La inteligencia artificial no es etérea

Me asombra pensar en lo poco que imaginamos lo que ocurre detrás de las acciones más simples de nuestra vida tecnológica. Abrimos el celular, ponemos una canción, escribimos una pregunta a una inteligencia artificial y todo parece inmediato, liviano, casi mágico. La experiencia es limpia, silenciosa, sin fricción. Pero detrás de esa inmediatez hay una maquinaria inmensa, una cadena de procesos que rara vez alcanzamos a imaginar.

Esa distancia entre nuestra experiencia cotidiana y la conciencia de lo que ocurre tras bambalinas no es exclusiva de la inteligencia artificial. También ocurre con los alimentos que compramos en el supermercado, con la ropa que vestimos o con los objetos que usamos a diario. Vivimos rodeados de sistemas complejos cuyo funcionamiento real permanece fuera de nuestra percepción. Sin embargo, en el caso de la IA, esa distancia adquiere una magnitud inquietante.

Hace apenas quince años no existía una verdadera industria de inteligencia artificial. Era un tema de laboratorio, una promesa académica, una conversación entre investigadores. Pero en 2012 algo cambió. Un sistema desarrollado en la Universidad de Toronto ganó el concurso ImageNet, logrando reducir el margen de error casi a la mitad respecto de los sistemas anteriores. Ese salto marcó el inicio de una nueva era. Desde entonces, la IA dejó de ser un experimento para convertirse en una industria vertiginosa, impulsada por una mezcla de promesa, ambición y competencia global.

A partir de ese momento empezamos a usar palabras humanas para hablar de máquinas. Decimos que una IA “aprende”, que se “entrena”, que “mejora”. Pero lo que ocurre está muy lejos de cualquier experiencia humana de aprendizaje. No hay comprensión, ni sentido, ni experiencia. Hay calibración. Millones de ejemplos presentados una y otra vez, millones de errores corregidos, millones de parámetros ajustados. Un proceso ciego, insistente, puramente matemático, donde un operador humano confirma cuándo el sistema acierta y cuándo no.

Las llamadas redes neuronales profundas no son cerebros biodigitales. Son estructuras matemáticas organizadas en capas que procesan datos de forma progresiva. Detectan líneas, curvas, contrastes, combinaciones cada vez más complejas, hasta identificar una letra, un rostro o un objeto. No saben qué es una letra ni qué es un rostro. No ven. No entienden. Pero, tras millones de repeticiones, logran distinguir patrones con una precisión asombrosa.

Lo impresionante no es la idea, que es relativamente simple, sino la escala. Para que estas estructuras funcionen se requieren cientos de miles de millones de parámetros, ajustados mediante cantidades colosales de cálculo. Y esa escala matemática exige una escala material equivalente.

Detrás de esta inteligencia que parece etérea no hay nada parecido a una nube. Hay enormes centros de datos repartidos por el mundo: galpones industriales que ocupan decenas de hectáreas, llenos de estanterías metálicas con miles de procesadores especializados trabajando día y noche. Entrenar un modelo como GPT-3 requirió alrededor de 1,3 gigavatios-hora de electricidad; GPT-4 multiplicó varias veces esa cifra. A eso se suman cientos de miles de litros de agua utilizados para enfriar los sistemas.

Cada consulta individual puede parecer insignificante: la energía de una ampolleta LED encendida por algunos minutos. Pero millones de consultas diarias transforman esos chispazos en una corriente constante de electricidad y agua circulando sin descanso. La nube es, en realidad, hierro, cables, minerales y un zumbido permanente.

Y aún hay algo más invisible. Millones de personas en todo el mundo participan en la preparación y etiquetado de datos. Operadores que, durante horas, clasifican imágenes, corrigen errores, filtran contenidos violentos o perturbadores. Trabajo humano repetitivo, muchas veces mal pagado, sin el cual estos sistemas simplemente no funcionarían.

Todo esto queda oculto tras la experiencia limpia e inmediata de escribir una pregunta y recibir una respuesta. Y, sin embargo, hay algo más profundo que la mera invisibilidad de la infraestructura. La inteligencia artificial se vuelve “más inteligente” siempre del mismo modo: ampliando, refinando o reconfigurando su soporte material. Más datos, más parámetros, más capacidad de cómputo. Aunque esa materialidad pueda reducirse, compactarse o volverse cada vez menos visible —como ocurrió con la historia misma de la computación— la lógica de fondo permanece: su progreso depende de una expansión externa.

En ese punto aparece una diferencia decisiva con la experiencia humana. El aprendizaje humano no requiere cambiar de aparato. No necesita más capas, ni más energía, ni una infraestructura mayor. Con el mismo cuerpo limitado, con el mismo cerebro finito, una persona puede aprender, comprender distinto, transformar su manera de ver el mundo. La consciencia no escala hacia afuera; se transforma hacia adentro.

Quizás por eso conviene ser cuidadosos con las metáforas que usamos. Llamamos “aprendizaje” a procesos que dependen de una expansión material creciente, y corremos el riesgo de olvidar que la experiencia humana aprende de otro modo: no acumulando potencia, sino reorganizando sentido. Distinguir entre ambos no es un gesto técnico ni una advertencia moral. Es, simplemente, una forma de no confundir la simulación de inteligencia con la experiencia viva de comprender.

Preguntas para la reflexión:

• ¿Qué parte de tu vida cotidiana depende hoy de tecnologías que apenas comprendes?
• ¿Qué sientes al pensar que, detrás de un gesto tan simple como hacer una pregunta a una IA, hay miles de personas, litros de agua y hectáreas de máquinas trabajando?
• ¿Qué mundo material estamos dispuestos a no ver para sostener la ilusión de una inteligencia sin cuerpo?