Los inviernos de la IA: Cuando el entusiasmo se congeló.

Por Prof. Dr. Vicente Zapata Valenzuela/académico, escritor y analista internacional/ Sur Andino/Cedecom/Other News/ADDHEE.ONG:

El verano de 1956 en Dartmouth marcó uno de los momentos fundacionales de la inteligencia artificial. Un grupo de científicos pioneros, liderados por John McCarthy, creía que muchos aspectos de la inteligencia humana podían describirse formalmente y reproducirse mediante máquinas. La idea era revolucionaria: si el razonamiento, el aprendizaje y la resolución de problemas podían entenderse como procesos computables, entonces una máquina podría eventualmente imitarlos…

Sin embargo, la distancia entre esa visión y las capacidades técnicas de la época era enorme. Las computadoras tenían poca memoria, los algoritmos eran limitados y muchos problemas fundamentales de la inteligencia humana aún no habían sido comprendidos. Esa diferencia entre las grandes expectativas y los resultados obtenidos daría origen a uno de los fenómenos más importantes de la historia de la inteligencia artificial: los llamados inviernos de la IA.

¿Por qué “invierno”?

El término invierno de la IA describe aquellos periodos donde el entusiasmo alrededor del campo disminuye debido a la incapacidad de cumplir las promesas realizadas. No significa que la investigación desaparezca, sino que la inversión, la confianza y el interés académico disminuyen considerablemente.

El primer impacto suele ser financiero. Organismos públicos, empresas y universidades reducen sus presupuestos, proyectos ambiciosos son cancelados y muchos laboratorios pierden apoyo. Al mismo tiempo, la percepción pública cambia: los mismos medios que antes presentaban a la inteligencia artificial como una revolución inmediata comienzan a cuestionar sus avances.

Estos periodos pueden durar varios años y obligan al campo a reevaluar sus objetivos. A lo largo de su historia, la IA ha experimentado dos grandes inviernos. Aunque fueron momentos difíciles, también permitieron abandonar enfoques poco realistas y construir bases más sólidas para futuras etapas de desarrollo.

El Primer Gran Invierno (1974-1980)

El primer invierno fue una consecuencia del enorme optimismo generado durante las primeras décadas de la IA. Investigadores como Marvin Minsky y otros pioneros realizaron predicciones extremadamente optimistas sobre la velocidad del progreso, subestimando la complejidad de problemas como la percepción, el aprendizaje y el razonamiento general. Durante los años 60, algunos sistemas mostraban resultados sorprendentes en problemas específicos. Sin embargo, cuando los algoritmos enfrentaban situaciones más cercanas al mundo real aparecía una limitación fundamental: la explosión combinatoria. Los métodos que funcionaban en problemas pequeños se volvían impracticables cuando aumentaba la complejidad.

El golpe más importante llegó en 1973 con el Informe Lighthill en Reino Unido, que concluyó que los avances obtenidos hasta entonces no justificaban el nivel de financiamiento recibido. El informe contribuyó a importantes reducciones en la inversión pública en investigación de IA.

En Estados Unidos también disminuyó el apoyo. DARPA comenzó a exigir aplicaciones más concretas, especialmente relacionadas con objetivos militares. Las promesas incumplidas provocaron una pérdida de confianza en el campo.

Durante este periodo, las redes neuronales también fueron relegadas. El libro Perceptrons (1969), de Marvin Minsky y Seymour Papert, mostró limitaciones importantes de los perceptrones simples. Aunque sus críticas no demostraban que todas las redes neuronales fueran inviables, muchos investigadores interpretaron sus resultados como una señal de que este enfoque tenía poco futuro.

El Segundo Invierno (1987-1993)

La inteligencia artificial recuperó protagonismo durante los años 80 gracias a los sistemas expertos. Estos programas buscaban reproducir el conocimiento de especialistas humanos mediante reglas diseñadas manualmente y tuvieron aplicaciones en áreas como medicina y configuración de equipos.

El entusiasmo volvió rápidamente. Empresas comenzaron a invertir en esta tecnología y Japón impulsó el proyecto de las computadoras de quinta generación, cuyo objetivo era desarrollar sistemas inteligentes basados en procesamiento lógico avanzado.

Sin embargo, las limitaciones aparecieron pronto. Los sistemas expertos eran costosos de desarrollar y mantener, dependían de grandes cantidades de conocimiento escrito manualmente y tenían dificultades para adaptarse a situaciones nuevas. Este problema, conocido como el cuello de botella del conocimiento, limitó su escalabilidad.

En 1987 colapsó el mercado de las estaciones de trabajo Lisp, utilizadas ampliamente para desarrollar sistemas expertos. Al mismo tiempo, el proyecto japonés no alcanzó las expectativas iniciales. Como consecuencia, volvió a disminuir la inversión y comenzó un nuevo periodo de desilusión.

Lecciones de los inviernos

Cada invierno dejó una enseñanza fundamental: la inteligencia artificial no avanza mediante grandes promesas, sino mediante avances acumulativos.

El primer invierno mostró que capacidades humanas aparentemente simples, como comprender lenguaje o razonar en situaciones abiertas, eran mucho más complejas de lo esperado. El segundo evidenció que la inteligencia no podía reducirse únicamente a reglas escritas manualmente. Estas lecciones impulsaron un cambio de enfoque. Gran parte de la comunidad científica comenzó a trabajar en problemas más específicos y medibles, como visión por computadora, reconocimiento de voz y procesamiento del lenguaje natural. Este enfoque, combinado con mayor poder computacional y grandes volúmenes de datos, preparó el terreno para la expansión actual del aprendizaje profundo.

¿Estamos al borde de un tercer invierno?

Actualmente vivimos un periodo de entusiasmo sin precedentes impulsado por la inteligencia artificial generativa, los grandes modelos de lenguaje y el aumento del poder computacional. Sin embargo, la historia obliga a mantener cautela.

Investigadores como Rodney Brooks han advertido que algunas expectativas actuales podrían estar superando las capacidades reales de la tecnología. Los desafíos siguen siendo importantes: altos costos computacionales, consumo energético, dificultades para comprender el mundo real y problemas de confiabilidad.

Además, existe un nuevo factor: la competencia geopolítica. La rivalidad entre Estados Unidos y China está convirtiendo la inteligencia artificial en un área estratégica. Las restricciones sobre semiconductores y las políticas de inversión tecnológica podrían fragmentar la colaboración internacional y aumentar los costos de desarrollo.

La historia muestra que los inviernos anteriores surgieron cuando las expectativas superaron la realidad. Un posible tercer invierno podría tener causas similares, pero también podría verse influenciado por factores económicos y geopolíticos.

Los inviernos de la IA no representan el final del campo, sino periodos de corrección y maduración. Cada crisis obligó a abandonar expectativas poco realistas y construir fundamentos más sólidos. Paradójicamente, estos periodos de dificultad han sido una de las fuerzas que más han contribuido al desarrollo de la inteligencia artificial moderna.

La IA se congeló cuando su promesa revolucionaria —hacer computable la inteligencia humana— chocó con la tecnología disponible: poca memoria, algoritmos rudimentarios y una complejidad que la época no podía resolver.

Santiago, 11 de septiembre 2026

Lo subrayado/interpolado es nuestro.