La palabra “invierno” suena suave. Nieve en las ramas. Calles en silencio. Café caliente. Pero en la IA, el invierno significa algo brutal: laboratorios cerrando, investigadores huyendo a otros campos, financiación evaporándose y décadas enteras de progreso quedándose en punto muerto mientras el resto de la informática corre hacia delante.

La IA ha vivido dos grandes inviernos. Ambos casi mataron el campo. Ambos siguieron el mismo patrón básico: los investigadores prometieron demasiado, entregaron demasiado poco y los que ponían el dinero se quemaron.

Ahora estamos en lo que quizá sea el verano de la IA más largo de la historia. La inversión no deja de batir récords. ChatGPT llegó a 100 millones de usuarios más rápido que cualquier aplicación jamás creada. La pregunta que persigue a cualquiera que esté prestando atención: ¿estamos construyendo algo real esta vez, o preparando el terreno para el mayor invierno hasta ahora?

El patrón que nadie quiso ver

Hay algo raro. En ambas ocasiones, la gente dentro del campo vio venir los inviernos. Avisaron a todo el mundo. Nadie escuchó.

En 1984, los investigadores de IA Roger Schank y Marvin Minsky se levantaron en la reunión anual de la American Association of Artificial Intelligence y lanzaron una advertencia que resultaría profética en apenas tres años. Ya habían vivido el primer invierno de la IA en los 70, viendo cómo se derrumbaba la financiación después de que los investigadores no cumplieran con la traducción automática y otras promesas ambiciosas.

Ahora veían que estaba pasando otra vez. Los sistemas expertos estaban de moda. Las empresas gastaban más de mil millones de dólares al año en IA. Todo el mundo quería entrar.

Schank y Minsky le dijeron al mundo empresarial: este entusiasmo es excesivo, la decepción es inevitable y deberían prepararse para otro invierno.

El mundo empresarial no se preparó.

Tres años después, empezó el desplome.

Miles de millones se evaporaron

El segundo invierno de la IA, aproximadamente de 1987 a 1993, devastó el campo de maneras que hoy parecen casi imposibles, vistos los niveles actuales de entusiasmo y los flujos de inversión.

En 1986, los ordenadores personales tenían como mucho 44MB de almacenamiento, lo que hacía inviable construir las grandes bases de conocimiento que exigían los sistemas expertos, y los costes de desarrollo se volvieron imposibles de justificar para empresas individuales cuando enfoques más simples podían cubrir la mayoría de necesidades empresariales por una fracción del gasto.

Empresas especializadas en IA como Lisp Machines y Symbolics habían creado hardware caro optimizado para programar IA y cobraban precios premium por sus sistemas propietarios. Luego Apple y Sun Microsystems lanzaron estaciones de trabajo de propósito general que igualaban su rendimiento por una fracción del coste. El mercado de hardware especializado se desplomó hacia 1987. No eran empresas pequeñas. Desaparecieron.

La iniciativa japonesa Fifth Generation Computer Systems, que había invertido unos $500 millones para crear ordenadores masivamente paralelos para IA, se cerró tras una década de trabajo. La U.S. Strategic Computing Initiative, que DARPA había financiado con el sueño de máquinas que pudieran “see, hear, speak, and think like a human,” vio su presupuesto recortado. Un relato describió los recortes como “deep and brutal.”

La aseguradora que ganó y perdió

En Hacker News, un usuario llamado blankfrank compartió una perspectiva que captura la realidad complicada de los sistemas expertos en esa época, escribiendo sobre su experiencia construyendo IA en una aseguradora entre 1988 y 1996: “Our expert system ran on PCs in our 30 branches then migrated to a mainframe.”

El sistema “captured $4 million in additional revenue.” Eso suena a éxito. Pero más tarde el desarrollador cuestionó el coste social cuando se redujo la plantilla tras completarse el proyecto. La tecnología funcionó. También eliminó puestos de trabajo.

Este era el patrón. Los sistemas expertos aportaban un valor estrecho mientras no conseguían transformar industrias enteras como se prometía. La brecha entre expectativas y realidad creó las condiciones para el invierno.

En qué fallaron los sistemas expertos

Los sistemas expertos que impulsaron el auge de los 80 parecían una buena idea en su momento, y sobre el papel el concepto tenía todo el sentido. Captura la experiencia humana en reglas. Deja que los ordenadores apliquen esas reglas. Escala la experiencia hasta el infinito.

El sistema XCON de Digital Equipment Corporation configuraba pedidos de ordenadores VAX y, según se cuenta, le ahorró a la empresa $40 millones a lo largo de seis años. Historias de éxito como esa atrajeron inversión corporativa masiva y, para 1985, las empresas de todo el mundo gastaban más de mil millones de dólares al año en hardware, software y consultoría de IA.

