La inteligencia artificial lleva años prometiendo más de lo que entrega, y ese desajuste tiene consecuencias reales: empresas que invierten millones sin ver retorno, trabajadores que temen por empleos que nadie va a automatizar todavía, y usuarios que confían en herramientas que fallan en los momentos menos oportunos. Hacer un balance honesto de la IA entre sus promesas y su realidad no es una postura pesimista: es el único punto de partida sensato para entender qué está pasando de verdad.
El problema no es que la IA no funcione. Funciona, y en algunas cosas funciona extraordinariamente bien. El problema es la distancia entre lo que los titulares anuncian y lo que ocurre cuando alguien intenta usar esas herramientas en situaciones del mundo real, con datos imperfectos, contextos ambiguos y expectativas que nadie se molestó en gestionar.
¿Qué promete la IA y qué puede hacer realmente?
La narrativa dominante en torno a la inteligencia artificial mezcla logros genuinos con proyecciones que aún no tienen base empírica. En el lado de los logros reales, los modelos de lenguaje grande como GPT-4 o Claude han demostrado una capacidad notable para resumir textos, generar código funcional en lenguajes comunes, traducir con una precisión que hace diez años habría parecido imposible, y asistir en tareas de escritura de forma que ahorra tiempo real a millones de personas. Eso es documentable y medible.
Pero la misma tecnología se vende también como solución a problemas de salud mental, como sustituta de abogados y médicos, como directora de empresas capaz de tomar decisiones estratégicas autónomamente. Ahí empieza la ficción. Los modelos actuales no razonan: predicen tokens. No entienden: reconocen patrones estadísticos en enormes volúmenes de texto. Esa distinción importa mucho cuando alguien les confía una decisión que tiene consecuencias.
El caso más visible es el de los errores médicos. Un modelo de lenguaje puede pasar un examen de medicina con nota alta y al mismo tiempo cometer errores graves en casos clínicos concretos, precisamente porque su lógica interna no es la de un médico que evalúa síntomas con criterio, sino la de un sistema que asigna probabilidades a palabras. La diferencia entre aprobar un examen y diagnosticar bien es exactamente la distancia entre el benchmark y la realidad.
¿Por qué la industria exagera tanto?
Las empresas que desarrollan y venden IA tienen incentivos muy claros para maximizar las expectativas. El capital riesgo fluye hacia las narrativas más ambiciosas, no hacia las más precisas. OpenAI, Google DeepMind, Anthropic y Microsoft compiten por atención, talento y contratos, y esa competencia se libra en parte en el terreno de los anuncios. No es una conspiración: es la lógica normal de un sector que necesita justificar valoraciones astronómicas.
A esto se añade el ciclo mediático. Cuando un modelo supera a humanos en un test específico, el titular dice “la IA ya es mejor que los médicos”. Cuando falla en casos reales, los errores de diagnóstico de la IA generan mucho menos cobertura. El resultado es una percepción pública que siempre va varios pasos por delante de lo que la tecnología puede sostener.
Los benchmarks, las pruebas estandarizadas con las que se mide el rendimiento de los modelos, son otro factor que distorsiona el balance. Muchos de esos tests están construidos con datos similares a los que los modelos usaron para entrenarse. Un modelo que memoriza patrones del examen no demuestra comprensión general, sino memorización sofisticada. Algunos investigadores, entre ellos equipos de la Universidad de Stanford, han documentado cómo la mejora en benchmarks no siempre se traduce en mejora en tareas reales fuera del laboratorio.
¿Dónde funciona la IA y dónde sigue fallando?
La IA funciona bien cuando el problema está bien definido, el dominio es estrecho y hay mucho dato histórico limpio disponible. La detección de fraude bancario, el reconocimiento de imágenes médicas en condiciones controladas, la generación de código para tareas repetitivas, la traducción entre idiomas con gran corpus disponible: en todos estos casos los resultados son sólidos y verificables. El margen de error existe, pero es manejable y los humanos pueden supervisar la salida.
La IA falla cuando el problema requiere juicio situacional, cuando los datos de entrenamiento no representan bien el mundo real, o cuando el contexto cambia de forma que el modelo no anticipó. Falla también, de forma bastante documentada, en lenguas con menos representación en internet: un modelo entrenado mayoritariamente en inglés comete más errores en catalán o en swahili, simplemente porque tuvo menos ejemplos de esos idiomas. Esto tiene implicaciones de equidad que pocas empresas mencionan en sus presentaciones comerciales.
