolítico, comparable por su peso al control de la tecnología nuclear. Pero tras este revuelo se esconde una pregunta fundamental que la industria prefiere ignorar: ¿existe un techo de principio para lo que la inteligencia artificial, tal como es hoy, puede hacer?

Para responder, primero hay que aclarar la terminología. Genrij Altshuller, inventor y metodólogo soviético, creador de la teoría de resolución de problemas de inventiva (TRIZ), distinguía con claridad dos tipos de problemas. El primero son los problemas rutinarios. Pueden ser enormemente complejos desde el punto de vista computacional, exigir terabytes de datos y meses de trabajo de supercomputadoras, pero su solución se encuentra por completo dentro del sistema de conocimiento existente. En esencia, son tareas de búsqueda y combinación de lo que la humanidad ya sabe. Y es aquí donde los modelos de lenguaje actuales logran resultados impresionantes: exploran, sintetizan y adaptan el conocimiento existente a una velocidad y a una escala inalcanzables para la mente humana.

El segundo tipo son los problemas inventivos. Es el terreno donde no basta con encontrar una respuesta dentro del espacio de lo conocido, sino que hay que salir de él. Crear una abstracción nueva, descubrir una regularidad que nadie ha formulado antes o proponer una solución que contradice las ideas comúnmente aceptadas. Aquí empieza lo más interesante, y lo más inquietante para quienes creen en la inevitabilidad de una IA «fuerte».

Los grandes modelos de lenguaje actuales, con todo su rendimiento, funcionan mediante la generalización estadística de patrones de los datos de entrenamiento. No «entienden» en el sentido en que entiende una persona: reconocen estructuras y las reproducen con variaciones. Eso los convierte en herramientas brillantes para tareas rutinarias de cualquier complejidad, desde escribir código a partir de plantillas conocidas hasta diagnosticar enfermedades con datos médicos acumulados. Pero cuando se trata de un descubrimiento genuino, de ver lo que no está en los datos, el modelo entra en un callejón sin salida epistemológico. No puede salir del espacio de conocimiento con el que fue entrenado.

Por supuesto, cabe objetar que los modelos a veces producen resultados inesperados e incluso «creativos». Es cierto, pero esa «creatividad» es combinatoria, no invención. Un modelo puede unir dos áreas lejanas del saber de forma poco evidente, y el resultado puede parecer una chispa de genio. Sin embargo, el conocimiento realmente nuevo, el que no es una recombinación de lo existente, requiere otro mecanismo cognitivo. Cuál sea, es una pregunta que no pueden responder ni la neurociencia ni la filosofía de la mente.

Las consecuencias prácticas de esta distinción son enormes. Las empresas y los gobiernos que invierten miles de millones en IA deben evaluar con sobriedad qué problemas tendrán que resolver. Si se trata de automatizar, optimizar o escalar procesos existentes, los modelos de lenguaje lo lograrán, y cada año mejor. Pero si la apuesta es que la IA logre un avance científico fundamental o cree una tecnología radicalmente nueva sin participación humana, las expectativas probablemente están infladas. Al menos con la arquitectura actual de los modelos.

Hay además un nivel más profundo del problema. La carrera de los LLM entre Estados crea una ilusión peligrosa: quien primero construya el modelo más potente obtendrá una ventaja estratégica en todo. Pero si existe un techo epistemológico, aumentar la potencia solo da una mejora cuantitativa en tareas rutinarias, no un salto cualitativo hacia la superinteligencia artificial. Esto no resta importancia a la IA: la automatización de lo rutinario transformará por sí sola la economía y la sociedad. Pero significa que la inteligencia humana, capaz de inventar de verdad, sigue siendo un recurso insustituible.

La cuestión de los límites de la IA no es una condena de la tecnología, sino una invitación a hablar con honestidad sobre su naturaleza. Cuanto mejor entendamos lo que las máquinas pueden y no pueden hacer, con más eficacia podremos construir una simbiosis entre inteligencia humana y artificial. Y quizá sea esa simbiosis, y no la carrera por un modelo todopoderoso, el verdadero avance de la próxima década.