Última actualización: 2026-11-03

Contenido de esta página

• ¿Qué es la inteligencia artificial?
• ¿Para qué sirve la inteligencia artificial?
• ¿Cómo funciona la inteligencia artificial? Percepción, razonamiento y acción
• Enfoque simbólico y enfoque conexionista: las dos grandes escuelas
• ¿Qué no puede hacer la inteligencia artificial? Sus límites reales
• Mitos sobre la inteligencia artificial que conviene desmontar
• La inteligencia artificial en América Latina: quién tiene las máquinas

Historia real, contada por la agencia que la organizó: la DARPA, el brazo de investigación del Departamento de Defensa de Estados Unidos. El 13 de marzo de 2004 puso a prueba vehículos sin conductor en una ruta por el desierto entre Barstow, en California, y Primm, en Nevada [1]. Había quince finalistas y un premio de un millón de dólares para el ganador [1].

Ninguno completó la ruta. El premio quedó sin dueño [1].

La agencia repitió el reto el 8 de octubre de 2005, en el desierto cercano a la frontera entre California y Nevada [1]. Esa vez cinco equipos terminaron un recorrido de 132 millas, unos 212 kilómetros, por terreno desértico [1].

Ganó el Stanford Racing Team, el equipo de Stanford, con un tiempo de 6 horas y 53 minutos. Se llevó dos millones de dólares [1].

Eran vehículos autónomos: nadie los conducía. Para llegar, cada vehículo tuvo que hacer tres cosas por su cuenta, kilómetro tras kilómetro: mirar el terreno, decidir por dónde seguir y mover la dirección y el acelerador.

Ese trabajo de percibir, razonar y actuar es el núcleo de la inteligencia artificial (IA), el campo que construye máquinas capaces de cumplir un objetivo con lo que observan de su entorno [2] [3]. El vehículo del desierto es un caso extremo. Un filtro de correo basura hace lo mismo con mucho menos ruido.

¿Qué es la inteligencia artificial?

La inteligencia artificial es el campo de estudio que diseña sistemas capaces de recibir información del entorno, procesarla y responder para cumplir un objetivo [3] [4]. La respuesta puede ser una predicción, una recomendación, una decisión o un movimiento. No es una máquina concreta. Es una disciplina, como la medicina o la ingeniería civil, con muchas técnicas adentro.

Esos sistemas trabajan con dos piezas. Un algoritmo es una receta de pasos precisos que un computador sigue al pie de la letra; la guía de estructuras de datos y algoritmos los explica a fondo. Un modelo es una representación simplificada del problema, hecha de reglas escritas o de números ajustados, que convierte lo que entra en una respuesta.

El machine learning, o aprendizaje automático, es una de las ramas de la inteligencia artificial: la que obtiene el modelo a partir de ejemplos en lugar de escribirlo a mano [2].

Stuart Russell y Peter Norvig, autores del manual universitario Artificial Intelligence: A Modern Approach, ponen en el centro la idea de agente, un sistema que percibe y actúa [2]. En el prefacio de la edición de 2009 escribieron: «definimos la IA como el estudio de agentes que reciben percepciones del entorno y realizan acciones», según lo recoge la Enciclopedia de Filosofía de Stanford [3].

Cómo definen la inteligencia artificial la ciencia, los estándares y la ley

No existe una sola definición de inteligencia artificial. Cada institución la escribe para un propósito distinto: enseñar, gestionar riesgos o regular. La tabla resume cuatro de las más citadas y lo que cada una subraya.

Quién la define	Qué tipo de documento es	Qué dice, en palabras sencillas	Qué subraya
Russell y Norvig	Manual universitario	El estudio de agentes que reciben percepciones del entorno y realizan acciones [3]	El ciclo de percibir y actuar
OCDE (Organización para la Cooperación y el Desarrollo Económicos), revisión de noviembre de 2023	Recomendación de un organismo internacional	Un sistema basado en máquinas que, para objetivos explícitos o implícitos, infiere de lo que recibe cómo generar predicciones, contenidos, recomendaciones o decisiones [6]	La inferencia, es decir, deducir la respuesta a partir de la entrada
NIST (Instituto Nacional de Estándares y Tecnología de Estados Unidos), marco de gestión de riesgos de IA, enero de 2023	Marco técnico de un organismo público	Un sistema de ingeniería o basado en máquinas que, para unos objetivos, genera predicciones, recomendaciones o decisiones que influyen en entornos reales o virtuales [4]	Las salidas y su efecto en el mundo
Unión Europea, Reglamento 2024/1689	Norma de la Unión Europea	Un sistema basado en máquinas, con distintos niveles de autonomía, que infiere de su entrada cómo generar resultados [5]	La autonomía y la capacidad de adaptarse

