Introducción: qué es Inteligencia Artificial

Qué aprenderás

• Qué significa "Inteligencia Artificial" en sus dos sentidos: campo de estudio y tecnologías.
• Qué capacidades solemos asociar con la IA y cuáles no deberías asumir.
• La diferencia entre automatización convencional e IA.
• Qué es la IA especializada frente a la idea de inteligencia general.

Explicación sencilla

La Inteligencia Artificial (IA) es un campo de la computación dedicado a construir sistemas capaces de realizar tareas que normalmente requieren inteligencia humana: entender lenguaje, reconocer imágenes, tomar decisiones a partir de datos o generar contenido nuevo.

Fijate que hay dos sentidos: la IA como campo de estudio (investigadores, universidades, laboratorios) y la IA como conjunto de tecnologías que ya usás (asistentes, traductores, recomendaciones, correctores). En este manual hablamos del segundo sentido, con el primero como referencia cuando importa.

Una forma de imaginarlo

Una calculadora ejecuta reglas escritas una por una por un programador: siempre hace exactamente lo programado. Un sistema de IA, en cambio, reconoce patrones en datos y produce resultados que nadie escribió caso por caso. La diferencia describe otra manera de construir software, no convierte a la IA en una mente.

La analogía simplifica: "reconocer patrones" abarca técnicas muy distintas

(reglas, estadística, redes neuronales). El Módulo 1, Unidad 2 las ordena.

Ejemplo en una organización

Un comercio usa una planilla con reglas fijas para alertar stock bajo (automatización convencional: predecible, escrita a mano). El mismo comercio usa IA para resumir reclamos de clientes y detectar los temas repetidos: nadie escribió la lista de temas posibles; el sistema los encuentra en los textos. Ambas soluciones conviven; la IA se elige cuando las reglas fijas no alcanzan.

Un poco más de profundidad

Las capacidades que hoy asociamos con la IA (comprender y generar lenguaje, clasificar imágenes, predecir a partir de datos, transcribir voz) provienen de modelos entrenados con grandes volúmenes de datos, no de programar cada respuesta. Eso les da flexibilidad… y también sus límites (Unidad 6): pueden equivocarse con total seguridad aparente.

Conviene distinguir desde el inicio:

• IA especializada (o estrecha): resuelve un tipo de tarea (traducir,

resumir, detectar anomalías). Toda la IA actual es de este tipo.

• Inteligencia general (AGI): la hipotética capacidad de hacer cualquier

tarea intelectual como un humano. No existe; cuando la escuches nombrar, es una meta de investigación o una promesa de marketing, no un producto.

Profundización técnica

(Opcional.) El término se formalizó en 1956 (conferencia de Dartmouth). Desde entonces el campo alternó etapas de entusiasmo e "inviernos de la IA". El impulso actual (desde ~2012 en visión y ~2017 en lenguaje con la arquitectura Transformer) se explica por tres factores combinados: más datos digitales, hardware paralelo (GPU) y algoritmos escalables. Ningún factor por sí solo explica el salto.

Qué no significa

• Que el sistema "entienda" como una persona: procesa patrones, no comprende.
• Que sea infalible o neutral: hereda errores y sesgos de sus datos.
• Que "la IA" sea una sola cosa: es un paraguas para decenas de técnicas.

Errores frecuentes

1. Llamar IA a cualquier automatización (una regla "si stock < 10, avisar" no es IA).
2. Suponer que si escribe bien, razona bien (la fluidez no garantiza exactitud).
3. Creer que un asistente conversacional y "la IA" son sinónimos.

Ideas principales

• IA = campo + tecnologías que resuelven tareas asociadas a la inteligencia.
• Automatización ejecuta reglas escritas; IA reconoce patrones en datos.
• Toda la IA actual es especializada; la inteligencia general no existe.
• Flexibilidad y falibilidad vienen del mismo origen: aprender de datos.

Autoevaluación

1. ¿Qué diferencia hay entre automatización convencional e IA?
2. ¿Por qué se dice que la IA actual es "especializada"?
3. Nombrá una tarea donde convenga IA y una donde alcancen reglas fijas. ¿Por qué?

Fuentes

• NIST AI Risk Management Framework (marco de gestión de riesgo de IA) — NIST — https://www.nist.gov/itl/ai-risk-management-framework — consulta: 2026-10-03.
• Machine Learning Crash Course (qué es ML dentro de la IA) — Google — https://developers.google.com/machine-learning/crash-course — consulta: 2026-10-03.

Seguir aprendiendo

• Unidad 2: las familias de la IA (reglas, ML, deep learning, generativa).
• Guía relacionada: ¿Qué es un modelo de IA? (qué hay "del otro lado" del asistente).