Las alucinaciones, término que en el sector se usa para describir cuando un modelo genera información falsa con total confianza, siguen siendo un problema sin resolver del todo. GPT-4, Gemini y Claude alucinen menos que versiones anteriores, pero alucinen. Y cuando lo hacen en contextos donde alguien confía en ellos, el daño puede ser significativo. Esto conecta directamente con la pregunta de quién responde cuando la IA falla en decisiones de alto impacto, una pregunta que los marcos legales actuales todavía no han respondido bien.
En el terreno de la automatización laboral, el balance también es más matizado de lo que sugieren los titulares. Según un informe del MIT de 2023, solo el 23% de los salarios de trabajos expuestos a la IA son económicamente rentables de automatizar ahora mismo con la tecnología disponible. El resto requiere demasiada adaptación o supervisión humana para que la inversión salga a cuenta. Eso no significa que no haya destrucción de empleo, la hay, pero ocurre de forma más selectiva y lenta de lo que el discurso del “todos seremos reemplazados” sugiere.
¿Qué pasa con los datos, la energía y los costes ocultos?
El balance honesto sobre la IA incluye también lo que no aparece en los folletos. Entrenar un modelo grande consume cantidades de energía que varios estudios comparan con el consumo anual de ciudades medianas. Google reconoció en su informe de sostenibilidad de 2024 que sus emisiones de CO₂ habían aumentado un 48% en cinco años, en parte por la demanda computacional de la IA. El coste ambiental de estos sistemas rara vez se pone sobre la mesa cuando se habla de sus beneficios.
Los datos también son un tema incómodo. Los modelos más capaces se entrenaron con texto extraído de internet a escala masiva, incluyendo contenido con derechos de autor cuyo uso está siendo impugnado judicialmente en varios países. The New York Times demandó a OpenAI y Microsoft en diciembre de 2023. Varios autores y artistas tienen litigios en curso en Estados Unidos y Europa. El negocio de la IA generativa se construyó en parte sobre un uso de datos que aún no tiene respaldo legal consolidado.
La dependencia de infraestructura también concentra el poder. Los modelos más capaces están en manos de un puñado de empresas, mayoritariamente estadounidenses. El debate sobre los modelos de código abierto frente a los propietarios va exactamente de esto: de si esa concentración es inevitable o si hay alternativas que distribuyan mejor el acceso y el control.
Y luego está el coste de inferencia, que es el precio de ejecutar el modelo cada vez que alguien lo usa. La mayoría de productos de IA no son rentables todavía. OpenAI, con más de 200 millones de usuarios activos en 2024, sigue reportando pérdidas significativas. El modelo de negocio de fondo aún no está resuelto, y eso importa porque las empresas que no encuentren cómo monetizar tendrán que recortar acceso, subir precios o cambiar radicalmente sus productos.
¿Sirve de algo la regulación que ya existe?
El Reglamento Europeo de Inteligencia Artificial, conocido como AI Act, empezó a aplicarse de forma gradual en 2024 y establece categorías de riesgo que determinan qué requisitos deben cumplir los sistemas antes de desplegarse. Es el marco regulatorio más completo que existe hasta ahora, aunque sus críticos señalan que llega tarde para los modelos ya desplegados y que sus mecanismos de supervisión dependen de recursos que los estados miembros no siempre tienen.
En Estados Unidos no hay equivalente federal. La orden ejecutiva de Biden sobre IA de octubre de 2023 estableció algunas directrices, pero sin fuerza vinculante real para las empresas privadas. Con la administración Trump, la dirección política cambió hacia menos regulación, lo que deja el mercado americano con una supervisión muy laxa en comparación con Europa.
La regulación existente toca muy poco los sesgos sistémicos. Los modelos entrenados con datos históricos reproducen desigualdades históricas: hay documentación sólida de que sistemas de selección de personal basados en IA penalizan currículums de mujeres o de ciertos grupos étnicos. Corregir el sesgo de un modelo es más difícil que detectarlo, y el incentivo comercial para hacerlo no siempre es suficiente sin presión externa.
Hay ámbitos donde la IA ya opera con consecuencias serias y poca supervisión. Los sistemas de agentes autónomos que actúan sin intervención humana están desplegándose en entornos financieros, logísticos y, en algunos países, de seguridad. La velocidad de despliegue va muy por delante de la velocidad de la supervisión.
¿Llegará la IA a cumplir lo que promete, o el ciclo se va a repetir?
La historia de la tecnología sugiere que los ciclos de expectativa desbordada seguidos de decepción y luego de consolidación tranquila son más la norma que la excepción. La realidad virtual prometió en los noventa lo que tardó décadas en hacer realidad parcial. El coche eléctrico tardó mucho más de lo previsto. La IA seguirá mejorando, pero probablemente de forma más irregular y lenta de lo que el discurso actual implica.
