La inteligencia artificial no nació de la noche a la mañana. Detrás de los chatbots, los agentes autónomos y los modelos generativos que usamos hoy hay décadas de investigación, fracasos, renacimientos y apuestas arriesgadas. Conocer su historia no es solo un ejercicio de curiosidad: es entender por qué la IA es como es y hacia dónde se dirige.
El origen: una pregunta que lo cambió todo
Todo empezó con una pregunta aparentemente sencilla. En 1950, el matemático británico Alan Turing publicó un artículo titulado Computing Machinery and Intelligence en el que planteaba algo que nadie había formulado tan directamente: ¿pueden las máquinas pensar?
Para responderla, propuso lo que hoy conocemos como el Test de Turing: si una máquina es capaz de mantener una conversación con un humano sin que este pueda distinguirla de otra persona, entonces se puede considerar que «piensa». Esta idea, revolucionaria para su época, sentó las bases filosóficas y técnicas de todo lo que vendría después.
Cinco años más tarde, en 1955, el matemático John McCarthy acuñó por primera vez el término «inteligencia artificial» y organizó la famosa Conferencia de Dartmouth de 1956, considerada el acto fundacional de la IA como disciplina científica. El objetivo era ambicioso: en unas pocas décadas, las máquinas serían capaces de realizar cualquier tarea intelectual que un ser humano pudiera hacer.
Los años de optimismo: 1956-1974
Los primeros años fueron de euforia. Los investigadores desarrollaron programas capaces de resolver problemas matemáticos, jugar al ajedrez a nivel básico y demostrar teoremas lógicos. El entusiasmo era tan grande que los organismos gubernamentales, especialmente en Estados Unidos y el Reino Unido, invirtieron cantidades importantes en investigación.
Se crearon los primeros lenguajes de programación orientados a IA, como LISP, y surgieron sistemas que podían mantener conversaciones básicas, como ELIZA, un programa desarrollado en el MIT en 1966 que simulaba ser un psicoterapeuta. Muchos usuarios, sorprendentemente, llegaron a encariñarse con él como si fuera real, un fenómeno que los investigadores bautizaron como el «efecto ELIZA» y que anticipa de forma curiosa los debates actuales sobre vínculos emocionales con la IA.
El primer invierno de la IA: 1974-1980
La realidad llegó en forma de desilusión. Los problemas que parecían sencillos resultaron ser enormemente complejos. Las máquinas podían resolver puzzles en entornos controlados, pero se bloqueaban ante cualquier situación que se saliera de sus reglas predefinidas. El mundo real, con toda su ambigüedad y variabilidad, era demasiado para los sistemas de la época.
Los fondos se recortaron drásticamente. Tanto en Estados Unidos como en el Reino Unido, informes oficiales concluyeron que la IA no había cumplido sus promesas. Comenzó lo que se conoce como el primer invierno de la IA, un período de estancamiento y descrédito que duró casi una década.
El renacimiento de los sistemas expertos: 1980-1987
La IA volvió con una estrategia diferente: en lugar de intentar replicar la inteligencia general humana, los investigadores se enfocaron en construir sistemas muy especializados. Los llamados sistemas expertos eran programas que codificaban el conocimiento de especialistas humanos en un área concreta, como medicina, ingeniería o finanzas, en forma de reglas lógicas.
El más famoso fue MYCIN, un sistema para diagnosticar infecciones bacterianas que, en pruebas controladas, superaba a médicos humanos en precisión. Las empresas empezaron a ver el potencial comercial y la inversión volvió a fluir. Japón lanzó su ambicioso Proyecto de Quinta Generación con el objetivo de crear superordenadores con capacidades de razonamiento avanzadas.
El segundo invierno y el auge del machine learning: 1987-2010
Los sistemas expertos tenían un problema fundamental: eran rígidos y costosísimos de mantener. Cada vez que el mundo cambiaba, había que reescribir las reglas manualmente. Llegó el segundo invierno.
Pero en los márgenes de la comunidad científica, algo nuevo estaba germinando. Investigadores como Geoffrey Hinton, Yann LeCun y Yoshua Bengio llevaban años trabajando en un enfoque radicalmente distinto: en lugar de programar reglas, ¿y si dejábamos que las máquinas aprendieran por sí solas a partir de datos?
Este enfoque, llamado machine learning o aprendizaje automático, y especialmente su variante de redes neuronales artificiales, fue ignorado o menospreciado durante años. Pero los tres investigadores, que serían apodados los «padrinos del deep learning», siguieron adelante. Su perseverancia cambiaría el mundo.
La gran explosión: 2010 hasta hoy
En 2012 ocurrió algo que lo transformó todo. Un equipo de la Universidad de Toronto, liderado por Geoffrey Hinton, presentó AlexNet, una red neuronal profunda que ganó el concurso de reconocimiento de imágenes ImageNet con una ventaja tan aplastante sobre el segundo clasificado que la comunidad científica quedó atónita.
A partir de ese momento, la inversión en deep learning se disparó. Google, Facebook, Amazon y Microsoft empezaron a contratar a los mejores investigadores del campo. En 2016, AlphaGo de DeepMind derrotó al campeón mundial del juego de Go, considerado durante mucho tiempo imposible para las máquinas. En 2017, el artículo Attention is All You Need introdujo la arquitectura Transformer, que sería la base de todos los grandes modelos de lenguaje actuales.
En 2022, el lanzamiento de ChatGPT llevó la IA al gran público de forma masiva. Y en 2025 y 2026, los agentes de IA autónomos han marcado el inicio de una nueva era en la que las máquinas no solo responden, sino que actúan.
¿Qué nos enseña esta historia?
La historia de la IA es una historia de ciclos: euforia, decepción, renacimiento. Cada vez que la tecnología no cumplía las expectativas exageradas, venía un invierno. Pero cada invierno fue seguido de un avance más sólido y más transformador que el anterior.
Hoy, con más poder de cómputo, más datos y mejores algoritmos que nunca, muchos investigadores creen que estamos en el umbral de cambios sin precedentes. Conocer el camino recorrido nos ayuda a entender tanto las posibilidades reales como los límites de esta tecnología, y a no caer en los mismos errores de optimismo desmedido que ya hemos visto antes.
La inteligencia artificial tiene historia. Y esa historia aún está siendo escrita.