El 28 de abril de 2022, en un esperado concierto en Spokane (Washington, EE UU), el músico Paul McCartney sorprendió a su público con una aplicación revolucionaria de la inteligencia artificial: comenzó a interpretar junto a una recreación hiperrealista de su compañero musical fallecido hace décadas, John Lennon.
Gracias a los avances recientes en procesamiento de audio y video, los ingenieros lograron aislar la voz y la imagen de Lennon de la última actuación del dúo (Londres, 1969) y restaurarlas con una nitidez asombrosa.
Durante años, investigadores como yo enseñamos a las máquinas a “ver” y “oír” para hacer posible un momento así. Cuando McCartney y Lennon parecieron reunirse a través del tiempo y el espacio, el estadio quedó en silencio; muchos asistentes rompieron a llorar. Como científico especializado en IA y fanático de los Beatles, sentí una gratitud inmensa por poder vivir algo verdaderamente impactante.
Meses después, el mundo quedó cautivado por otro gran avance: la conversación con IA. Por primera vez en la historia, sistemas capaces de generar comentarios nuevos y relevantes en tiempo real, sobre prácticamente cualquier tema, se hicieron accesibles gracias al lanzamiento de ChatGPT. De repente, miles de millones de personas podían interactuar con la IA. Aquello desató la imaginación colectiva sobre lo que la tecnología podría llegar a ser, alimentando una explosión de ideas creativas, esperanzas y temores.
Tras haber dedicado mi doctorado a la generación de lenguaje por IA (un campo considerado durante años como nicho), me sentía eufórico por lo lejos que habíamos llegado. Pero esa admiración pronto se mezcló con una creciente indignación ante la avalancha de titulares y supuestos expertos que aseguraban que la IA generativa podía hacer cosas que, sencillamente, no puede, y advertían que quien no la adoptara quedaría rezagado.
Este tipo de hype ha contribuido a una fiebre de malentendidos sobre qué es realmente la IA y cuáles son sus límites. Lo esencial es que la IA generativa distrae de la variante que probablemente mejorará más tu vida (o incluso la salvará): la IA predictiva. A diferencia de la IA diseñada para tareas generativas, la predictiva se ocupa de problemas con un conjunto finito y conocido de respuestas; el sistema solo debe procesar la información para determinar cuál es correcta. Un ejemplo básico: reconocer plantas. Apuntas la cámara del móvil a una hoja y descubres que se trata de un helecho occidental. Las tareas generativas, en cambio, no tienen un número limitado de respuestas correctas: el sistema debe combinar fragmentos de información para crear, por ejemplo, una imagen inédita de un helecho.
La tecnología generativa que impulsa los chatbots, los intercambios de rostros y los vídeos sintéticos produce demostraciones impactantes, que disparan clics y ventas mientras los usuarios imaginan que una IA sobrehumana nos traerá abundancia o extinción. Sin embargo, la IA predictiva lleva años mejorando silenciosamente la predicción meteorológica y la seguridad alimentaria, facilitando la producción musical, organizando fotos y calculando las rutas más rápidas para conducir. La incorporamos a nuestra vida diaria sin pensarlo, prueba de su utilidad indispensable.
Para entender el progreso de la IA predictiva y su potencial futuro, basta con revisar la trayectoria de los últimos 20 años. En 2005, no conseguíamos que distinguiera entre una persona y un lápiz. En 2013, aún no podía detectar con fiabilidad un pájaro en una foto, y diferenciar a un peatón de una botella de Coca-Cola era un desafío enorme (así descubrí que las botellas se parecen un poco a las personas, si estas no tuvieran cabeza). La idea de desplegar estos sistemas en el mundo real sonaba a ciencia ficción.
Pero en la última década, la IA predictiva no solo consiguió la detección de aves hasta el nivel de especie; también ha mejorado servicios médicos críticos, como la identificación de lesiones problemáticas y arritmias cardíacas. Gracias a esta tecnología, los sismólogos pueden predecir terremotos y los meteorólogos pueden anticipar inundaciones con una fiabilidad inédita. La precisión se ha disparado en aplicaciones que identifican desde la canción que tarareas hasta los objetos que debes esquivar al conducir, haciendo realidad los coches autónomos.
En un futuro muy cercano, deberíamos ser capaces de detectar tumores y prever huracanes mucho antes de que causen daño, cumpliendo el sueño de millones de personas. Puede que no sea tan vistoso como generar tu propia película al estilo Studio Ghibli, pero sin duda merece el calificativo de revolucionario.