Pero los sistemas expertos tenían problemas fundamentales que solo se hicieron evidentes a escala. No podían aprender. Cada situación nueva exigía que un experto humano escribiera reglas nuevas. Sufrían el “problema de la cualificación”, que no es más que una forma elegante de decir que no podían anticipar entradas inusuales y que, cuando se enfrentaban a algo inesperado, producían errores grotescos.

Otro comentarista de Hacker News, KineticLensman, que trabajó en sistemas expertos a principios de los 90, descubrió que el enfoque basado en reglas funcionaba bien para “getting domain experts to articulate the heuristics they used,” pero que el valor real acabó siendo el proceso de extracción de conocimiento más que el propio sistema de IA. La interfaz gráfica que construyeron para su componente basado en marcos “was repurposed for a successful in-house modelling tool” que sobrevivió a la IA.

La IA murió. La herramienta sobrevivió.

El momento de 2012 que lo cambió todo

Lo que puso fin al segundo invierno de la IA no fue un único avance, sino una convergencia que tardó décadas en materializarse: mejores algoritmos, hardware más rápido y muchísimos más datos, todo llegando más o menos al mismo tiempo.

El evento decisivo llegó en 2012, cuando un equipo de la University of Toronto, liderado por Geoffrey Hinton, ganó la competición ImageNet usando una red neuronal profunda a la que llamaron AlexNet. Su tasa de error fue del 15,3%. El sistema que quedó segundo, usando técnicas tradicionales, tuvo una tasa de error del 26,2%.

Esa diferencia lo cambió todo.

Las redes neuronales existían desde los años 50. La retropropagación, la técnica de entrenamiento que hace posible el aprendizaje profundo, se popularizó en los 80. Pero el hardware no era lo bastante potente. Los datos no eran lo bastante abundantes. Las redes se quedaban superficiales.

Para 2012, ambas restricciones se habían relajado. Las GPU, diseñadas originalmente para videojuegos, resultaron perfectas para entrenar redes neuronales porque podían realizar miles de operaciones de matrices en paralelo. Internet había generado conjuntos de datos enormes. La base de datos ImageNet, por sí sola, contenía más de un millón de imágenes etiquetadas, todas categorizadas por humanos.

Los investigadores se dieron cuenta de que redes más grandes entrenadas con más datos rendían de forma consistente mejor, y esa observación, más tarde formalizada en leyes de escalado, impulsó el progreso de 2012 hasta hoy: más parámetros, más datos de entrenamiento y más cómputo producían de manera fiable mejores resultados.

El verano más largo

Llevamos ya más de trece años en un verano de la IA continuo. La inversión sigue creciendo. En 2025, se prevé que las grandes tecnológicas gasten 364 mil millones de dólares en infraestructura de IA, una cifra que habría parecido inimaginable hace una década.

El auge actual se diferencia de los anteriores en aspectos importantes para evaluar si este verano durará. Los veranos de la IA anteriores produjeron artículos de investigación y contratos gubernamentales, trabajo interesante que rara vez tocaba a la gente corriente. Este está produciendo productos que cientos de millones de personas usan a diario. ChatGPT tiene 800 millones de usuarios activos semanales. El 92% de las empresas del Fortune 500 lo usa.

Pero un usuario de Hacker News llamado “jerf” ofreció una distinción útil en una discusión de octubre de 2024 sobre si se acercaba un invierno de la IA: “You seem to be unable to separate the concept of ‘hype’ from ‘value.’ The original ‘AI Winter’ was near-total devastation. But it’s probably reasonable to think that after the hype train of the last year or two we’re headed into the Trough of Disillusionment.”

El ciclo de sobreexpectación de Gartner describe un patrón en el que las nuevas tecnologías pasan por una fase de “expectativas infladas” seguida de un “valle de la desilusión” antes de llegar, con el tiempo, a una “meseta de productividad” donde la tecnología encuentra su papel real. Muchos observadores creen que la IA está entrando ahora en ese valle.

Las señales de alerta

Gary Marcus, investigador de IA y científico cognitivo que lleva años siendo escéptico con los grandes modelos de lenguaje, escribió en su 25 AI Predictions for 2025: “Corporate adoption is far more limited than most people expected, and total profits across all companies (except of course hardware companies like NVidia, which profits from chips rather than models) have been modest at best. Most companies involved have thus far lost money.”

Esto repite el patrón de inviernos anteriores con una precisión incómoda. Las empresas invierten fuerte. Los retornos decepcionan. La financiación se contrae.

