Nadie le ha explicado qué es la IA. Empecemos por ahí.

Serie «Entender la IA», nota 1 de 12. Doce notas en orden, de cero a dirección. Esta es la primera.

Martes, 7:40, tranvía 11 en Zúrich. La directora de una empresa de 60 personas lee el correo en el móvil. Tres mensajes seguidos. Un proveedor le ofrece «una solución de IA» para su departamento de administración. Su hijo le manda la redacción del colegio, que ha hecho «con la IA» en diez minutos. Y un miembro del consejo le pregunta, con la cortesía de quien ya ha decidido que es un problema, qué está haciendo la empresa con la inteligencia artificial.

Entre la parada de Bürkliplatz y la de Paradeplatz, se da cuenta de algo incómodo. Lleva dos años oyendo hablar de esto a diario, ha pagado una licencia que casi nadie usa y, si el consejero le pidiera ahora una definición, no la tiene. Sabe reconocerla. No sabe decir qué es.

La escena es imaginaria. La situación, no. Me la encuentro cada semana en personas que dirigen empresas serias, con márgenes serios, y que hablan de la IA como se habla del tiempo: con soltura y sin saber muy bien cómo funciona. No es culpa suya. Casi todo lo que se publica sobre el tema está escrito para vender o para asustar, y ninguna de las dos cosas explica.

Esta serie es mi intento de hacerlo. Doce notas, de la pregunta más básica a las decisiones que solo puede tomar la dirección. Sin jerga que no explique antes, con ejemplos de la vida corriente y con una regla que me impongo en todas: cada cifra lleva su fuente, y cuando algo es una estimación de un proveedor, lo digo. Al final de esta primera nota tendrá dos frases para explicar la IA a cualquiera de su empresa. Y le contaré el error más común al explicarla, que es también el más antiguo: tiene setenta y cinco años.

La IA no es una tecnología nueva. Es una pregunta vieja que, de pronto, tiene respuestas que funcionan.

Una pregunta de 1950 que sigue abierta.

En 1950, el matemático Alan Turing publicó en la revista Mind un artículo que empezaba con una pregunta, «¿pueden pensar las máquinas?», y la descartaba en la primera página por demasiado vaga. En su lugar propuso un juego. Una persona hace preguntas por escrito a dos interlocutores que no ve, una persona y una máquina, y tiene que adivinar cuál es cuál. Si no lo consigue, la máquina ha ganado. Hoy lo llamamos el test de Turing.

Turing hizo además una predicción: hacia el año 2000, un interrogador medio no tendría más de un 70 % de probabilidades de identificar a la máquina tras cinco minutos de preguntas. La predicción falló, y durante décadas el juego fue un ejercicio de filosofía más que de ingeniería. Lo que importa de él no es la fecha. Es que, desde el primer día, medimos la inteligencia de una máquina por lo humana que parece. Recuerde esa idea. Volveré a ella al final, porque es la raíz del error que le prometí.

El verano en que se puso nombre.

El 31 de agosto de 1955, cuatro investigadores firmaron una propuesta de dos páginas para pedir dinero a una fundación. John McCarthy, de Dartmouth; Marvin Minsky, de Harvard; Nathaniel Rochester, de IBM, y Claude Shannon, de los laboratorios Bell. Pedían financiar «un estudio de dos meses y diez hombres sobre inteligencia artificial» durante el verano de 1956 en el Dartmouth College, en New Hampshire. Es la primera vez que la expresión aparece por escrito.

La frase central de la propuesta merece leerse despacio: el estudio partía de la conjetura de que «cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede, en principio, describirse con tanta precisión que una máquina pueda simularlo». Fíjese en dos palabras. Conjetura: era una apuesta, no un hecho. Y simular: nunca dijeron reproducir. Setenta años después, las dos palabras siguen siendo las correctas.

Lo que vino después no fue una línea recta. Hubo décadas de entusiasmo, décadas de recortes y proyectos que no cumplieron, y varias generaciones de técnicas distintas bajo el mismo nombre. Esa es la primera cosa que conviene saber: «inteligencia artificial» no nombra una tecnología, sino un objetivo, y bajo ese objetivo caben cosas muy diferentes. El filtro de spam de su correo y el asistente que redacta contratos se llaman igual y no se parecen en nada por dentro.

