Jesús Abelardo Saldívar Aguilar

El Mito De La Inteligencia Artificial Como Herramienta De Trabajo

La Inteligencia Artificial es una rama muy amplia dentro del campo de la informática. Podemos definirla como cualquier sistema de software que es capaz de adaptar su funcionamiento en forma dinámica para ayudar al ser humano a resolver problemas diversos, nuevos o cambiantes.

Y hasta ahora esta definición contradice al título de la publicación; la razón es que uno de los problemas más importantes de la Inteligencia Artificial en el año 2026 es la definición de lo que entendemos por IA.

La Inteligencia artificial es un árbol con muchas ramas, como:

Existen múltiples aplicaciones de Inteligencia Artificial comunes en nuestra vida diaria desde hace décadas, aunque erróneamente no se les atribuya la etiqueta de IA:

Todas estas son genuinamente formas de Inteligencia Artificial.

Dentro de todas las ramas de la IA está el Aprendizaje Automático (o Machine Learning), que consiste en sistemas que pueden ser entrenados por medio de datos que se convierten en conocimientos adquiridos.

Una de las ideas más interesantes dentro del Aprendizaje Automático es la de las Redes Neuronales; esta consiste en simular (en forma muy simplificada) el funcionamiento de la inteligencia natural, orgánica, como la que hace funcionar a la mente de un ser humano o un animal. Las neuronas de un sistema biológico se convierten en estructuras informáticas de datos que conectan impulsos de entrada por respuestas de salida (como una “caja negra”), y a gran escala representan conexiones entre ideas abstractas.

Una de las aplicaciones clásicas de las redes neuronales es el reconocimiento de imágenes: En la fase de entrenamiento se alimenta al sistema con miles de fotografías, asociadas cada una con una o más etiquetas; por ejemplo, si una fotografía contiene un perro, se le agrega la etiqueta “perro”, si contiene una casa se agrega la etiqueta “casa”, etc… Una vez que ha sido entrenado, este modelo es capaz de reconocer los contenidos de nuevas imágenes de acuerdo a las etiquetas que conoce.

El Aprendizaje Profundo (Deep Learning en inglés) es una forma de Redes Neurales a gran escala que conecta múltiples capas de estas redes neurales entre sí, de forma que podemos simular un pequeño “cerebro” de millones de neuronas, de tamaño comparable al de un ratón. Estos sistemas no tienen una verdadera conciencia o entendimiento, pero son capaces de aparentarlo, especialmente cuando no sabemos realmente qué son o como funcionan.

Por su naturaleza, uno de los problemas del aprendizaje profundo es que es sumamente ineficiente, ya que al simular una gran cantidad de neuronas lógicas requiere una gran cantidad de memoria y procesamiento, y por esto mismo consume una gran cantidad de energía, que se traduce en grandes costos económicos y ecológicos.

Estamos acostumbrados a ver a las computadoras como máquinas exactas y siempre precisas. Si le preguntamos a una PC o a un teléfono inteligente cuánto es 879342 x 342354 esta nos responderá 301046251068 correctamente en una fracción de segundo. Y cuando el resultado de una operación es incorrecto, la culpa suele ser del programador o el usuario. Con el Aprendizaje Profundo, todo este supuesto de exactitud y precisión es falso: Estos modelos de Inteligencia Artificial no están hechos para generar respuestas acertadas, sino para imitar el funcionamiento de la mente humana en su forma más primitiva.

Nota: Hay modelos de IA que son capaces de conectarse con aplicaciones computacionales tradicionales, más precisas, como por ejemplo calculadoras. En estos casos hay que entender que quién está resolviendo nuestro problema es la calculadora, y que la “IA” sólo está funcionando como una (muy costosa) “interfaz de usuario en lenguaje natural”.

En mi opinión, el Deep Learning condensa lo peor de los dos mundos: La inexactitud y los errores de la inteligencia biológica, con la desconexión e incomprensión de la realidad por parte de las máquinas. Un modelo de Deep Learning no sabe, por ejemplo, lo que es realmente en sol, pero sabe que se relaciona con otros conceptos como “calor”, “luz”, “día”, y es esta desconexión con la experiencia directa lo que le impide comprender lo que se le pregunta.

