Predicciones sobre el futuro cercano de la IA: La clave está en el pasado reciente

Cada cierto tiempo, vemos en los medios diversas predicciones sobre las tendencias y/o futuro de la IA para uno o más años, usualmente realizados por consultoras internacionales. Algunas proyecciones están basadas en lo que ya está aconteciendo y su evolución evidente, otras no tienen fundamentación alguna, pero auguran algunos temas emergentes, y otras lamentablemente han instalado narrativas de tecnologías supuestamente emergentes pero muy sesgadas a ciertos rubros, y con eventuales demandas muy artificiales.

En mi experiencia como profesor, conferencista y consultor, observo a diario una conducta un poco preocupante: muchas personas aún piensan que la IA es un campo que surgió recientemente a fines del 2022, con el surgimiento de tecnologías tales como ChatGPT, y que por tanto no había nada antes, y se debe hacer todo “desde cero”.

Esto no sólo es totalmente falso para un área de casi 70 años de desarrollo mundial, sino que produce un estancamiento operativo y estratégico en la forma de abordar los desafíos emergentes sin mirar lo que había en el pasado reciente.

Esto, sin desmedro, de que naturalmente el uso masivo y accesible al de tecnologías de IA al “público general” ha sido más reciente. Sin embargo, cada bloque de construcción básico de las tecnologías que usted ve actualmente ya habían sido desarrolladas muchos años atrás y simplemente, como todo avance tecnológico en esta materia, se han ido construyendo andamiajes para lo que venía.

En este artículo, intento delinear algunos aspectos de la evolución futura de la IA basado justamente en el desarrollo histórico que esta ha experimentado pero que muchos desconocen.

1. Año clave para tecnologías de Agentes e IA basada en Agentes

Los fundamentos, y aplicaciones de tecnologías de agentes inteligentes en el ámbito de la IA poseen al menos 40 años, surgiendo de la obra de Marvin Minsky (MIT) “The Society of Mind”.

A pesar del desarrollo que existía incluso a nivel empresarial, nada de lo que está aconteciendo actualmente en los negocios tiene que ver con la aplicación de agentes reales, sino más bien con automatización de flujos de trabajo a través de sistemas que invocan aplicaciones a partir de prompts y que se interconectan con otros para determinadas tareas.

Un problema con esto es que los beneficios, resultados e impactos esperados están bastante alejados de la realidad.

Aunque existe una gran oportunidad para el uso de agentes reales en los negocios, se requiere revisar las tecnologías de agentes que ya estaban disponibles para resolver los problemas actuales y trabajar con “agencia” real, aquella en donde agentes con intereses propios y globales son capaces de ponerse de acuerdo, negociar, y tomar decisiones en problemas complejos.

Por ejemplo, hace muchos años existían estrategias que permitían a agentes artificiales negociar para tomar decisiones grupales, sin embargo, esto es inexistente en las herramientas actuales. Esto se expande a otras dificultades que incluyen los aspectos de confiabilidad y seguridad cuando los agentes operan sin intervención humana.

2. Desarrollo de modelos del mundo (World Models)

Una parte importante de los problemas que poseen las tecnologías y herramientas de IA actuales es que estas no poseen un modelo del mundo o “dominio”. Al no tener dicho conocimiento, no se puede determinar si los resultados (ej. inferencias) que se realizan son verdaderos o falsos.

Uno de tantos ejemplos es el problema de las alucinaciones en los grandes modelos de lenguaje (LLM). ¿Por qué esto es importante y se debe abordar? Imagine que usted ve un video en que un perro vuela, habla y da clases. Evidentemente, si eso lo verifica un humano, se dará cuenta fácilmente de que eso es falso. Pero ¿cómo una maquina podría saber eso? Esta tendría que disponer de conocimiento sobre cuál es el “dominio” donde interactúa el perro y los movimientos básicos que están permitidos. Esto es lo que se denomina el modelo del mundo que no existe en los LLMs actuales y que se espera se pueda avanzar en los siguientes años.

Sin embargo, el desarrollo y uso de estos modelos del mundo ya ha existido por muchos años en otros enfoques de IA tales como los de IA simbólica, por lo que se deberá trabajar no sólo en cómo integrar con las tecnologías actuales para abordar problemas de negocio, sino también en cómo hacerlos flexibles de forma tal que no se deba comenzar desde cero cada vez que se tiene un nuevo problema.

3. Mejora en confiabilidad y calidad de Vibe Coding

Una aplicación importante y masiva para la industria de desarrollo de software han sido las herramientas de vibe coding. Estas permiten disponer de interfaces en lenguaje natural para generar automáticamente código computacional, permitiendo que usuarios no desarrolladores construyan herramientas solo describiendo lo que desean.

Sin embargo, las promesas y proyecciones previas en cuánto a ganancias en productividad y otros aspectos, no ha sido la esperada.