Qué dice la ley que es.

Cuando una palabra significa demasiado, conviene mirar cómo la define quien tiene que aplicarla. El Reglamento europeo de Inteligencia Artificial, en su artículo 3, define un sistema de IA como un sistema basado en una máquina, diseñado para funcionar con distintos niveles de autonomía, que puede adaptarse después de su despliegue y que, para unos objetivos explícitos o implícitos, infiere, a partir de la información que recibe, cómo generar resultados como predicciones, contenidos, recomendaciones o decisiones que pueden influir en entornos físicos o virtuales.

Es una definición jurídica, y por eso suena a jurídica. Pero tiene una palabra que lo explica casi todo: infiere. Un programa tradicional sigue instrucciones. Si el cliente tiene más de 65 años, aplica el descuento; si la factura supera los mil francos, pide una segunda firma. Alguien escribió cada regla, y el programa hace exactamente eso, siempre, con cualquier dato. Un sistema de IA no funciona así. Nadie le escribió la regla. Deduce, a partir de lo que recibe, cuál es el resultado más probable.

Piense en la diferencia entre una receta y un cocinero. La receta dice doscientos gramos de harina y veinte minutos de horno, y cualquiera que la siga obtiene lo mismo. El cocinero ha hecho ese plato quinientas veces, mira la masa y sabe que hoy, con esta humedad, necesita cinco minutos más. No consulta una regla. Infiere. La receta es el software de siempre. El cocinero es la IA. Y como el cocinero, a veces se equivoca, y no siempre sabe explicar por qué hizo lo que hizo.

Tres maneras de construir una máquina que infiere.

A lo largo de setenta años se han probado muchas, y hoy conviven tres. Las explico con el mismo ejemplo cotidiano, un empleado nuevo en su empresa, porque es la imagen que mejor funciona cuando hay que decidir.

La primera es escribir las reglas. Un grupo de expertos pone por escrito todo lo que sabe, en forma de condiciones, y la máquina las aplica más rápido que nadie. Es el empleado que llega con un manual de mil páginas y lo sigue al pie de la letra. En mayo de 1997, Deep Blue, un ordenador de IBM, ganó a Garry Kasparov por 3,5 a 2,5 en una serie de seis partidas en Nueva York. Evaluaba doscientos millones de posiciones por segundo. No había aprendido a jugar: calculaba, con reglas y fuerza bruta, mejor de lo que ningún humano puede calcular. Este enfoque sigue vivo en muchas empresas y tiene una virtud enorme: se puede auditar. Si se equivoca, alguien puede encontrar la regla culpable.

La segunda es aprender de ejemplos. En lugar de escribir las reglas, se le dan a la máquina muchos casos resueltos y se le pide que encuentre el patrón. Es el aprendizaje automático, y la idea tiene fecha: en 1959, Arthur Samuel, de IBM, describió un programa que aprendía a jugar a las damas mejor que la persona que lo había escrito. Hoy se distinguen tres variantes. Aprender con ejemplos etiquetados, como enseñar a un empleado nuevo con mil facturas ya clasificadas. Encontrar grupos en datos sin etiqueta, como descubrir que sus clientes se parten en cuatro perfiles que nadie había definido. Y aprender por ensayo y error, con una recompensa por cada acierto, que es como se entrenó AlphaGo: en marzo de 2016 ganó 4 a 1 al campeón Lee Sedol en Seúl, después de estudiar miles de partidas humanas y de jugar miles más contra versiones de sí mismo.

Este segundo empleado es muy bueno en lo que ha visto muchas veces y muy malo en lo que no ha visto nunca. Y tiene un rasgo que la dirección debe conocer: aprende lo que hay en los ejemplos, incluidos los errores y los prejuicios de quien los produjo. Si durante diez años su empresa concedió crédito de una manera sesgada, la máquina aprenderá a sesgar con la misma elegancia.

