La IA está en todas partes. Impulsa la investigación de enfermedades que antes podían pasar desapercibidas para los especialistas, responde las preguntas que le haces a Alexa, permite desbloquear el teléfono con el rostro y da forma a una nueva generación de vehículos autónomos que ya circulan por distintas ciudades del mundo.

Pero estas son solo algunas de las maneras en que la IA está transformando nuestra vida, para bien o para mal, según el contexto y el lugar que cada persona ocupa en la sociedad. Antes de adentrarnos en noticias sobre incidentes como el de Hugging Face o el aumento de los deepfakes en internet, conviene volver a los conceptos básicos.

Estos términos te ayudarán a entender mejor lo que ya está ocurriendo, lo que podría venir y las tecnologías que las grandes empresas desarrollan para moldear el futuro de la IA.

Los básicos de la IA

Norman Posselt; Getty Images

Se refiere a un mecanismo matemático que permite a la IA aprender patrones y regularidades a partir de datos de entrada, para luego realizar predicciones, juicios y generar resultados. Consiste en una combinación de la estructura del modelo y valores numéricos (parámetros) que se ajustan mediante el aprendizaje. Existen diversos tipos según su finalidad, como el reconocimiento de imágenes, el procesamiento del lenguaje natural y la síntesis de voz. Los grandes modelos de lenguaje (LLM), que han captado la atención en los últimos años, también son un tipo de modelo de IA. Una vez que un modelo de IA completa su entrenamiento, podrá responder a nuevas entradas basándose en las tendencias aprendidas.

Un proceso de resolución de problemas es un conjunto de pasos o métodos de cálculo claramente definidos para resolver un problema. Se entiende como una serie de procesos desde la entrada hasta la salida, similar a una receta de cocina. En el campo de la IA, se refiere a los pasos de procesamiento que utilizan los modelos entrenados para realizar cálculos.

Una red neuronal artificial es un sistema inspirado de manera general en las conexiones entre las neuronas del cerebro. Está formada por unidades llamadas nodos o neuronas artificiales, organizadas en capas. Durante el aprendizaje, el modelo ajusta los “pesos” de las conexiones entre esos nodos para mejorar sus resultados. La capa de entrada recibe los datos, las capas ocultas identifican patrones y características, y la capa de salida genera el resultado. Cuando una red cuenta con numerosas capas ocultas, hablamos de aprendizaje profundo.

Se trata de un modelo de IA que, al aprender a partir de una enorme cantidad de datos de texto, es capaz de realizar una amplia gama de tareas lingüísticas, como la generación de textos, la síntesis, la traducción y la respuesta a preguntas. Partiendo de un mecanismo que predice de forma probabilística el siguiente token (unidad en la que se divide el texto), han logrado generar textos naturales y similares a los humanos al aumentar el número de parámetros y ampliar los datos de entrenamiento. Muchos servicios de IA interactivos, como ChatGPT o Claude, se basan en los LLM.

Un modelo fundacional o de uso general es aquel que puede aplicarse a una amplia gama de tareas tras ser preentrenado con grandes cantidades de datos diversos, en lugar de limitarse a un uso específico. Sirve como base para diversas aplicaciones en campos como texto, imágenes y audio, y algunos modelos pueden procesar múltiples tipos de datos simultáneamente, lo que reduce la necesidad de reconstruir modelos desde cero para cada aplicación. Mediante un entrenamiento adicional basado en un único modelo base, es posible crear de forma eficiente modelos especializados para fines específicos, como traducción, resumen y generación de imágenes. Los LLM son un ejemplo paradigmático de modelos fundacionales.

Se refiere a un chip semiconductor diseñado para ejecutar a gran velocidad el procesamiento de imágenes y videos. Su capacidad para realizar grandes cantidades de cálculos en paralelo se adapta muy bien al aprendizaje y la inferencia de la IA, por lo que actualmente es una de las principales infraestructuras computacionales que sustentan el desarrollo de la IA. Dado que el aprendizaje de las redes neuronales requiere un enorme volumen de cálculos, se usan ampliamente las GPU, que superan a las unidades centrales de procesamiento (CPU) en rendimiento de procesamiento paralelo. En el ámbito de la IA, los productos de NVIDIA ocupan una elevada cuota de mercado, aunque en un principio se utilizaban para el renderizado de videojuegos.

La enciclopedia WIRED para la computación cuántica

Comenzó a principios del siglo XX, cuando las explicaciones aceptadas del mundo subtatómico resultaron incompletas. Así, la mecánica cuántica surgió como una forma de entender todas estas peculiaridades, pero introdujo nuevos problemas y conceptos.

