La inteligencia artificial acaba de entrar en una nueva etapa. La semana pasada, el Gobierno de Estados Unidos comenzó a utilizar oficialmente una palabra distinta: "Superinteligencia". Lo importante, sin embargo, no es el nombre. Es lo que ese cambio anticipa para millones de profesionales que hasta ahora han observado esta revolución desde cierta distancia.
Durante años pensamos que la inteligencia artificial era principalmente un asunto de científicos de datos, programadores y grandes empresas tecnológicas. Ellos construían modelos matemáticos a partir de grandes volúmenes de datos y, mediante procesos de optimización, ajustaban millones de parámetros hasta obtener estructuras matemáticas capaces de representar patrones, relaciones y regularidades presentes en dichos datos. A este proceso se le denominó “entrenamiento del modelo”.
Así evolucionaron las redes neuronales y, más tarde, surgieron los grandes modelos de lenguaje (GML): complejas estructuras matemáticas y algebraicas entrenadas para estimar la probabilidad de que el siguiente elemento de una secuencia sea el que es. Un campo que hasta ahora se identificaba como inteligencia artificial generativa. A partir de este principio aparentemente simple, en un par de años surgieron capacidades sorprendentes para producir y transformar el lenguaje, razonar sobre la información, programar y trabajar con distintos tipos de contenidos. Al mismo tiempo, otros modelos generativos extendieron esta lógica a imágenes, audio y video. De esta convergencia nacieron sistemas capaces de generar textos, códigos computacionales, algoritmos, imágenes, sonidos y videos. Para la mayoría de las profesiones, sin embargo, toda esta sofisticada maquinaria permaneció durante años relativamente alejada.
Eso está cambiando.
El 29 de septiembre, una orden ejecutiva estadounidense instruyó a las agencias federales a reemplazar el término "Artificial Intelligence" por "Super Intelligence". Por ahora, ambos conceptos mantienen la misma definición legal, pero la propia orden encargó elaborar, en un plazo de 60 días, una nueva definición federal de superinteligencia. Ese mismo día, representantes de los principales actores de esta industria, Google, Anthropic, Meta, OpenAI, XAI y Nvidia, junto con el presidente de Estados Unidos, alcanzaron un acuerdo sobre responsabilidades y controles para los grandes modelos de lenguaje más avanzados. Todavía no había nacido una nueva disciplina perfectamente delimitada. Pero sí apareció una señal poderosa: estamos entrando en otra etapa de esta tecnología.
Hasta ahora, una gran parte de la inteligencia artificial consistió en algo que podríamos explicar sencillamente como “ecuacionar los datos”. Disponemos de muchos datos sobre un fenómeno y construimos modelos matemáticos capaces de descubrir relaciones, clasificar, predecir o generar resultados. Detrás puede haber ecuaciones lineales, redes neuronales o sistemas tensoriales gigantescos. Para utilizarlos, primero alguien tuvo que construirlos, entrenarlos y hacerlos funcionar.
Pero la gran pregunta está cambiando: ya no es solo cómo construir inteligencia artificial, sino qué vamos a hacer con esta nueva máquina que ya está disponible. Quizás hacia allá apunta el nuevo concepto de la superinteligencia.
Algo semejante ocurrió con el automóvil. Durante sus primeros años, los protagonistas eran quienes diseñaban motores, transmisiones, frenos, sistemas de dirección y nuevas formas de fabricación. Había que inventar la máquina. Con el tiempo, millones de personas comenzaron a conducir automóviles sin saber fabricar un motor. El valor se desplazó de conocer cada pieza de la máquina a todo aquello que podíamos hacer con ella.
Lo mismo ocurrió con la aviación. Quien hoy sube a un avión no necesita comprender cómo fue diseñada la turbina, calcular la sustentación de las alas ni conocer las ecuaciones que mantienen la aeronave en vuelo. Compra un pasaje y utiliza una tecnología extraordinariamente compleja para resolver algo muy humano: desplazarse de un lugar a otro.