Hay investigadores que argumentan que los modelos de lenguaje actuales han alcanzado un límite relativo: que escalar más parámetros y más datos ya no produce mejoras proporcionales. Otros defienden que arquitecturas nuevas o la combinación con razonamiento simbólico pueden abrir vías que hoy no vemos. El debate es genuino y los expertos no se ponen de acuerdo, lo cual por sí solo debería moderar el tono de los anuncios corporativos.
Lo que sí parece claro es que el balance entre promesa y realidad depende mucho del caso de uso concreto. Para tareas de escritura de código en lenguajes populares, la IA ya entrega suficiente como para cambiar la forma de trabajar de muchos programadores. Para razonamiento moral, gestión de relaciones complejas o decisiones que requieren juicio contextual fino, la brecha sigue siendo grande y no hay señales claras de cuándo se va a cerrar.
El optimismo injustificado tiene costes reales: inversiones mal dirigidas, trabajadores que no se reconvierten porque se les dijo que todo cambiaría en dos años, sistemas desplegados sin supervisión suficiente porque alguien creyó que el modelo lo haría bien solo. Exigir honestidad en las expectativas sobre la IA no frena nada: simplifica la toma de decisiones para todo el mundo.
¿Qué queda cuando se apaga el ruido?
Debajo del hype hay tecnología real con aplicaciones reales y limitaciones reales. La pregunta que vale la pena hacerse no es si la IA va a cumplir sus promesas más ambiciosas, sino qué pasa con las decisiones que ya se están tomando basándose en esas promesas. Quién paga cuando el modelo falla, qué sistemas críticos dependen ya de algoritmos que nadie ha auditado bien, y qué margen de error estamos dispuestos a aceptar en cada contexto concreto. Esas preguntas no tienen respuesta técnica: tienen respuesta política y social. Y todavía no nos las estamos haciendo con la seriedad que merecen.
Preguntas frecuentes
¿Qué es una alucinación en inteligencia artificial?
Una alucinación es cuando un modelo de IA genera información falsa presentándola con confianza, como si fuera correcta. El modelo no miente intencionadamente: simplemente predice texto plausible sin mecanismo interno para verificar si lo que dice es verdad. Modelos como GPT-4 o Gemini han reducido este problema respecto a versiones anteriores, pero no lo han eliminado.
¿La IA realmente va a destruir millones de empleos pronto?
La automatización masiva e inmediata es menos probable de lo que sugieren los titulares más alarmistas. Según un análisis del MIT de 2023, menos de un cuarto de los empleos expuestos a la IA son económicamente rentables de automatizar hoy. Habrá destrucción de puestos concretos, especialmente en tareas repetitivas de texto e imagen, pero el proceso será más gradual y selectivo de lo que el discurso dominante implica.
¿Por qué los modelos de IA funcionan mejor en inglés que en otros idiomas?
Porque el volumen de texto en inglés disponible para entrenar los modelos es mucho mayor que en cualquier otra lengua. Un modelo aprende de los ejemplos que ve: si el 60% de sus datos son en inglés y el 0,1% en catalán, su rendimiento en catalán será notablemente inferior. Este desequilibrio tiene implicaciones de equidad que las empresas rara vez destacan.
¿Es cierto que entrenar una IA contamina tanto como un vuelo?
Depende del modelo y del método de cálculo, pero el consumo energético es real y significativo. Entrenar modelos grandes como GPT-4 consume cantidades de energía comparables a las de cientos o miles de vuelos transatlánticos. El problema se agrava con el crecimiento del uso masivo. Google reconoció en 2024 que sus emisiones aumentaron casi un 50% en cinco años, citando la IA como factor relevante.
¿Los benchmarks de IA son fiables para saber cómo funciona un modelo en la práctica?
Son orientativos, pero con muchas reservas. Los benchmarks miden rendimiento en pruebas específicas, y hay evidencia de que algunos modelos mejoran en esas pruebas sin mejorar de forma equivalente en tareas reales fuera de ese entorno controlado. Investigadores de Stanford y otras instituciones han documentado esta brecha entre puntuaciones en test y utilidad práctica.
¿Qué marco legal protege a los ciudadanos del uso inadecuado de la IA en Europa?
El AI Act europeo, que comenzó a aplicarse gradualmente en 2024, es el marco más completo del mundo. Clasifica los sistemas de IA por nivel de riesgo y exige requisitos de transparencia, supervisión humana y documentación técnica antes del despliegue. Sus críticos señalan que llega tarde para sistemas ya instalados y que su aplicación efectiva depende de capacidades administrativas que no todos los países tienen.