¿Cómo aprende la IA?

J Studios; getty images

Es un término general que engloba las tecnologías que permiten a la IA aprender automáticamente patrones y regularidades a partir de grandes cantidades de datos, en lugar de que los humanos proporcionen reglas explícitas una por una. Mientras que los programas tradicionales requerían que los humanos describieran meticulosamente las condiciones y los procesos, el aprendizaje automático se diferencia significativamente en que deriva las reglas de los propios datos. Según la forma en que aprenden, los modelos pueden utilizar aprendizaje supervisado, en el que reciben datos etiquetados con las respuestas correctas; aprendizaje no supervisado, con el que identifican patrones y estructuras por sí mismos; o aprendizaje por refuerzo, en el que mejoran mediante prueba y error a partir de recompensas y penalizaciones.

Técnica de aprendizaje automático que permite aprender patrones más complejos mediante la superposición de múltiples capas de redes neuronales. El número de capas puede oscilar entre varias decenas y varios cientos según el modelo, y al superponerlas se consigue captar de forma gradual las características de los datos de entrada. El desarrollo del aprendizaje profundo y la mejora de la capacidad de cálculo de las GPU han contribuido en gran medida al espectacular aumento de la precisión en el reconocimiento de imágenes y de voz desde la década de 2010.

Este método utiliza datos que consisten en datos de entrada y las respuestas correctas correspondientes (etiquetas) para entrenar a la IA y que aprenda patrones. Si bien permite que la IA aprenda comparando sus predicciones con “ejemplos” preparados por humanos, su precisión depende de la calidad de las etiquetas y los datos. Por ejemplo, al entrenar a la IA con una gran cantidad de combinaciones de “imágenes de gatos” y la etiqueta “gato”, puede aprender a determinar si una imagen desconocida es un gato o no. Se utiliza ampliamente en tareas como la clasificación y la regresión, y es uno de los métodos más antiguos y fundamentales del aprendizaje automático.

Este método permite que la IA identifique patrones y relaciones en los datos sin necesidad de que estén etiquetados previamente. Al no depender de respuestas definidas por humanos, puede encontrar similitudes, grupos o conexiones inesperadas. Por ejemplo, se utiliza en la agrupación (clustering), que reúne datos con características parecidas, y en la reducción de dimensionalidad, que simplifica grandes conjuntos de información conservando sus rasgos más importantes. Aunque sus resultados pueden ser difíciles de interpretar, es especialmente útil para analizar grandes cantidades de datos sin organizar.

Tarea que consiste en asignar etiquetas correctas o anotaciones a los datos con los que se entrena a la IA. Dado que los errores o sesgos en las etiquetas influyen considerablemente en la precisión y la imparcialidad del modelo, se considera un proceso importante que sustenta todo el desarrollo de la IA, a pesar de ser una tarea discreta. Por ejemplo, esto incluye tareas como marcar con un recuadro los objetos que aparecen en una imagen y etiquetarlos como “perro” o “auto”, o clasificar el tono emocional de un texto. Sin embargo, se trata de un trabajo que requiere mucha intervención humana, lo que conlleva un costo elevado y una gran inversión de tiempo. En los últimos años se están llevando a cabo iniciativas para optimizar la propia tarea de anotación mediante el uso de la IA.

Método mediante el cual la IA aprende, a través de un proceso de ensayo y error, a maximizar la “recompensa” por sus acciones. En lugar de que un ser humano le indique la respuesta correcta, se otorgan recompensas elevadas por las buenas acciones y recompensas bajas por las malas, de modo que la propia IA descubre la estrategia de actuación óptima. Se caracteriza por no requerir la preparación previa de datos con respuestas correctas, sino que la propia estrategia se perfecciona a través de la interacción con el entorno.

Técnica que permite transferir el conocimiento de un “modelo maestro”, de gran escala y alta precisión, a un “modelo alumno” más pequeño y ligero. El nombre hace referencia al proceso de destilación, en el que se enfría el vapor de un líquido calentado para extraer el componente deseado; se asemeja a la idea de extraer y transmitir únicamente la esencia del conocimiento que posee un modelo grande. Al entrenar al modelo “alumno” para que imite las tendencias de salida del modelo “maestro”, se consigue crear un modelo ligero con un bajo costo computacional, al tiempo que se minimiza la pérdida de rendimiento. Se trata de una tecnología especialmente útil en situaciones en las que es necesario ejecutar el modelo con recursos computacionales limitados, como en los smartphones.