Los consultores estiman que la ola actual de gasto en infraestructura de IA requerirá 2 billones de dólares de ingresos anuales de IA para 2030 solo para justificar la inversión, lo cual es más que los ingresos combinados de 2024 de Amazon, Apple, Alphabet, Microsoft, Meta y Nvidia. Las cuentas son duras.

Las limitaciones técnicas también persisten. Las alucinaciones siguen sin resolverse. Los sistemas generan información falsa con total confianza sin ninguna señal de que se lo estén inventando. Las capacidades de razonamiento, pese a las demostraciones impresionantes que circulan ampliamente por redes sociales, se rompen ante problemas nuevos que exigen comprensión real.

Por qué esta vez podría ser diferente de verdad

Los inviernos de la IA anteriores ocurrieron porque la tecnología sencillamente no podía hacer lo que se prometía, por mucho dinero o tiempo que se invirtiera. Los sistemas expertos no podían manejar entradas inesperadas. Las redes neuronales de los 60 no podían aprender patrones complejos. La brecha entre promesa y capacidad era fundamental.

La brecha de hoy es distinta. La tecnología funciona de forma demostrable para muchas tareas. La pregunta es si funciona lo bastante bien, lo bastante fiable, para suficientes tareas, a un coste lo bastante bajo, como para justificar los niveles actuales de inversión.

Es más una pregunta de negocio que técnica.

Las herramientas de IA están reduciendo los costes de atención al cliente en empresas de todos los tamaños. Están aumentando la eficiencia en programación al encargarse del código repetitivo y detectar errores. Están automatizando la generación de contenido, el análisis de datos y tareas de investigación que antes requerían horas de trabajo humano. No son proyectos de investigación encerrados en laboratorios. Son productos desplegados que ahorran dinero a las empresas.

Las aplicaciones son reales, aunque el bombo alrededor de la inteligencia artificial general quizá no lo sea. Como lo expresó un analista tecnológico, la IA se ha convertido en “the new Excel. Everyone uses it, but experts still dominate.”

La evaluación honesta

Otro invierno de la IA es posible. La inversión podría contraerse. Las startups podrían caer. Los parones de contratación podrían extenderse por la industria. El campo podría entrar en un periodo de consolidación y ambición reducida.

Pero ¿un invierno total, en el que la investigación en IA se retire a un puñado de laboratorios académicos y la tecnología desaparezca del uso común? Eso parece poco probable. Existen demasiadas aplicaciones reales. Se ha construido demasiada infraestructura. Demasiadas personas han integrado estas herramientas en su trabajo diario.

Lo más probable es lo que un comentarista de Hacker News llamó un “AI fall.” Un enfriamiento de las expectativas. Un cambio de “La IA sustituirá todos los empleos” a “La IA es una herramienta útil que requiere supervisión humana”. Una migración de inversión desde la investigación especulativa hacia aplicaciones probadas.

Lo que enseña la historia

Quienes vivieron inviernos anteriores tienen una perspectiva útil que a los entusiastas actuales de la IA les vendría bien escuchar. Entonces también se vendió la tecnología por encima de lo que era. Pero a cada invierno le siguió un progreso real. Las redes neuronales sobrevivieron al segundo invierno y, con el tiempo, se convirtieron en la base del auge actual.

La lección no es que el bombo sea inocuo o que los inviernos no duelan. La lección es que la tecnología útil sobrevive a la decepción.

Los inviernos de la IA podan el crecimiento excesivo. Terminan carreras y cierran empresas. Limpian a los especuladores y a los charlatanes. No acaban con el campo.

Consejos prácticos

Si trabajas con IA de forma profesional, la historia sugiere algunas lecciones prácticas.

Construye sobre capacidades que existen hoy, no sobre las que podrían existir mañana. Los sistemas expertos fracasaron en parte porque las empresas invirtieron en capacidades futuras teóricas en lugar de en lo que ya estaba probado. Las organizaciones que sobrevivieron a inviernos anteriores se centraron en aplicaciones estrechas donde la IA ayudaba de manera demostrable.

Espera una criba de proveedores. No todas las startups de IA sobrevivirán a los próximos años. Elige herramientas de empresas con modelos de negocio sostenibles e ingresos reales, no solo demostraciones impresionantes y financiación de capital riesgo.

Desarrolla experiencia de verdad. Cuando el bombo se apague, quienes entienden cómo funcionan realmente estos sistemas se vuelven más valiosos, no menos. Los desarrolladores que prosperaron tras inviernos anteriores fueron quienes entendían las capacidades y limitaciones reales de la tecnología.

Y reconoce que la historia de la IA no es una línea recta hacia arriba. El progreso llega en oleadas. Entender esas oleadas te ayuda a colocarte para aprovechar el verano mientras te preparas para la posibilidad de otoño.