La tercera es la que ha cambiado la conversación: los modelos generativos. En junio de 2017, ocho investigadores publicaron un artículo titulado «Attention Is All You Need», que describía una arquitectura llamada Transformer. Sobre ella se construyeron los grandes modelos de lenguaje. La idea de fondo es de una sencillez casi ofensiva: se entrena una red con una cantidad enorme de texto para que haga una sola cosa, predecir la siguiente palabra. Después se la afina, con ejemplos y con correcciones humanas, para que se comporte como un asistente. Y resulta que, hecho a escala suficiente, eso produce algo que redacta, traduce, resume y programa.

El 30 de noviembre de 2022 se abrió al público ChatGPT. Según una nota del banco UBS recogida por Reuters, en enero de 2023 ya tenía cien millones de usuarios mensuales, dos meses después de su lanzamiento; a TikTok le había costado unos nueve meses y a Instagram dos años y medio. Es una estimación de analistas, no una cifra de la empresa, y la cito así. Pero explica la escena del tranvía: por primera vez, la IA era algo que cualquiera podía usar sin saber nada de ella. Y eso, que es una buena noticia, es también la razón por la que tanta gente que la usa no sabe qué es.

Este tercer empleado es el más desconcertante. Ha leído más que nadie en su empresa, escribe con una fluidez que impone y, a la vez, no ha estado nunca en su oficina, no conoce a sus clientes y no sabe qué día es hoy a menos que se lo digan. Se lo cuento con detalle en la siguiente nota, porque entender cómo trabaja por dentro es lo que evita los errores caros.

Qué no es.

Las definiciones por lo que algo no es tienen mala fama, pero en este tema son las que más dinero ahorran. Cinco cosas que la IA no es, y que casi todas las presentaciones comerciales dan por hechas.

• No es una cosa sola. Bajo el mismo nombre hay un filtro de spam, un sistema que lee facturas, un asistente que escribe y un programa que juega al go. Cuando alguien le ofrezca «IA», la primera pregunta es cuál de las tres familias es, porque el riesgo, el coste y la forma de comprobarla son distintos en cada una.
• No es nueva. Tiene setenta años de historia, varias generaciones de técnicas y una larga lista de promesas incumplidas. Lo nuevo es que la tercera familia funciona lo bastante bien como para que la use cualquiera, y que su precio ha caído muy deprisa.
• No sabe lo que dice. Un modelo de lenguaje produce la continuación más probable de un texto. No tiene intención, no comprueba, no sabe que se está equivocando cuando se equivoca. Esto no es un defecto que se arregle con la siguiente versión, es la naturaleza del método, y por eso hay que rodearlo de comprobaciones.
• No es un empleado. La analogía del empleado nuevo me sirve para explicar, pero conviene no llevarla al contrato. Una IA no tiene responsabilidad. Quien responde de lo que hace en su nombre es su empresa, y hay sentencias que ya lo han dicho. Hablaré de ellas en la nota sobre seguridad.
• No es un proveedor. Hay varios laboratorios que construyen modelos, cientos de empresas que los empaquetan y miles que los revenden con otro nombre. Que un producto «lleve IA» no dice casi nada sobre lo que hay dentro.

El tamaño de lo que está pasando.

Conviene tener dos o tres cifras a mano, con su reserva. El informe AI Index 2025 de la Universidad de Stanford recoge que el 78 % de las organizaciones encuestadas declaraba usar IA en 2024, frente al 55 % del año anterior. Es una encuesta, y «usar IA» incluye desde una prueba en un departamento hasta un sistema en producción, así que léala como una tendencia y no como una medida.

La cifra que más me interesa es otra. Según el mismo informe, el coste de hacer funcionar un sistema del nivel de GPT-3.5 cayó más de 280 veces entre noviembre de 2022 y octubre de 2024. Lo que hace dos años era caro de probar hoy cuesta céntimos, y esto cambia la pregunta que debe hacerse una dirección: ya no es si puede permitírselo, sino qué merece la pena hacer con ello y qué no. También según Stanford, la diferencia de resultados entre el mejor modelo y el décimo pasó del 11,9 % al 5,4 % en un año. Los modelos se parecen cada vez más entre sí. La ventaja, cuando la hay, está en cómo se usan, no en cuál se compra.

