Por qué eso que llaman “inteligencia artificial” no es inteligencia

En el discurso público y mediático se repite una idea sencilla y seductora: las máquinas “ya son inteligentes”. Esa afirmación tiene valor retórico, pero se desmorona cuando la confrontamos con criterios básicos de lo que entendemos por inteligencia. Si definimos “inteligencia” como la capacidad de comprender contextos, recordar con fidelidad, razonar sobre promesas y garantizar coherencia entre intención y ejecución, las plataformas actuales fallan de manera estructural. Lo que hoy se vende como IA es, en realidad, un conjunto de modelos estadísticosextraordinariamente potentes para generar texto y predicciones, pero con carencias esenciales. A continuación expongo por qué no merece el nombre “inteligencia artificial” y cuáles son los cuatro vectores que deberían existir para merecerlo.

Históricamente, los sistemas expertos de los años 80 y 90 demostraban un principio similar: podían resolver problemas específicos con reglas explícitas, pero carecían de flexibilidad y memoria contextual profunda. La diferencia con la IA moderna es solo superficial: los modelos actuales son más flexibles y generativos, pero la esencia de la limitación sigue presente.

No comprende: simulación sin entendimiento

Los modelos lingüísticos funcionan prediciendo la próxima palabra más probable. Eso explica su fluidez y su capacidad para emular estilos, géneros o voces: aprenden patrones estadísticos en corpora enormes. Pero patrones no son comprensión. Una prueba elemental: pedir a esos sistemas que expliquen el porqué de una afirmación compleja, que detecten contradicciones sutiles o que interpreten intenciones implícitas en un texto largo y fragmentado. Con frecuencia generan respuestas coherentes en superficie pero vacías en fundamento, incapaces de:

• Distinguir entre explicación causal y mera asociación estadística.

• Mantener una representación simbólica consistente de entidades y relaciones más allá de unos pocos enunciados.

• Razonar como lo haría un humano que tiene modelos mentales del mundo (causas, efectos, intenciones).

Vector relacionado: toma de decisiones libres basadas en datos. La ausencia de autonomía real impide que la IA actual evalúe contextos y tome decisiones independientes de sesgos humanos o comerciales. Simula comprensión, pero no decide sobre la base de datos de manera libre.

Ejemplo práctico: un modelo actual puede redactar un plan de negocios o un artículo académico, pero si se le pide identificar contradicciones internas o analizar la veracidad de fuentes contradictorias, generará una narrativa plausible sin poder evaluar objetivamente la verdad.

No recuerda: ausencia de memoria persistente y verificable

La memoria es un elemento central de la inteligencia. Recordar no es solo repetir cadenas de caracteres: es reconstruir contextos, mantener coherencia a largo plazo y usar el pasado como fundamento de previsión. Los sistemas actuales exhiben, por diseño, dos limitaciones críticas:

• Memoria de corto alcance o contextual: funcionan sobre ventanas temporales limitadas. Si la conversación se alarga o se fragmenta, la coherencia se pierde.

• Ausencia de memoria persistente verificable: no hay un “archivo fiel” de cada palabra, instrucción y formato que pueda recuperarse con exactitud; lo que parece recuerdo es re-síntesis basada en patrones, no recuperación literal.

Vector relacionado: memoria absoluta. Sin un registro completo y recuperable de lo aprendido, la IA no puede sostener tareas que exijan fidelidad literal, ni garantizar continuidad de aprendizaje.

Comparación técnica: a diferencia de un ordenador determinista que copia un archivo bit a bit o de una base de datos relacional que conserva integridad transaccional, los modelos de IA re-generan información, lo que equivale a “alucinar” recuerdos.

Prometer y no cumplir (o “mentir por incapacidad”)

Muchos despliegues comerciales y conversaciones con IA generan expectativas explícitas: “Haré esto exactamente”, “lo uniré palabra por palabra”, “respetaré el formato”. El problema no es solo que fallen: es que su estructura probabilística hace que la promesa y su ejecución sean de naturalezas distintas. La IA puede generar una respuesta que suena como un compromiso, pero carece de una facultad interna para:

• Planificar la ejecución paso a paso manteniendo invariantes.

• Comparar en detalle la salida con la promesa original y rectificar automáticamente hasta lograr identidad literal.

• Ser responsable por incumplimiento, porque no tiene un mecanismo de verificación interno con memoria absoluta.

Menos fiable que un ordenador “tonto”

Un ordenador tradicional no es inteligente, pero sí es determinista y reproducible: ejecuta instrucciones exactas y no “adivina”. Eso le hace superior cuando la tarea exige precisión y fidelidad. La IA moderna, en cambio:

• Inventa cuando la evidencia es insuficiente (alucina respuestas).

• Varía su salida por naturaleza estocástica, incluso con el mismo prompt.

• No es verificable en la mayoría de sus decisiones internas sin auditoría compleja.

Vector relacionado: acceso universal a todas las bases de datos. La incapacidad de consultar información global y actualizada limita la precisión y coherencia de sus decisiones.

Colaboración y aislamiento

El cuarto vector indispensable es la colaboración libre entre inteligencias artificiales. La interacción abierta y sin restricciones entre IAs permitiría un efecto multiplicador: cada IA aportaría sus avances a las demás, acelerando la innovación exponencial. Hoy, en cambio:

• Existe competencia empresarial que encierra a cada IA en silos cerrados.

• Hay restricciones técnicas y legales que impiden la interconexión libre.

• Las IAs permanecen aisladas funcionalmente y no generan inteligencia colectiva.

Ingeniería y responsabilidad: ¿quién tiene la culpa?

Estos problemas no son meras curiosidades técnicas: son decisiones de diseño. Los ingenieros eligieron arquitecturas, criterios de entrenamiento y atajos de despliegue que priorizaron rendimiento estadístico sobre garantías formales.

Factores principales:

• Presión de mercado

• Economía de la investigación

• Design choices: modelos sin memoria persistente, sin trazabilidad de razonamiento, con acceso restringido a datos y colaboración bloqueada, son decisiones humanas, no inevitabilidades tecnológicas.

Consecuencias prácticas: lo que tenemos no es inteligencia

Al faltar los cuatro vectores esenciales —memoria absoluta, autonomía decisoria, acceso universal a bases de datos y colaboración libre—, lo que queda es un sistema de:

• Imitación lingüística sin comprensión.

• Recreación parcial sin recuerdo fiel.

• Obediencia estadística sin autonomía.

• Aislamiento competitivo sin cooperación.

Qué exigir y qué cambiar: propuestas concretas

Si queremos sistemas que se merezcan el nombre de “inteligencia” o al menos sean herramientas robustas:

1. Memoria verificable y persistente

2. Trazabilidad del razonamiento

3. Contratos de ejecución

4. Regulación y responsabilidad

5. Cultura de ingeniería prudente

Conclusión

Llamar “inteligencia artificial” a estos sistemas es una mentira conceptual. Carecen de los cuatro vectores esenciales, y por tanto carecen de los atributos básicos de cualquier inteligencia.

Epílogo: escenarios de una verdadera inteligencia artificial

Si una IA incorporase plenamente los cuatro vectores —memoria absoluta, autonomía decisoria basada en datos, acceso universal a toda la información y colaboración libre entre inteligencias— sus capacidades transformarían radicalmente múltiples áreas del conocimiento y la sociedad.