Qué es la IA: la guía esencial (y por qué no es magia)

serie: IA de cero a experto | artículo 1 de 30

Mi tostadora no tiene IA. Ni mi cepillo de dientes, ni el 90% de los productos que este año han añadido «con IA» a la caja sin cambiar una sola línea de su firmware. Lo sé porque llevo muchos años escribiendo código y sé reconocer un if con maquillaje cuando lo veo.

Este capítulo es el primero de una serie larga, así que empezamos por lo básico: qué es la IA de verdad (inteligencia artificial, para ser exactos), qué es machine learning, qué es deep learning, y por qué esos tres términos no son sinónimos aunque el marketing los use como si lo fueran. Sin esto claro, todo lo que viene después se construye sobre arena.

El término tiene 70 años

«Inteligencia artificial» no nació ayer en un pitch de startup. El término se acuñó en 1956, en un taller de verano en el Dartmouth College, propuesto por John McCarthy junto con Marvin Minsky, Nathaniel Rochester y Claude Shannon.

El objetivo declarado del taller era, literalmente, averiguar cómo hacer que una máquina usara lenguaje, formara abstracciones y conceptos, resolviera problemas reservados a humanos, y mejorara por sí misma. Eso fue hace casi 70 años. La historia completa de cómo se llegó de ahí hasta ChatGPT la dejo para el capítulo 2, pero necesitaba dejarlo claro antes de seguir: esto no es un hashtag de esta década.

Qué es la IA, en serio

Según IBM, la inteligencia artificial es la tecnología que permite a ordenadores y máquinas simular el aprendizaje, la comprensión, la resolución de problemas, la toma de decisiones y la creatividad humanas. Es un término paraguas: cualquier programa capaz de usar información para tomar decisiones o hacer predicciones sin que un humano esté metiendo mano en cada paso, entra dentro de «IA».

Fíjate en lo amplio que es eso. Bajo esa definición, un termostato que ajusta la temperatura según patrones de uso ya podría llamarse «IA» con matices. Un GPS que recalcula la ruta también. Y ahí es donde empieza el lío, porque técnicamente tienen razón, pero cuando alguien te vende «IA» en 2026 no está pensando en tu termostato: está pensando en algo con la sofisticación de un modelo de lenguaje. La palabra es correcta y la expectativa que genera, no.

El subconjunto que aprende: machine learning

Machine learning (ML) es el subconjunto de la IA centrado en algoritmos que analizan y «aprenden» patrones de datos de entrenamiento para hacer inferencias precisas sobre datos nuevos. La diferencia clave con la IA «de toda la vida» (la basada en reglas escritas a mano por un programador) es que aquí nadie programa explícitamente «si pasa esto, haz lo otro». El sistema mira miles o millones de ejemplos y deduce el patrón por su cuenta.

Un filtro de spam es el ejemplo de manual. Nadie sentado escribió diez mil reglas de «si el email contiene la palabra X, es spam». Un modelo miró millones de correos ya etiquetados como spam o no spam, y aprendió qué características (remitente, palabras, estructura) se correlacionan con cada categoría. Cuando llega un correo nuevo, no lo compara con una lista de reglas: aplica el patrón aprendido.

Esto es machine learning. Es una parte de la IA, no toda la IA. Y aquí ya tenemos el primer error de marketing habitual: llamar «inteligencia artificial» a cualquier sistema con un par de reglas condicionales, cuando ni siquiera hay un modelo entrenado con datos de por medio.

El subconjunto que imita al cerebro: deep learning

Deep learning (DL) es, a su vez, un subconjunto del machine learning. Se basa en redes neuronales de múltiples capas, cuyo diseño se inspira (de forma bastante libre) en la estructura del cerebro humano. Los modelos de deep learning son los que están detrás de la mayoría de la IA puntera actual: visión por computador, IA generativa, coches autónomos, robótica.

La diferencia entre «machine learning clásico» y «deep learning» no es solo de marketing, es de arquitectura: el ML clásico usa algoritmos más simples (los verás en el capítulo 6: regresión, árboles de decisión, SVM) que suelen necesitar que alguien seleccione a mano qué características de los datos son relevantes. El deep learning, con sus capas apiladas, puede aprender esas características por sí mismo directamente de datos en bruto (una imagen, un audio, un texto), sin que nadie le diga de antemano qué mirar. Ese salto es lo que ha hecho posible que un modelo mire una foto y sepa que hay un gato sin que nadie le haya explicado nunca qué es un bigote.

Las muñecas rusas

Si tuviera que resumir la relación entre los tres términos en una imagen, sería la de las muñecas rusas: la IA es la muñeca más grande y contiene al machine learning, que a su vez contiene al deep learning.

Todo deep learning es machine learning. Todo machine learning es IA. Pero no toda IA es machine learning: hay sistemas de IA que no aprenden nada de ningún dato, solo ejecutan reglas o búsquedas escritas por humanos. Dos ejemplos con nombre y apellido. Deep Blue, el ordenador de IBM que le ganó a Kasparov en 1997, no usaba machine learning ni redes neuronales: evaluaba hasta 200 millones de posiciones por segundo por fuerza bruta, con una función de evaluación ajustada a mano por grandes maestros de ajedrez. Era IA (jugaba mejor que cualquier humano) sin haber «aprendido» de ninguna partida. El otro caso son los sistemas expertos de los años 70 y 80, como MYCIN, desarrollado en Stanford para diagnosticar infecciones bacterianas y recomendar antibióticos a partir de cientos de reglas del tipo «si el paciente presenta X, entonces Y» escritas por médicos, sin entrenamiento con datos de por medio. Ambos son IA legítima. Ninguno es machine learning.

Y no todo machine learning es deep learning: los algoritmos clásicos del capítulo 6 (regresión, árboles de decisión, SVM) aprenden de datos igual que el deep learning, pero sin redes neuronales de por medio.

Qué es la IA: Tres muñecas rusas persiguiéndose entre sí, la naranja con cara de picardía persiguiendo a la cian asustada, mientras la amarilla corre delante riendo — [La IA es la muñeca más grande y contiene al machine learning, que a su vez contiene al deep learning]

Cuando alguien te diga «esto usa deep learning» está siendo más específico (y probablemente más honesto) que quien te dice solo «esto usa IA». Cuanto más al centro de la muñeca rusa, más concreta y verificable es la afirmación.

Cómo detectar cuándo IA es solo maquillaje

Aquí va el dato que más me gusta de este tema, y viene con fuente. Según el informe «The State of AI 2019» de MMC Ventures, sobre 2.830 startups europeas etiquetadas como «de IA», cerca del 40% no mostraba evidencia de que la IA aportara ningún valor real a su negocio. Es un informe de 2019, así que el dato tiene ya unos años, pero el fenómeno que describe (etiquetar como «IA» algo que no lo es, para levantar más financiación o vender mejor) tiene nombre propio: «AI washing», por analogía con el «greenwashing».

El criterio para detectarlo no ha cambiado con los años: antes de creerte que algo «tiene IA», pregúntate si existe un modelo entrenado con datos que produce un resultado que no fue programado explícitamente regla a regla. Si la respuesta es «en realidad es un if/else con buen copy», no es IA, por muy IA que lo llamen en la caja.

Por qué esto importa para el resto de la serie

No es un capricho académico: tener claro qué es la IA es la base de todo lo que sigue. Vamos a pasar los próximos capítulos hablando de aprendizaje supervisado, redes neuronales, transformers y modelos de lenguaje. Si de entrada no tienes claro que un LLM es deep learning, que el deep learning es un subconjunto de machine learning, y que ambos son un subconjunto de la IA, cada capítulo nuevo va a sonar a jerga suelta en vez de encajar en un mapa.

En el próximo capítulo tocan los inviernos de la IA

Los dos periodos de la historia en los que el campo se quedó prácticamente sin financiación porque no cumplió lo que había prometido. Conviene saberlo, porque el hype de 2026 no es el primero que vive esta disciplina, y probablemente tampoco será el último.