Y una cifra que explica por qué le escribo desde Suiza y España: de los modelos notables publicados en 2024, Stanford cuenta 40 de Estados Unidos, 15 de China y 3 de Europa. Los modelos se hacen fuera. Lo que se hace aquí, y donde se juega el valor para una empresa como la suya, es la aplicación.

Cómo explicarlo en dos frases.

Vuelva al tranvía. El consejero ha preguntado qué está haciendo la empresa con la IA, y la directora, esta vez, tiene una respuesta. Le propongo esta definición para decirla en voz alta en su próxima reunión, y para que la repita cualquiera de su equipo sin necesidad de entender nada más:

Un programa que, en vez de seguir instrucciones exactas, ha aprendido de millones de ejemplos a producir la respuesta más probable. Acierta mucho más de lo que esperábamos y no sabe cuándo se equivoca.

Las dos frases contienen todo lo que necesita una dirección para empezar. La primera explica por qué sirve para cosas que antes no se podían programar: nadie escribió la regla. La segunda explica por qué hay que rodearla de comprobaciones, contratos y personas: nunca va a avisar de que se ha equivocado.

Y ahora el error que le prometí. Tiene setenta y cinco años y lo cometió, con toda la inteligencia del mundo, el propio Turing al proponer su juego. Consiste en juzgar la IA por lo humana que parece. Es el error de quien se fía de un asistente porque escribe con una fluidez impecable, y el de quien lo desprecia porque «solo predice palabras». La fluidez no mide nada. Un sistema puede redactar un correo perfecto a un cliente y contener un dato falso en la segunda línea, dicho con la misma seguridad que los verdaderos. Juzgue la IA como juzga a un proveedor: por lo que entrega, medido, en su caso concreto. Nunca por cómo suena.

1. Hoy

   Escriba la definición

   Las dos frases, en una pizarra o en el primer mensaje que mande a su equipo sobre el tema. Que todos usen la misma.

2. Esta semana

   Haga el inventario de lo que ya tiene

   El filtro de spam, el corrector del móvil, el traductor, el mapa que calcula la ruta. Ya usa IA en diez sitios; verlos quita el miedo y pone perspectiva.

3. Este mes

   Pregunte a cada departamento una sola cosa

   Qué tarea repetida les quita más tiempo cada semana. No pregunte dónde pondrían IA; aún no toca. La lista de tareas es la que vale.

4. Antes de la próxima reunión

   Lea la segunda nota

   Cómo trabaja por dentro un modelo de lenguaje y por qué a veces se inventa cosas. Es la que evita el error de fiarse por la fluidez.

Cómo lo planteo yo.

No vendo IA. Diseño páginas web para clínicas, inmobiliarias, internados, hoteles y bufetes, y detrás de ellas construyo automatizaciones que hacen el trabajo que nadie ve: contestar en el idioma del cliente a las once de la noche, preparar la ficha que el equipo encuentra el lunes, no perder la consulta que llegó un domingo. Para hacerlo bien tengo que explicar a la dirección qué es esto y qué no es, y he comprobado que esa explicación vale más que cualquier demostración.

Antes de seguir, una prueba sencilla. Explique a alguien de su equipo qué es la inteligencia artificial en dos frases, sin las palabras «magia», «cerebro» ni «pensar». Si lo consigue, tiene algo que muchas presentaciones no tienen. Si no, no se preocupe: para eso están las once notas que vienen.

Si prefiere ver todo esto aplicado a su empresa, con sus tareas, sus sistemas y sus cifras, es lo que hago en el Diagnóstico Estratégico. Pero no hace falta hablar conmigo para seguir leyendo.

Siguiente nota: cómo «piensa» una IA y por qué a veces se inventa cosas. Fichas, memoria de trabajo y el motivo, demostrado en 2025, por el que un modelo prefiere adivinar antes que decir «no lo sé».