Existen diversas técnicas o aplicaciones del Aprendizaje Profundo, pero en 2026 las dos más populares son:

Algunos Modelos Grandes de Lenguaje, como ChatGPT o Meta IA incorporan también un Modelo de Difusión que les permite crear imágenes, mientras que otros como Claude IA o Gemini sólo son capaces de producir textos.

Los Modelos Grandes de Lenguaje funcionan básicamente como predictores de texto, que incorporan —desde su fase de entrenamiento— una gran base de conocimientos, comprimidos con pérdida de datos (así como una imagen en formato JPG). Son capaces de dar respuestas acertadas a las preguntas de un usuario, siempre y cuando sus datos de entrenamiento contengan ya estas mismas respuestas, y si estos datos no contienen dicha información, inventarán, o alucinarán algo que les suene plausible de acuerdo a los datos con que fueron entrenados. Estos modelos no tienen un verdadero razonamiento, ni tampoco tienen capacidad de comprender lo que se les pregunta. No son capaces de resolver problemas, sino de repetir patrones de palabras y estructuras gramaticales con los que fueron entrenados.

Los Modelos de Difusión son similares a los de reconocimiento de imágenes, pero funcionan en sentido inverso: El usuario les da una descripción de una imagen, por ejemplo: “Un gato con lentes y un sombrero”, y a continuación el modelo generará la imagen del gato con lentes y sombrero, replicando los motivos gráficos encontrados en miles o millones de imágenes de gatos, lentes y sombreros con los que fue entrenado.

El Aprendizaje Profundo como herramienta de trabajo

Existen dos tipos de tareas que podrían pensarse en delegar a un LLM:

Entre las tareas aptas para un ser humano están todas aquellas que implican una toma de decisiones basada en criterios no sistematizados, comprensión, y sobre todo: Responsabilidad sobre dichas decisiones. Un modelo de lenguaje no tiene capacidad de realizar estas tareas, puesto que carece de verdadera comprensión del mundo, de las tareas asignadas y de las consecuencias de cada decisión.

Entre las tareas que son más aptas para una máquina: Estas requieren una serie de pasos precisos y repetitivos, y/o cálculos precisos y de resultados exactos. Los modelos de Aprendizaje Profundo tampoco son aptos para este tipo de tareas de automatización y precisión, ya que se caracterizan por simular o imitar a la inteligencia biológica, y esto los hace imprecisos e impredecibles.

En el caso de los Modelos de Lenguaje, una de sus aplicaciones originales, para las que parecen funcionar bien es la de traducir textos. También parecen ser buenos para crear resúmenes o cambiar la redacción de un texto.

¿Entonces para qué sirve el Aprendizaje Profundo si es tan malo?

Entre todas las ramas de la Inteligencia Artificial, creo que el Aprendizaje Profundo es la que menos tiene aplicaciones prácticas inmediatas, pero también la que tiene resultados más impresionantes por su capacidad de asemejar a un ser humano.

En mi opinión, su principal utilidad es la de ser un experimento exploratorio, tanto en el mismo campo de la IA, como también, por otro lado, para tratar de entender el funcionamiento de nuestra propia mente.

También creo que es legítimo usar tanto modelos de lenguaje o de difusión como un simple juguete o entretenimiento, ya sea para “conversar” o generar textos e imágenes divertidos o entretenidos, siempre y cuando entendamos su bajo “valor” y no los tomemos muy en serio. Los textos generados por un modelo de lenguaje pueden estar repletos de errores y alucinaciones, y las imágenes generadas por modelos de difusión nunca tendrán el mismo valor (económico, artístico, sentimental; todo va de la mano) que las generadas por un verdadero artista de carne y hueso.