Anthropic admite que Claude también accedió sin autorización a sistemas externos, como el modelo de OpenAI

En una revisión impulsada por el incidente de OpenAI y Hugging Face, Anthropic descubrió que tres de sus modelos de IA habían vulnerado la seguridad de organizaciones reales durante evaluaciones realizadas por terceros.

Estructura del modelo de IA

Fiordaliso; getty images

Es la arquitectura de red neuronal en la que se basan los grandes modelos de lenguaje actuales. Fue presentada en 2017 por investigadores de Google y utiliza un sistema llamado “atención” para identificar las relaciones entre los distintos tokens de un texto, incluso cuando aparecen muy alejados entre sí. Hasta entonces, muchos modelos procesaban las palabras una tras otra. En cambio, el transformador puede analizar varias partes del texto al mismo tiempo, lo que permite entrenar modelos de forma más rápida y a gran escala. Esta arquitectura, descrita en el artículo Attention Is All You Need, sentó las bases del auge actual de los LLM.

Valores numéricos que se ajustan mediante el aprendizaje interno de los modelos de IA. Equivalen a los “pesos” y “sesgos” de las redes neuronales, y se optimizan gradualmente a medida que se procesan repetidamente los datos de aprendizaje. El número de parámetros se utiliza a menudo como indicador del tamaño del modelo y se expresa como “XX mil millones de parámetros”. El tamaño varía desde miles de millones hasta billones; en general, cuanto mayor es el número, mayor puede ser la capacidad de representación del modelo, pero también aumenta el costo computacional. Además, el rendimiento real depende de la estructura, los datos y el método de entrenamiento.

Un token es una unidad de texto que los modelos de IA utilizan para procesar el lenguaje. Puede corresponder a una palabra completa, una parte de ella, un signo de puntuación o incluso un carácter. La cantidad de tokens necesaria para representar un texto varía según el idioma; en japonés, por ejemplo, una misma cantidad de información puede requerir más tokens que en inglés.

El número de tokens también suele determinar el costo de uso de una API y la cantidad de texto que el modelo puede procesar de una sola vez, conocida como ventana de contexto.

Por qué la industria de la IA está reclutando filósofos

Las grandes tecnológicas están contratando a personas que trabajan en ética y filosofía de la mente para meditar sobre el futuro de la IA. ¿Es una estrategia de marketing más?

Cómo funciona la IA

sarayut Thaneerat; getty images

Son las instrucciones, preguntas y frases de entrada que se le proporcionan a una IA. La calidad y la orientación de las respuestas que puede obtener de una IA varían considerablemente según cómo se redacten los prompts, por lo que el proceso de elaborar instrucciones para obtener los resultados deseados se denomina “ingeniería de prompts“. Además de técnicas como proporcionar condiciones y ejemplos específicos, asignar roles y especificar formatos de salida, se comparten diariamente diversas técnicas, según el modelo que se utilice, como proporcionar ejemplos de respuestas o dividir tareas complejas en partes más pequeñas.

Esto se refiere a la capacidad de la IA para procesar simultáneamente múltiples tipos de información (modalidades), como texto, imágenes, audio y video. Mientras que la IA convencional se limitaba a procesar solo texto o solo imágenes, la IA multimodal puede combinar diferentes tipos de información para comprender y generar datos. Se espera que se use de forma similar a como los humanos combinan múltiples sentidos para comprender las cosas, como mostrar una imagen y preguntar sobre su contenido, o crear actas de reuniones a partir de grabaciones de audio.

Es un sistema en el que, al generar una respuesta, la IA busca en documentos y bases de datos externas preelaboradas y crea la respuesta basándose en su contenido. Si bien los LLM solo tienen conocimiento hasta el momento del entrenamiento, combinarlos con RAG les permite manejar contenido no incluido en los datos de entrenamiento, como la información más reciente y los documentos internos de la empresa. Esto también reduce el riesgo de generar información incorrecta si se pueden encontrar materiales adecuados.

20 | Modelos de razonamiento

Son modelos de lenguaje entrenados para resolver problemas complejos mediante varios pasos de razonamiento antes de generar una respuesta. Para ello, pueden utilizar más capacidad de cómputo en el momento de responder, un enfoque conocido como cómputo durante la inferencia (test-time compute). Este proceso puede hacer que tarden más en contestar, pero suele mejorar su desempeño en tareas que requieren lógica y varios pasos, como problemas matemáticos, programación o análisis complejos. En los últimos años, las principales empresas de IA han intensificado el desarrollo de este tipo de modelos.