Los sistemas predictivos también han demostrado ser muy útiles cuando incorporan ciertas técnicas generativas dentro de un conjunto limitado de opciones. Este tipo de soluciones es diverso: abarca desde la visualización de atuendos hasta la traducción entre idiomas. Pronto, los sistemas híbridos predictivo-generativos permitirán clonar tu voz hablando otro idioma en tiempo real, una ayuda extraordinaria para viajar (aunque con riesgos serios de suplantación). Hay mucho margen de crecimiento aquí, pero la IA generativa aporta verdadero valor cuando se apoya en métodos predictivos sólidos.
Para entender la diferencia entre estas dos grandes categorías de inteligencia artificial, imagina que eres un sistema de IA encargado de mostrarle a alguien cómo es un gato. Podrías optar por un enfoque generativo: recortar y pegar pequeños fragmentos de distintas imágenes de gatos (quizá procedentes de fuentes que no lo aprueban) para construir una representación aparentemente perfecta. La capacidad de la IA generativa mode a para producir un collage tan impecable es lo que la hace tan sorprendente.
Otra opción sería adoptar el enfoque predictivo: localizar y señalar una fotografía existente de un gato. Este método es mucho menos vistoso, pero más eficiente en términos energéticos, más preciso y, además, respeta la fuente original. La IA generativa está diseñada para crear cosas que parecen reales; la predictiva identifica lo que es real. El malentendido de que los sistemas generativos recuperan información cuando en realidad la están creando ha provocado consecuencias graves en el ámbito textual, obligando a retirar sentencias judiciales y a retractar artículos científicos.
Detrás de esta confusión está la tendencia a exagerar las capacidades de la IA sin aclarar de qué tipo se habla (sospecho que muchos ni siquiera lo saben). Es muy fácil equiparar “IA” con IA generativa (o incluso solo con IA que genera lenguaje) y asumir que todas las demás capacidades derivan de ahí. Esa falacia parece lógica: el término alude literalmente a “inteligencia”, y nuestra comprensión humana de lo que podría ser la inteligencia suele estar mediada por el lenguaje. Spoiler: nadie sabe realmente qué es la inteligencia. La expresión “inteligencia artificial” se acuñó intencionadamente en los años cincuenta para inspirar asombro y evocar algo humano. Hoy solo designa un conjunto de tecnologías diversas para procesar datos digitales. Algunos amigos míos prefieren llamarla “mathy maths”.
El sesgo que lleva a tratar la IA generativa como la forma más poderosa y auténtica de IA es preocupante, dado que consume mucha más energía que los sistemas predictivos. También significa utilizar el trabajo humano existente en productos de IA en contra de la voluntad de sus creadores originales y sustituir empleos por sistemas cuya capacidad se basa precisamente en esas obras, sin compensación alguna. La IA puede ser increíblemente potente, pero eso no justifica despojar a los creadores.
Como desarrolladora de IA en la industria tecnológica, he extraído lecciones importantes para los próximos pasos. El atractivo masivo de la IA está claramente vinculado a la naturaleza intuitiva de las interacciones conversacionales. Pero este método de relación abusa hoy de técnicas generativas donde bastarían las predictivas, creando una situación incómoda que confunde a los usuarios y acarrea costes elevados en consumo energético, explotación y pérdida de empleo.
Lo que hemos visto hasta ahora es solo un atisbo del verdadero potencial de la IA: la emoción actual refleja lo que podría ser, no lo que es. Los enfoques basados en generación tensionan los recursos y siguen fallando en representación, precisión y respeto a los deseos de quienes aportaron su trabajo al sistema.
Si logramos desviar el foco del hype en to o a las tecnologías generativas hacia los avances predictivos que ya transforman la vida cotidiana, podremos construir una IA realmente útil, equitativa y sostenible. Los sistemas que ayudan a los médicos a detectar enfermedades antes, a los científicos a prever desastres con mayor antelación y a las personas a moverse con más seguridad son los que están llamados a generar el mayor impacto.
El futuro de la IA beneficiosa no lo marcarán las demostraciones más llamativas, sino el progreso silencioso y riguroso que hace que la tecnología sea confiable. Y si construimos sobre esa base, combinando la solidez predictiva con prácticas de datos más maduras e interfaces intuitivas en lenguaje natural, la IA podrá empezar a cumplir la promesa que muchos perciben hoy.
La doctora Margaret Mitchell es investigadora en ciencias de la computación y directora de ética en la startup de IA Hugging Face. Lleva 15 años trabajando en la industria tecnológica y ha publicado más de 100 artículos sobre generación de lenguaje natural, tecnología asistiva, visión por computador y ética en IA. Su trabajo ha recibido numerosos premios y ha sido implementado por varias compañías tecnológicas.