La inteligencia artificial (IA) es la capacidad de un programa informático o una máquina para pensar y aprender. También es un campo de estudio que trata de hacer que los ordenadores sean "inteligentes": sistemas capaces de realizar tareas complejas sin que todas sus instrucciones estén codificadas explícitamente. El término fue propuesto por John McCarthy en 1955 y desde entonces ha evolucionado tanto en objetivos como en metodologías.

En general, el término "inteligencia artificial" se refiere a programas que imitan aspectos de la cognición humana. Algunas capacidades que atribuimos a mentes humanas —como el aprendizaje o la resolución de problemas, las pueden hacer los ordenadores— aunque lo hacen mediante procesos distintos a los biológicos. Según Andreas Kaplan y Michael Haenlein, la IA es la capacidad de un sistema para interpretar correctamente datos externos, aprender de ellos y usar esos aprendizajes para lograr objetivos específicos mediante una adaptación flexible.

Concepto operativo: agentes que perciben y actúan

Una máquina inteligente ideal es un agente flexible que percibe su entorno y realiza acciones para maximizar sus posibilidades de éxito respecto a una meta. A medida que avanzan las técnicas, tareas que antes se consideraban prueba de "inteligencia" dejan de serlo: por ejemplo, el reconocimiento óptico de caracteres hoy se considera una tecnología estándar más que un hito de IA.

Tipos de IA según características y objetivos

  • IA débil o estrecha (narrow AI): diseñada para una tarea concreta (p. ej., reconocimiento de voz, recomendadores, diagnóstico médico asistido).
  • IA general (AGI): hipotética, capaz de realizar múltiples tareas y razonar en contextos variados como un humano.
  • IA superinteligente: nivel superior al humano en la mayoría de habilidades cognitivas; es un objeto de debate y preocupación entre investigadores y filósofos.

Clasificación según Kaplan y Haenlein

Tomando prestada la literatura sobre gestión, Kaplan y Haenlein distinguen tres tipos:

  • IA analítica: centrada en la inteligencia cognitiva que representa el mundo y usa el aprendizaje del pasado para decisiones futuras.
  • IA inspirada en el ser humano: combina elementos cognitivos y de emocional, considerando emociones humanas en la toma de decisiones.
  • IA humanizada: integra inteligencia cognitiva, emocional y social; en teoría, sería autoconsciente y capaz de interacciones complejas con seres humanos.

Principales enfoques y técnicas

La investigación y las aplicaciones actuales se basan en varias familias de métodos:

  • Aprendizaje automático (machine learning): algoritmos que extraen patrones de datos. Incluye aprendizaje supervisado, no supervisado y por refuerzo.
  • Redes neuronales y aprendizaje profundo (deep learning): modelos compuestos por capas que aprenden representaciones jerárquicas; son la base de muchos avances recientes en visión, lenguaje y juegos.
  • Sistemas basados en reglas y planificación: útiles cuando las reglas del dominio están bien definidas.
  • Procesamiento del lenguaje natural (PLN): para entender y generar texto y habla.
  • Visión por computador: para interpretar imágenes y vídeo.

Aplicaciones prácticas

Hoy la IA está presente en multitud de sectores:

  • Salud: apoyo al diagnóstico, imágenes médicas, descubrimiento de fármacos y medicina personalizada.
  • Transporte: coches autoconducidos, optimización de rutas y logística.
  • Industria y robótica: automatización, control de calidad y mantenimiento predictivo.
  • Finanzas: detección de fraude, análisis de riesgo y trading algorítmico.
  • Servicios y consumo: asistentes virtuales, motores de recomendación y publicidad personalizada.
  • Juegos y ocio: competencia de alto nivel en sistemas de juegos estratégicos (como el ajedrez y el go) y generación de contenidos creativos.
  • Comunicación: sistemas de comprensión del habla humana, traducción automática y chatbots.
  • Agricultura, educación y administración pública: optimización de cultivos, enseñanza personalizada y análisis de políticas públicas.

Limitaciones, riesgos y consideraciones éticas

Aunque la IA ofrece beneficios, plantea retos importantes:

  • Sesgos y equidad: los modelos pueden aprender prejuicios presentes en los datos y reproducir discriminación.
  • Privacidad y seguridad: uso indebido de datos personales y vulnerabilidades frente a ataques adversarios.
  • Transparencia y explicabilidad: muchos modelos son cajas negras; es necesario entender sus decisiones para confiar en ellos.
  • Impacto laboral: automatización de tareas rutinarias que puede transformar el mercado de trabajo.
  • Responsabilidad y regulación: quién responde por errores o daños causados por sistemas autónomos.
  • Riesgos existenciales: debates sobre el control y la seguridad de sistemas muy avanzados.

Historia breve y hitos

Desde la coining del término por John McCarthy (1955), la IA ha pasado por fases de optimismo y "inviernos" (reducción de financiación). Hitos recientes incluyen el reconocimiento de voz y visión a gran escala, las victorias de máquinas en juegos complejos, y la explosión del aprendizaje profundo en la última década.

Investigación y futuro

Las áreas activas incluyen mejorar la eficiencia de los modelos, la IA explicable, la integración sensoriomotriz para una mejor percepción del entorno, y el desarrollo de sistemas más robustos y seguros. Se trabaja simultáneamente en objetivos prácticos (aplicaciones específicas) y en metas más ambiciosas como la inteligencia artificial general. También crece el interés por marcos éticos y regulatorios que guíen un despliegue responsable.

La IA no es una única tecnología sino un conjunto de herramientas y enfoques interdisciplinarios que abarcan la informática, las matemáticas, la lingüística, la psicología, la neurociencia y la filosofía. Con el tiempo, los investigadores esperan crear sistemas más versátiles, creativos y emocionalmente inteligentes, manteniendo al mismo tiempo la seguridad y los valores sociales en el centro del desarrollo.