Las tres definiciones institucionales tienen un tronco común. El NIST adaptó la suya de la Recomendación de la OCDE de 2019 y de la norma técnica internacional ISO/IEC 22989 [4]. La OCDE la actualizó en 2023; uno de los tres autores de la nota que explica el cambio es el propio Stuart Russell [6]. Según esa nota, la palabra «contenido» se añadió para dejar claro que la recomendación cubre la IA generativa, la que produce textos o imágenes [6].

El reglamento europeo, la ley de inteligencia artificial de la Unión Europea, lo dice con una fórmula precisa: un sistema de IA es el que «infiere de la información de entrada que recibe la manera de generar resultados de salida» [5]. Esa palabra, infiere, marca la frontera. Según el considerando 12 del mismo reglamento, la definición no incluye los sistemas basados en normas definidas únicamente por personas para ejecutar operaciones de forma automática [5]. La gestión de los datos que alimentan estos sistemas, y quién responde por ellos, está en la guía de gobierno de datos.

Alan Turing prefirió no definir. En 1950 abrió su artículo «Computing Machinery and Intelligence» con una frase directa: «Propongo considerar la pregunta: ¿pueden pensar las máquinas?» [7]. Pocas líneas después anunció que, en vez de intentar esa definición, cambiaría la pregunta por otra, y la planteó como un juego de imitación [7].

¿De dónde viene el nombre «inteligencia artificial»?

La expresión aparece en el título de una propuesta de investigación fechada el 31 de agosto de 1955 [8]. La firmaron cuatro investigadores: McCarthy, del Dartmouth College; Minsky, de la Universidad de Harvard; Rochester, de IBM, la empresa de computadores, y Shannon, de los Laboratorios Telefónicos Bell [8].

Pedían apoyo para un estudio de dos meses, con diez personas, durante el verano de 1956 [8]. Su punto de partida era una conjetura: que «todo aspecto del aprendizaje o cualquier otro rasgo de la inteligencia puede, en principio, describirse con tanta precisión que una máquina pueda simularlo» [8].

Esa frase sigue siendo la apuesta de fondo del campo. Lo que cambió fue la manera de buscar esa precisión, y por eso existen dos grandes enfoques, que se explican más abajo.

¿Para qué sirve la inteligencia artificial?

La inteligencia artificial sirve para resolver problemas en los que una lista fija de instrucciones no alcanza. Por ejemplo, encontrar el mejor camino, razonar con lo que ya se sabe o decidir con información incompleta. También aprender de ejemplos, entender un texto, reconocer lo que hay en una imagen y moverse en el mundo físico. Son, a grandes rasgos, las partes en que Russell y Norvig dividen su manual [2].

Familia de problemas	Qué pregunta responde	Ejemplo cotidiano	Dónde la trata el manual de Russell y Norvig
Búsqueda	¿Qué secuencia de pasos lleva a la meta?	Calcular la ruta más corta entre dos barrios; jugar ajedrez	Resolución de problemas por búsqueda; búsqueda adversaria y juegos
Restricciones y planificación	¿Cómo ordenar tareas sin romper ninguna regla?	Armar el horario de un colegio sin que dos clases choquen	Problemas de satisfacción de restricciones; planificación automatizada
Conocimiento y lógica	¿Qué se deduce de lo que ya se sabe?	Revisar si una solicitud cumple todos los requisitos de un trámite	Agentes lógicos; representación del conocimiento
Decisión con incertidumbre	¿Qué es lo más probable y qué conviene hacer?	Estimar si un pago con tarjeta puede ser un fraude	Razonamiento probabilístico; toma de decisiones
Aprendizaje	¿Qué regla se esconde en los ejemplos?	Separar el correo basura del correo normal	Machine learning; deep learning (redes neuronales de muchas capas); aprendizaje por refuerzo
Lenguaje	¿Qué dice este texto?	Traducir un documento	Procesamiento de lenguaje natural
Percepción y acción física	¿Qué hay alrededor y cómo moverse?	Un vehículo que cruza el desierto sin conductor	Visión por computador; robótica

Fuente de las familias: tabla de contenido del manual, cuarta edición [2]. Los ejemplos son ilustrativos.