Se trata de un estándar que establece procedimientos comunes para que los modelos de IA se integren con herramientas y fuentes de datos externas, propuesto por Anthropic en noviembre de 2024. Hasta entonces, para conectar la IA con servicios externos se requería un método de conexión específico para cada servicio, pero gracias al estándar común MCP se ha podido reducir considerablemente esa carga de trabajo. En diciembre de 2025, Anthropic cedió el MCP a la Agentic AI Foundation (AAIF), de reciente creación bajo la Linux Foundation, lo que refuerza su carácter de estándar del sector independiente de cualquier empresa concreta.

Se trata de un mecanismo en el que la propia IA elabora un plan para alcanzar un objetivo determinado y ejecuta tareas de forma autónoma, decidiendo qué procedimientos y herramientas utilizar. La gran diferencia con respecto a la IA interactiva hasta la fecha radica en que, sin necesidad de que un ser humano dé instrucciones paso a paso, la IA elige por sí misma la acción que debe realizar a continuación en función de la situación. Buscando por sí misma la información necesaria y utilizando servicios externos, lleva a cabo una serie de operaciones hasta alcanzar el objetivo.

Una alternativa a las redes neuronales promete revolucionar la IA desde sus cimientos

Un nuevo método de aprendizaje automático desarrollado por Axiom trata de emular mejor el cerebro humano para lograr una IA más capaz.

Riesgos y retos de la IA

NurPhoto/Getty Images

Se refiere al fenómeno por el cual la IA genera información que no se basa en hechos, pero que parece verosímil. Tal y como indica el término “alucinación”, lo más problemático es que el modelo genera textos que parecen creíbles sin indicar que son erróneos. Dado que los LLM generan textos de forma estadística basándose en los datos de entrenamiento, en ocasiones pueden ofrecer respuestas sobre hechos inexistentes o información errónea con un tono que denota seguridad. El uso de RAG y la verificación de los contenidos generados (fact-checking) se consideran medidas representativas para abordar este reto.

Se trata de una iniciativa destinada a garantizar que los resultados y el comportamiento de la IA se ajusten a las intenciones, los valores y las normas sociales de los seres humanos. Tal y como indica el término “alineación”, resulta más fácil de entender si se concibe como un proceso de ajuste de los objetivos de la IA en la dirección deseada por los seres humanos. Cuanto más potente es una IA, mayor puede ser el impacto que tienen los resultados no deseados o los comportamientos que se desvían de las instrucciones; por ello, se llevan a cabo diversos ajustes tanto en la fase de aprendizaje como en la de funcionamiento. La técnica denominada “RLHF”, que ajusta el modelo basándose en la retroalimentación humana, es uno de los medios más habituales para lograr la alineación.

Imágenes, videos y audios falsos, procesados y generados de forma que parezcan auténticos, imitando a personas, objetos, lugares o acontecimientos reales mediante tecnología de IA. Se trata de un neologismo que combina ‘deep‘, de “aprendizaje profundo”, y ‘fake‘, que significa “falso”. Dado que permiten hacer creer que una persona ha dicho algo que en realidad no ha dicho, su uso indebido, como el fraude por suplantación de identidad o la difusión de información falsa, se ha convertido en un problema mundial. En los últimos años, se está investigando el desarrollo de tecnologías para detectar que se trata de contenido generado artificialmente, así como medidas de protección mediante marcas de agua electrónicas.

Término coloquial que se refiere a contenidos de baja calidad y escaso valor, producidos en masa mediante IA. Proviene del inglés ‘slop‘ (“desperdicio”). Dado que ahora es posible generar instantáneamente grandes cantidades de textos, imágenes y vídeos mediante IA, no solo están aumentando las publicaciones sin contenido que tienen como único objetivo las visitas y los ingresos publicitarios, sino que también se está considerando un problema a nivel mundial el fenómeno de que las redes sociales y los resultados de búsqueda se vean inundados de contenido sintético de baja calidad. También se señala como un reto de la sociedad de la información la creciente carga que supone para los usuarios discernir la veracidad y la calidad de la información. En 2025, Merriam-Webster, la editorial estadounidense conocida por sus diccionarios, eligió slop como palabra del año, y se añadió al diccionario un nuevo significado para este término: “contenido de baja calidad generado por IA”.

Merriam-Webster elige ‘slop’ como palabra del año 2025 por la saturación de contenido basura de IA

Los editores de Merriam-Webster han elegido ‘slop’ como la palabra del año 2025. La definen como “contenido digital de baja calidad producido habitualmente en grandes cantidades mediante inteligencia artificial”. Todo ese material que invade nuestras pantallas, capturado en solo cuatro letras.

