Cómo funciona realmente la inteligencia artificial y por qué importa ahora

La Organización para la Cooperación y el Desarrollo Económico (OCDE), cuyos gobiernos miembros coordinan la política sobre la tecnología, define un sistema de IA como "un sistema basado en máquinas que, para objetivos explícitos o implícitos, deduce, a partir de la entrada que recibe, cómo generar resultados tales como predicciones, contenido, recomendaciones o decisiones que pueden influir en entornos físicos o virtuales." El Consejo de la OCDE revisó esta redacción en 2023 para mantenerla técnicamente precisa a medida que se extendían las herramientas de IA generativa, según la propia explicación de la definición de la organización.

De reglas escritas a aprender de los datos

El software más antiguo seguía instrucciones que los programadores escribían línea por línea: si sucede X, haz Y. El aprendizaje automático, el enfoque detrás de la mayoría de la IA actual, en cambio proporciona a un algoritmo grandes cantidades de ejemplos y le permite trabajar los patrones por sí mismo, según el explicador técnico de IBM sobre el tema. Una vez entrenado, el sistema puede clasificar información nueva, predecir un valor, marcar algo inusual o recomendar una acción sin que se le dé la regla exacta para cada caso.

La OCDE divide la operación de un sistema de IA en tres elementos. Las entradas son los datos, código o reglas introducidos en el sistema durante el desarrollo o el uso. La inferencia es el paso en el cual el sistema deduce una salida de esas entradas, lo que puede ocurrir mientras se construye un modelo o después de haberlo desplegado. Las salidas son las predicciones, contenido, recomendaciones o decisiones que produce el sistema, que luego pueden afectar un entorno físico o virtual, por ejemplo, la dirección de un automóvil, una lista de videos recomendados o un párrafo de texto generado.

Lo que hace una red neuronal dentro del sistema

El método de aprendizaje automático más ampliamente utilizado hoy en día es la red neuronal, una estructura modelada libremente en el cerebro, compuesta por capas interconectadas de nodos que procesan datos juntos, según IBM. A diferencia de un programa tradicional, a una red neuronal no se le dice la regla que conecta entrada y salida de antemano; en su lugar se le muestran muchos pares de entradas y salidas y se ajusta a sí misma, a través de la exposición repetida, para descubrir qué las conecta.

El aprendizaje profundo se refiere a redes neuronales con muchas capas, típicamente una capa de entrada, al menos tres (y frecuentemente cientos de) capas ocultas, y una capa de salida, según el explicador de IBM. En un sistema de reconocimiento de imágenes, las capas iniciales tienden a responder a características simples como bordes o colores, mientras que las capas más profundas combinan estas en formas y, eventualmente, objetos reconocibles. Esta estructura en capas permite que los sistemas extraigan automáticamente características relevantes de datos sin etiquetar, que es parte de lo que hace posibles las herramientas actuales de IA generativa.

Construir un modelo grande de IA generativa generalmente implica tres etapas, según IBM: una fase de entrenamiento inicial en conjuntos de datos masivos, frecuentemente sin etiquetar, que pueden requerir miles de procesadores especializados y costar millones de dólares; una fase de ajuste en la cual el modelo se adapta a tareas específicas, a veces utilizando retroalimentación humana; y evaluación continua después del despliegue para verificar y refinar sus resultados.

Por qué importa: cifras de adopción e inversión

El alcance de la IA ha crecido rápidamente según varias medidas rastreadas en el Informe del Índice de IA 2025 del Instituto de IA Centrada en el Ser Humano de la Universidad de Stanford. La proporción de organizaciones que informan de cualquier uso de IA se elevó al 78% en 2024, frente al 55% el año anterior. La IA generativa específicamente atrajo $33.9 mil millones en inversión privada global en 2024, un aumento del 18.7% desde 2023. En los Estados Unidos, la inversión privada en IA alcanzó $109.1 mil millones en 2024, superando ampliamente los $9.3 mil millones de China y los $4.5 mil millones del Reino Unido, indicó el informe.

El informe también registró un salto en el rendimiento de los puntos de referencia de IA: en tres pruebas introducidas en 2023 para medir sistemas avanzados — MMMU, GPQA y SWE-bench — las puntuaciones aumentaron 18.8, 48.9 y 67.3 puntos porcentuales respectivamente en un año. En campos regulados, el número de dispositivos médicos habilitados por IA autorizados por la Administración de Alimentos y Medicamentos de EE.UU. creció de seis en 2015 a 223 en 2023, según el mismo informe.

Dónde está la competencia

El informe de Stanford también rastreó qué países produjeron los modelos de IA más notables en 2024: instituciones con sede en EE.UU. produjeron 40, en comparación con 15 de China y tres de Europa. Al mismo tiempo, la brecha de rendimiento entre los principales modelos estadounidenses y chinos en puntos de referencia importantes se estrechó de dígitos dobles en 2023 a casi paridad en 2024, indicó el informe.