7 curiosidades sobre la inteligencia artificial que la mayoría no conoce y que cambian cómo la entiendes

La inteligencia artificial ya toma decisiones que afectan nuestras vidas cotidianas de formas que la mayoría desconoce: qué crédito te aprueban o rechazan, qué candidatos contratan las empresas, qué contenido ves primero en las redes, qué precio te muestran en una tienda online. El funcionamiento de estos sistemas tiene implicaciones fascinantes y a veces perturbadoras. Estos son datos y curiosidades sobre la IA que sorprenden incluso a los expertos del sector.

1. Los modelos de lenguaje «alucinan» con confianza total

Uno de los fenómenos más sorprendentes de los LLMs (modelos de lenguaje grande) es que cuando no saben algo, en lugar de decir «no sé», inventan respuestas que suenan completamente plausibles y las presentan con la misma confianza que las respuestas correctas. Este fenómeno se llama «alucinación» y es inherente a la arquitectura de estos modelos: están entrenados para producir texto estadísticamente probable, no para verificar la veracidad. Los mejores modelos de 2025 han reducido significativamente las alucinaciones pero no las han eliminado, lo que requiere siempre verificar información crítica de los LLMs con fuentes primarias.

2. El algoritmo de recomendación de Netflix costó $1 millón resolverlo y nunca se usó

Netflix lanzó en 2006 el «Netflix Prize» — un millón de dólares para quien mejorara su algoritmo de recomendación en un 10%. En 2009, un equipo ganó el premio con una solución que mejoraba las recomendaciones exactamente ese porcentaje. Pero Netflix nunca implementó el algoritmo ganador. El motivo: para cuando el equipo ganó, el negocio de Netflix había cambiado de DVDs por correo a streaming, y las recomendaciones de streaming son computacionalmente más baratas y suficientemente buenas. El millón de dólares fue un costo de marketing y aprendizaje, no el inicio de una mejora de producto.

3. Los sesgos de la IA reflejan los sesgos humanos de sus datos de entrenamiento

Los modelos de IA aprenden patrones de datos creados por humanos — y los humanos tienen sesgos. Amazon desarrolló un sistema de IA para filtrar CVs que fue descartado en 2018 cuando descubrieron que penalizaba automáticamente a las candidatas mujeres porque había sido entrenado con CVs históricos donde los ingenieros eran predominantemente hombres. Los sistemas de reconocimiento facial de varias empresas tienen tasas de error significativamente mayores en personas de piel oscura que en personas de piel clara por el mismo motivo: datos de entrenamiento no representativos. La IA amplifica los sesgos presentes en los datos históricos con una eficiencia que los humanos no pueden igualar.

4. GPT-4 tiene más parámetros que neuronas tiene el cerebro humano

GPT-4 tiene aproximadamente 1.76 billones de parámetros (aunque OpenAI no ha confirmado el número exacto). El cerebro humano tiene aproximadamente 86,000 millones de neuronas con 100 billones de conexiones sinápticas. En términos de parámetros, GPT-4 tiene el mismo orden de magnitud que las neuronas del cerebro humano. Pero la comparación es engañosa: los parámetros de una red neuronal no funcionan como las neuronas biológicas — son multiplicadores matemáticos en operaciones matriciales, no células vivas con procesos electroquímicos complejos. La analogía es útil para la escala pero no para la naturaleza del procesamiento.

5. Los modelos de IA consumen tanta energía como un país pequeño

El entrenamiento de un modelo de lenguaje grande como GPT-4 consume una cantidad de energía equivalente a las emisiones de carbono de varios vuelos de larga distancia. Los centros de datos que alojan y ejecutan los modelos de IA en producción consumen globalmente más electricidad que muchos países. Microsoft, Google y Amazon —los tres mayores proveedores de infraestructura de IA— han anunciado compromisos de energía 100% renovable para sus centros de datos, aunque la diferencia entre el consumo actual y la generación renovable disponible sigue siendo significativa.

6. La IA ya es mejor que los humanos en diagnosticar ciertos cánceres

Los sistemas de IA para diagnóstico de imagen médica superan la tasa de detección de radiólogos humanos en ciertos tipos de cáncer. Un estudio de 2020 publicado en Nature mostró que el modelo de IA de Google para detección de cáncer de mama redujo los falsos negativos en un 9.4% respecto a radiólogos expertos. Para cáncer de piel, los dermatoscopios aumentados con IA tienen sensibilidad superior al 90% en la detección de melanoma. Esto no significa que la IA reemplazará a los médicos — significa que los médicos con IA serán más efectivos que los médicos sin IA, y que el acceso a diagnóstico de calidad puede democratizarse en regiones con escasez de especialistas.

7. El primer algoritmo lo escribió una mujer hace 175 años

Ada Lovelace, hija del poeta Lord Byron y matemática autodidacta, escribió en 1843 lo que los historiadores de la computación consideran el primer algoritmo diseñado para ser procesado por una máquina — específicamente para la Máquina Analítica de Charles Babbage. El algoritmo calculaba los números de Bernoulli. Babbage nunca construyó la máquina, por lo que el algoritmo nunca fue ejecutado en vida de Ada. Pero sus notas sobre el potencial de la máquina para manipular símbolos más allá de los números — esencialmente anticipando la computación de propósito general — la convierten en una visionaria cuya comprensión superó en décadas a sus contemporáneos.

About The Author

Jesus

See author's posts