De la burbuja al plan: cómo ajustar expectativas sobre la Inteligencia Artificial

Desde el accidentado lanzamiento de GPT-5 en agosto, el discurso mayoritario en torno a las capacidades de la inteligencia artificial (IA) ha dado un giro abrupto hacia la prudencia. Yann LeCun, Demis Hassabis y Richard Sutton han admitido su error: escalar grandes modelos de lenguaje (LLM) no es suficiente para la consecución de la inteligencia artificial general (AGI).

Sirviéndonos de OpenAI como caso paradigmático, Sam Altman ha reconocido que existe una “burbuja de expectativas sobre la IA”, anticipando una posible diversificación de su línea de negocio hacia el desarrollo de dispositivos o la integración de su herramienta en redes sociales: es decir, separándose de la carrera hacia la AGI. Este brusco cambio de rumbo contrasta con las prospecciones agresivamente optimistas de meses anteriores. Sam Altman aseveró que, para agosto de 2025 no harían falta más programadores, porque mediante IA se escribiría todo el código que hiciera falta, entre otras maravillas. Sin embargo, los LLM siguen sin poder contar correctamente cuántas “r” hay en “fresa”, o identificar las partes de una imagen.

Va evidenciándose un espacio importante entre las bravuconadas iniciales que los adalides de los LLM prometieron, y lo que son capaces de ofrecer: para eludir la responsabilidad, han atribuido al público estas expectativas sobredimensionadas. Sin embargo, no hay que olvidar que los instigadores de la IA, prevaliéndose del desconocimiento general sobre el funcionamiento de estas herramientas, llegaron en su atrevimiento al punto de desincentivar a estudiantes a elegir un grado en programación, so pretexto de que, para cuando completaran su formación, ésta habría quedado desfasada. Por si fuera poco, la comercialización de la IA generativa tampoco está resultando sencilla. Al margen de las cuestiones capitales sobre la privacidad y fiabilidad de estas herramientas, por no mencionar la propiedad intelectual, en los centros de trabajo también preocupa que la productividad no resulte tan deslumbrante como se prometía, suponiendo horas adicionales de trabajo para supervisar los resultados, y corregirlos, si es el caso. Además, se extiende una sensación de saturación general frente a la morralla producida por IA que está anegando los medios digitales (el término en inglés es “AI slop”).

¿Por qué está ocurriendo esto? En el fondo, la expectativa de crecimiento infinito descansaba sobre la premisa de que sería posible alcanzar la AGI únicamente invirtiendo más dinero y recursos en el desarrollo de LLM. Sin embargo, parece que la curva de crecimiento de las capacidades de los LLM ha encontrado su límite natural. Aún con recursos infinitos (de los que no disponemos, por cierto) no es plausible alcanzar la AGI únicamente mediante escalado. ¿Por qué? Inventar una máquina que realice la diversidad de tareas de razonamiento propias del ser humano—generalización, causalidad, resolución de problemas, transferencia, memoria, percepción y planificación a largo plazo, por nombrar algunas—, no es nada sencillo. Se viene intentando mediante fragmentación de tareas, con la esperanza de integrarlas después. El método que mejores resultados ha dado hasta la fecha son las redes neuronales profundas que, aplicadas al lenguaje, nos han dado los LLM.

Tendemos a creer que estas máquinas “piensan”, como nosotros, porque hablan de forma más o menos coherente, como nosotros. Es complicado explicar en qué consiste la diferencia sin adentrarse en la técnica, tema que no es objeto de este artículo. Baste decir, por ahora, que los LLM establecen correlaciones probabilísticas, no relaciones de causalidad, o, dicho más llanamente: no saben cuántas “r” hay en “fresa”, porque no saben lo que es una “r”. Y esa carencia no se cubre ni con todos los bancos de datos del mundo, porque es un problema inherente al diseño del método. Por eso, no se hará ningún avance significativo hacia la AGI sólo alimentando LLM. Hay que probar otros métodos. Esto es algo que también saben los artífices de esta tendencia, y que muchos de ellos ya sabían cuando empezaron a hostigar estas expectativas.

En síntesis: existe una expectativa irreal de crecimiento infinito sobre las capacidades de los LLM. Dicha expectativa descansa sobre la creencia de que las LLM son el camino definitivo hacia la AGI, y que sólo es necesario invertir más en su desarrollo. Se está demostrando que esa expectativa es un error, incluso admitiendo por algunas de las voces más influyentes en la materia. El error consiste en asumir que el método de razonamiento simulado de los grandes modelos de lenguaje tan sólo necesita más datos para mejorar significativamente. Estamos a punto de ver una dosis de realidad en el mercado y en la sociedad que corregirá expectativas infundadas. El coste de unas expectativas sobredimensionadas para los usuarios de estas herramientas puede reflejarse en promesas comerciales vacías, inversiones y contratos basados en capacidades irreales, sobrecarga operacional por horas añadidas de supervisión y corrección, desilusión cuando productividad y fiabilidad no se materializan, mala publicidad por saturación del mercado, además de desincentivar la formación. Es necesario moderar el entusiasmo: tomen decisiones realistas basadas en el estado del arte, no en el sueño de lo que podría ser; innoven e integren herramientas de IA sobre necesidades reales, priorizando, evaluando y ponderando riesgos antes de desplegarlas.

Artículo publicado en Confilegal.