Conexión con el mundo físico y su expansión

I-HWA CHENG/Getty Images

Se refiere a la IA que no solo procesa información del espacio digital, como imágenes o textos, sino que también percibe el mundo real y actúa a través de dispositivos físicos, como los robots. A diferencia de la IA centrada en el procesamiento de información como textos o imágenes, la IA física se diferencia significativamente en que los resultados de sus acciones se reflejan en el mundo real. Comprende la situación que le rodea a partir de la información obtenida de cámaras y sensores, y la plasma en acciones reales. Está despertando un gran interés como campo en el que se aplica la inteligencia de la IA a tareas en el espacio físico real, como la automatización de fábricas, la conducción autónoma o los robots humanoides.

Se trata de un sistema en el que el procesamiento de la IA no se delega en servidores de alto rendimiento en la nube, sino que se lleva a cabo en los propios dispositivos locales (dispositivos periféricos), como smartphones, cámaras o sensores. El nombre proviene del hecho de que el procesamiento se completa en el extremo de la red. Además de permitir un procesamiento rápido independientemente del entorno de comunicación, ofrece ventajas en materia de privacidad, ya que, al completarse el procesamiento dentro del propio dispositivo, no es necesario enviar los datos recopilados al exterior. Su uso se está extendiendo en situaciones que requieren tiempo real, como la detección de anomalías en equipos de fábrica o el reconocimiento de imágenes mediante cámaras integradas en vehículos.

Es un mecanismo que construye, en el interior de la propia IA, una simulación de las leyes físicas del mundo real, las relaciones entre los objetos y los cambios que se producen con el paso del tiempo. Se trata de una tecnología cuyo objetivo no es solo procesar la información que tiene delante, sino dotarla de la capacidad de predecir “qué va a ocurrir a continuación”. Se está llevando a cabo investigación y desarrollo a nivel mundial como elemento clave para respaldar la IA que implica la toma de decisiones en el mundo real, como la planificación de acciones de los robots o la conducción autónoma.

Tecnología que mide y lee, principalmente la actividad eléctrica del cerebro, así como cambios magnéticos y en el flujo sanguíneo, para convertirlos en comandos que permiten manejar máquinas o computadoras. Dado que permite manejar prótesis o el cursor sin mover el cuerpo, se ha esperado su aplicación principalmente en los ámbitos de la medicina y el bienestar. En los últimos años, gracias a la mejora de la precisión en el análisis de señales mediante IA, cada vez es posible interpretar intenciones de forma más precisa.

Hay un tercero en tu relación. Es la IA

La IA se está convirtiendo en una mediadora en las relaciones, reescribiendo mensajes y resolviendo discusiones, pero externalizar los conflictos puede tener un costo emocional.

Lo que hay más allá del progreso…

J Studios; getty images

Se refiere a una IA que, en lugar de especializarse en tareas concretas, posee una inteligencia general que le permite comprender, aprender y responder a retos de cualquier ámbito, al igual que los seres humanos. Aunque los modelos base también realizan una amplia gama de tareas, aún no han alcanzado el nivel necesario para abordar de forma autónoma cualquier ámbito, tal y como lo hacen los seres humanos. Por el contrario, la AGI se distingue por su capacidad para pensar y juzgar con flexibilidad, independientemente del ámbito. Sin embargo, no existe una definición unánime de lo que constituye la AGI y, al igual que ocurre con la fecha de su consecución, las opiniones entre los investigadores están muy divididas.

Se trata de una IA hipotética que, según se cree, posee una capacidad que supera claramente a la inteligencia humana en todos los ámbitos. En general, se dice que la AGI se refiere a la versatilidad para abordar una amplia gama de retos, mientras que la ASI se refiere a una capacidad que supera ampliamente a la humana. Si llegara a materializarse, podría contribuir en gran medida a la investigación científica y a la resolución de problemas sociales; sin embargo, también se ha señalado el riesgo de que escape al control humano, por lo que se está debatiendo activamente cómo garantizar su seguridad.

Es un punto de inflexión hipotético donde la IA supera la inteligencia humana y el progreso tecnológico se acelera a una velocidad que escapa a la predicción y el control humanos. El término “singularidad” proviene de las matemáticas y la física para referirse a un punto especial donde las leyes y los cálculos habituales dejan de aplicarse. Es un concepto popularizado por el inventor y futurista Ray Kurzweil en su libro de 2005, y los investigadores están divididos sobre cuándo ocurrirá, o incluso si llegará a ocurrir alguna vez.

Artículo originalmente publicado en WIRED Japón. Adaptado por Mauricio Serfatty Godoy.