Con los grandes modelos de lenguaje estamos acercándonos a un punto similar, aunque con una diferencia fundamental: estas nuevas máquinas no amplifican nuestra fuerza ni nuestra velocidad; comienzan a amplificar nuestras capacidades cognitivas.
Un médico no necesita aprender a entrenar un gran modelo de lenguaje para utilizarlo en medicina. Un abogado tampoco tiene que convertirse en científico de datos para aplicarlo al derecho. Un arquitecto puede incorporarlo al diseño; un profesor, a la enseñanza; un periodista, a la investigación; un psicólogo, a tareas administrativas y de análisis; un economista, al estudio de escenarios; un gerente, a la toma de decisiones; un científico, a la exploración de la literatura y a la generación de hipótesis.
Y sobre esos mismos grandes modelos de lenguaje están apareciendo los agentes: sistemas capaces de perseguir objetivos, utilizar herramientas, tomar decisiones y ejecutar secuencias de tareas.
Allí puede encontrarse una de las mayores oportunidades de esta nueva etapa. Un mismo “motor cognitivo” puede transformarse en herramientas distintas para prácticamente cualquier profesión. El conocimiento especializado del médico, del ingeniero, del abogado o del profesor no desaparece. Al contrario: adquiere todavía más importancia, porque alguien debe saber qué problema vale la pena resolver, qué resultado tiene sentido y cuándo una respuesta de la máquina es incorrecta.
Por eso, la analogía con el automóvil también tiene un límite importante. Podemos conducir sin saber construir un motor, pero todavía no podemos utilizar estos sistemas sin comprender mínimamente sus limitaciones. Los modelos pueden equivocarse, inventar información o emitir con gran confianza respuestas incorrectas. No necesitamos convertir a todos los profesionales en constructores de modelos, pero sí debemos convertirlos en usuarios competentes, críticos y responsables de estas nuevas máquinas cognitivas.
Y aquí probablemente radica el mayor desafío: la educación profesional.
La pregunta universitaria ya no puede limitarse a si permitimos o prohibimos que los estudiantes utilicen inteligencia artificial. Esa discusión está quedando atrás. La pregunta mucho más importante es cómo debemos formar a un médico, abogado, ingeniero, arquitecto, profesor, periodista o administrador cuando sabemos que durante toda su vida profesional dispondrá de estas capacidades.
Incorporar inteligencia artificial a una carrera no consiste simplemente en agregar una asignatura sobre inteligencia artificial. El médico tendrá que aprender a utilizarla haciendo medicina; el abogado, resolviendo problemas jurídicos; el profesor, enseñando; el arquitecto, diseñando; y el administrador, tomando decisiones. La transformación deberá llegar gradualmente a los cursos, las actividades, las evaluaciones, las competencias y, finalmente, al perfil profesional que las universidades se comprometen a formar.
La ingeniería tiene una responsabilidad particularmente importante ante este gran desafío. Durante siglos ha tomado el conocimiento científico y lo ha convertido en puentes, máquinas, sistemas, procesos, comunicaciones y soluciones para la sociedad. Ahora tiene delante una nueva clase de materia prima: la inteligencia disponible como infraestructura. Las Escuelas de Ingeniería deberían estar entre las primeras en experimentar, investigar e incorporar transversalmente estos modelos en sus procesos de enseñanza, aprendizaje, diseño y resolución de problemas. Y las Facultades de Ingeniería deberían encargarse de crear centros multidisciplinarios científico-tecnológicos para desarrollar métodos para el uso adecuado de esta nueva tecnología.
Tal vez ese sea el verdadero significado del momento que estamos viviendo. El debate sobre qué deberá significar exactamente “superinteligencia” recién comienza. Pero para millones de profesionales existe una pregunta mucho más inmediata.
Durante años observamos cómo otros construían la inteligencia artificial. Ahora comienza la etapa en la que cada profesión tendrá que descubrir qué puede hacer con ella.
Y probablemente allí se jugará una de las grandes ventajas profesionales de los próximos años: no en saber construir el motor, sino en aprender, antes que los demás, hasta dónde podemos llegar con él.