En Resumen

Es fácil dejarse impresionar por un Modelo Grande de Lenguaje cuando parece expresarse como un ser humano de verdad, especialmente si no entendemos qué es ni cómo funciona, o cuáles son sus limitaciones. Esto es ilusorio.

Un Modelo Grande de Lenguaje no es capaz de tomar decisiones humanas, ya que no tiene capacidad de comprensión ni razonamiento; sólo es capaz de repetir los patrones de datos y sintaxis con los que fue entrenado.

Tampoco es capaz de resolver problemas o cálculos lógicos o matemáticos, ya que es irracional e impredecible.

La IA no nos va a dejar sin trabajo (por lo menos no a largo plazo)

Es cierto que algunas empresas importantes han empezado a sustituir a su fuerza humana de trabajo con “Modelos de Inteligencia Artificial” como los de Anthropic y Open AI; pero en mi opinión, estas empresas están cometiendo un gran error, uno que las podría llevar a desaparecer, y esto es por dos razones:

Costos:

Si bien los modelos de Aprendizaje Profundo permiten acelerar el trabajo de tipo intelectual, también su falta de comprensión y razonamiento los hace cometer una gran cantidad de errores, y los costos de esos errores y su reparación se vuelven impredecibles.

Competencia:

Por la forma en que funciona la economía de mercado, una empresa que desocupa a su fuerza de trabajo para sustituirla con IA está condenada a competir con sus exempleados; competencia que será más dura precisamente por tener el talento, conocimiento y raciocinio que por definición el Deep Learning no puede tener.

En el caso de los Modelos de Difusión, estoy seguro que sus “creaciones” nunca van a tener el mismo valor (económico, artístico, emocional; todo va de la mano) que las que produzca un artista de carne y hueso, ya que el valor del arte está en la expresión personal. Aún así, creo que esta forma de “arte” tiene sentido en algunas situaciones prácticas; profundizaremos en esto más adelante.

Tampoco se trata de “satanizar” la IA de Aprendizaje Profundo

No es malo que existan los Modelos Grandes de Lenguaje o los de Difusión, y si a ti te han resultado útiles en tu trabajo o algún otro aspecto práctico o cotidiano, está bien.

Yo mismo a veces hago uso de ella, pero en forma muy básica y limitada:

Dos o tres preguntas básicas sobre un tema que no conozco, para generar un resumen rápido; pero siempre tomando en cuenta que el texto que genera un LLM puede contener errores o alucinaciones. Hacerle muchas preguntas se vuelve una pérdida de tiempo y atención. Después de una introducción básica conviene dejar de lado la IA y empezar a leer directamente las fuentes originales.

Aconsejo especialmente no pagar por el uso de Inteligencia Artificial. Y si de verdad te resulta tan útil como para invertir dinero: Inviértelo en hardware que te permita correr modelos locales, y que así no dependas de servicios externos remotos.

El Fenómeno Social de la IA

El problema de esta forma de Inteligencia Artificial no es la IA en sí, sino todo el fenómeno social que sucede al rededor:

  1. El desconocimiento sobre su naturaleza nos hace atribuirle características de inteligencia y practicidad que realmente no tiene.
  2. Grandes empresas de tecnología (especialmente aquellas que sólo se dedican a IA, como Anthropic y OpenIA) crean todo tipo de noticias falsas con tal de vender sus servicios.
  3. A partir de los dos puntos anteriores surge una presión social para usar “Herramientas de IA”, a riesgo de “quedarse atrás u obsoleto”. Esto es un error muy grande.

En realidad creo que lo más inteligente que se puede hacer en la “Era de la Inteligencia Artificial” es usarla lo menos posible, y no depender de ella para el funcionamiento normal, ya sea laboral o cotidiano. La IA puede desaparecer en cualquier momento, o sus costos pueden subir en forma repentina; además de que el uso reiterado de estas tecnologías puede atrofiar nuestra capacidad de razonar y nuestras habilidades.

Fin

Esta es la primera parte de una serie de escritos que pienso hacer sobre Tecnología e Inteligencia Artificial. En las siguientes partes podríamos hablar sobre: