Antes de confiar en un sistema, importa saber qué clase de sistema tenemos delante y qué puede hacer
Solemos hablar de “la inteligencia artificial” como si fuera una tecnología homogénea. No lo es. Bajo una misma denominación conviven sistemas construidos para finalidades diferentes, entrenados de distintas maneras y con capacidades muy desiguales para recordar, adaptarse, consultar información, utilizar herramientas o desenvolverse con cierto grado de autonomía.
Sin embargo, para el usuario muchas veces todos se parecen:
Una pantalla.
Una caja de diálogo.
Una pregunta.
Una respuesta.
Esa uniformidad puede crear una falsa sensación de equivalencia. Dos sistemas pueden presentarse exactamente de la misma manera y funcionar de formas profundamente distintas.
La diferencia empieza antes de la primera pregunta
Lo primero que cambia es cómo fue construido y entrenado el sistema. Algunas inteligencias artificiales aprenden a partir de grandes cantidades de ejemplos. Otras son entrenadas para reconocer patrones específicos. Algunas aprenden mediante recompensas y penalizaciones. Otras son ajustadas posteriormente para seguir determinadas instrucciones o restricciones.
Eso importa porque el entrenamiento no solo incorpora información. También influye en la forma en que el sistema aprende a resolver un problema. Dos IA pueden recibir una tarea aparentemente igual y llegar a resultados diferentes porque fueron desarrolladas para identificar patrones, priorizar información o alcanzar objetivos de maneras distintas. Por eso no basta con preguntar qué sabe una IA. También importa cómo aprendió aquello que sabe hacer.
En muchos sistemas comerciales el usuario nunca conocerá completamente los datos, parámetros ni decisiones tomadas durante su desarrollo. Precisamente por eso debemos distinguir entre lo que realmente sabemos sobre un sistema y aquello que suponemos por su comportamiento externo.
Tampoco todas permanecen iguales después del entrenamiento
Algunos sistemas operan sobre un modelo relativamente estable una vez desplegados. Otros incorporan información mediante memoria, recuperación de datos externos, actualizaciones o mecanismos de adaptación durante el uso.
Una IA puede no recordar nada después de una sesión. Otra puede conservar información relevante. Otra puede consultar documentos externos, recurrir a herramientas especializadas o combinar varios de estos mecanismos. La respuesta final puede parecer similar. El proceso que la produjo, no.
La IA que vemos puede ser solo una parte
Cuando interactuamos con una inteligencia artificial tendemos a identificarla con el modelo que genera la respuesta. Pero muchos sistemas actuales ya funcionan como una combinación de componentes.
El modelo puede consultar un buscador, recuperar información de una base de datos, utilizar una calculadora, ejecutar código, acceder a documentación interna o delegar una tarea a otro sistema.
Aquello que llamamos “la IA” puede ser, en realidad, un conjunto de modelos, herramientas, fuentes de información y reglas de operación trabajando de manera coordinada.
Por eso ya no basta con saber qué modelo está detrás de una aplicación. Necesitamos comprender, al menos en términos generales, qué constituye realmente el sistema que estamos utilizando.
La capacidad también es diferente
Generar lenguaje, reconocer imágenes, clasificar información, predecir comportamientos, optimizar recursos, planificar secuencias de acciones o controlar un proceso no son capacidades equivalentes. Tampoco lo son un modelo aislado y un sistema conectado con herramientas externas.
No se trata de establecer cuál es mejor, sino de reconocer que pertenecen a categorías funcionales distintas, aunque todas reciban la misma etiqueta.
Una palabra empieza a quedarse corta
Decimos simplemente: IA. Pero esa palabra empieza a abarcar demasiado: modelos que generan contenido, sistemas predictivos, herramientas de clasificación, algoritmos de optimización, agentes, arquitecturas adaptativas y combinaciones de varios de ellos. Y el problema no es solo terminológico.
Preguntamos si “la IA” es confiable, si aprende, si recuerda o si puede actuar. Pero la respuesta casi siempre empieza de la misma manera: depende de qué sistema estemos hablando.
Antes de evaluarlo convendría saber al menos cuatro cosas: cómo fue entrenado, qué ocurre con él después del entrenamiento, con qué otros componentes se conecta y qué capacidades posee realmente.
No tendremos siempre toda esa información. Pero reconocer lo que desconocemos es mejor que asumir que una interfaz familiar nos permite comprender el sistema que existe detrás.
Porque dos inteligencias artificiales pueden hablarnos de la misma manera y ser, en realidad, tecnologías profundamente diferentes.
No todas las IA son la misma IA. Y cuanto más evolucionen estos sistemas, menos podremos juzgarlos solamente por lo que aparece en la pantalla.