Si bien es cierto se logra reducir los tiempos de creación de código, estos deben ser validados y verificados por humanos para lograr que el resultado sea confiable para su integración en sistemas empresariales reales. Este tiempo humano naturalmente va en contra de las supuestas ganancias en productividad o retornos futuros de inversión.

4. Razonamiento en sistemas de IA

Ninguna tecnología de IA generativa posee capacidad alguna de razonamiento en herramientas de IA. Los sistemas basados en LLM (ej. ChatGPT, Gemini, etc) no tienen capacidades ni componentes que les permitan razonar dada la forma en que están construidos de base.

Usualmente, las personas creen que están interactuando con herramientas de IA que “razonan” pero eso es sólo una ilusión. Las verdaderas capacidades de razonamiento en sistemas de IA no provienen de los enfoques de IA generativa, sino de los enfoques clásicos de IA simbólica que fueron desarrollados muchos años atrás, incluso con un área científica completa dedicada a ello denominada razonamiento automático, que es donde se debería trabajar para abordar los desafíos actuales.

Sin embargo, ya hace algunos años se está comenzando a trabajar en la combinación de estos diferentes enfoques de IA que les permita a las tecnologías razonar (IA simbólica) pero a la vez beneficiarse de la potencialidad de los LLM que usan técnicas denominadas redes neuronales profundas.

Esta combinación de enfoques es lo que aún debe madurar y masificarse en la forma de sistemas de IA neuro-simbólicos. Las capacidades de razonamiento serían muy importantes para sistemas de este tipo pues le permiten planificar, ser más confiables y robustos, y sobre todo, seguir caminos consistentes de inferencia, lo cual podría mejorar significativamente la toma de decisiones en diferentes industrias.

5. Regulaciones y uso responsable de la IA

Seguramente Ud. ya ha escuchado que varios países están intentando regular varios aspectos relacionados al uso responsable de la IA que incluyen la ética, explicabilidad de modelos (y decisiones) de IA, transparencia, reducción de riesgos, seguridad, entre otros.

Incluso Chile tiene un proyecto de ley de IA en discusión que ha tomado una parte importante de la regulación que ya se encuentra en operación gradual en la Unión Europea (UE).

Sin embargo, la historia especialmente en términos de innovación y control tiene algo muy diferente que decir: se han producido excesos al tratar de regular todo y poner en riesgo la innovación y emprendimiento de los países. De hecho, esto ya aconteció con la regulación de la EU que era extremadamente punitiva y que recientemente se ha comenzado a flexibilidad mediante medidas paliativas como el paquete OMNIBUS.

6. Más IA autónoma

La IA debería evolucionar hacia tecnologías más autónomas y a sistemas que pueden planificar y completar tareas complejas sin supervisión humana constante.

Sin embargo, esto ya estaba bastante avanzado años atrás con las tecnologías de IA simbólica por lo que mucho del trabajo futuro no debería ser “reinventar la pólvora” sino recurrir a los avances ya realizados, diferentes de la IA generativa, para abordar los problemas que vendrán para automatización complejas en empresas.

7. Robótica y sistemas ciber-físicos

Aunque aún incipiente, se espera un crecimiento en robots humanoides y soluciones robóticas basadas en IA para entornos industriales y domésticos, marcando un paso más hacia la automatización física cotidiana.

Sin embargo, muchos de los modelos y avances necesarios en este tipo de tecnologías ya estaban disponibles en el mundo a partir de los años 90.

Esto corresponde a los enfoques de “IA basado en el comportamiento” que se utilizaron, aplicaron y comercializaron principalmente en robótica autónoma y sistemas físicos, y que el mundo debería comenzar a revisitar.

8. Debate social y retorno de inversión

Expertos advierten que 2026 podría ser un año de “prueba de realidad” para la IA: las empresas y gobiernos tendrán que demostrar beneficios reales, gestionar costos energéticos y enfrentar dilemas éticos y económicos.

Tradicionalmente, el desarrollo y automatización de procesos y sistemas complejos empresariales pasa por varias etapas, desde un diagnóstico y análisis de procesos profundo (en muchos casos, es lo que concentra la mayor actividad) hasta el desarrollo per se, evaluación y puesta en operación.

Con toda la presión por el uso de la IA, muchas empresas han olvidado que, en etapas tempranas, como el diagnóstico y procesos, estas podrían casi predecir lo que realmente necesitan y que justifica realmente el uso de IA generando impactos positivos.

La realidad es brutal: muchas empresas no están entendiendo sus propios problemas de negocio, no realizan diagnóstico alguno, y simplemente se enfocan herramientas que supuestamente hacen “magia”. Se espera que se retomen las buenas prácticas para lograr una adopción de IA operativa y estratégica realmente efectiva para las organizaciones.

“El mejor profeta del futuro es el pasado”
Lord Byron