La propuesta de 1955 ya apuntaba a casi la misma lista. Sus autores querían averiguar cómo hacer que las máquinas usaran el lenguaje, formaran abstracciones y conceptos, resolvieran problemas que entonces solo resolvían las personas y se mejoraran a sí mismas [8].

Fíjese en lo que tienen en común todas las filas de la tabla. En ninguna basta con aplicar una fórmula fija a unos datos. Hay que elegir entre muchas respuestas posibles con información parcial. Ahí está el trabajo de la inteligencia artificial.

¿Cómo funciona la inteligencia artificial? Percepción, razonamiento y acción

Un sistema de inteligencia artificial funciona en un ciclo de tres componentes. Percibe el entorno con sensores o con datos de entrada, razona con un modelo para escoger una respuesta y actúa con una salida que cambia algo en ese entorno. Luego vuelve a percibir. Es el esquema de agente de Russell y Norvig [2] [3], y el NIST y la ley europea lo describen en términos de entradas y salidas [4] [5].

1. Percepción. El sistema recibe información del mundo. En el vehículo del desierto, la recogen sensores, es decir, aparatos que miden la luz, la distancia o el movimiento. En un filtro de correo, la percepción es mucho más humilde: el texto del mensaje y sus datos de envío. La parte del manual dedicada a comunicar, percibir y actuar incluye la visión por computador y el procesamiento de lenguaje [2].
2. Razonamiento. El sistema procesa lo que percibió con su modelo y escoge una respuesta. Puede hacerlo buscando entre opciones, aplicando reglas lógicas, calculando probabilidades o usando un modelo aprendido de ejemplos; el manual dedica una parte entera a cada una de esas vías [2].
3. Acción. El sistema produce una salida. Puede ser física, como girar el volante, o virtual, como mover un mensaje a la carpeta de correo basura. El NIST describe esas salidas como predicciones, recomendaciones o decisiones que influyen en entornos reales o virtuales [4].

No todos los sistemas actúan por su cuenta. La ley europea dice que un sistema de IA funciona con «distintos niveles de autonomía» y que puede mostrar capacidad de adaptación tras el despliegue, es decir, después de ponerse en uso [5]. Un programa que le sugiere una película y un vehículo que frena sin preguntar están en puntos muy distintos de esa escala.

La diferencia importa para quien diseña. Cuanta más autonomía tiene la acción, menos oportunidad queda para que una persona corrija un error antes de que tenga efecto.

Enfoque simbólico y enfoque conexionista: las dos grandes escuelas

La inteligencia artificial simbólica representa el conocimiento con símbolos y reglas que una persona puede leer, y el sistema los combina para deducir. La conexionista lo guarda en redes de muchas unidades simples conectadas entre sí, cuyas conexiones se ajustan con ejemplos [9]. La primera razona con lo que le escriben. La segunda aprende de lo que le muestran.

En la visión clásica o simbólica, explica la Enciclopedia de Filosofía de Stanford, «la información se representa con cadenas de símbolos» [9]. Un ejemplo ilustrativo: una regla que dice «si el solicitante es menor de edad, la solicitud necesita la firma de un acudiente». La regla se puede leer, discutir y corregir línea por línea.

El conexionismo, en cambio, usa redes neuronales artificiales: modelos simplificados del cerebro, hechos de unidades y de conexiones con pesos [9]. Un peso es un número que dice cuánto influye una unidad en la siguiente. En una red, la información queda guardada de forma no simbólica en esos pesos [9]. En 1986, David Rumelhart, Geoffrey Hinton y Ronald Williams describieron en la revista Nature la retropropagación, un procedimiento de aprendizaje para redes de unidades parecidas a neuronas [10].

Las dos escuelas estuvieron presentes desde el principio. La propuesta de 1955 tenía un apartado titulado «Neuron Nets», redes de neuronas, que preguntaba cómo organizar un conjunto de neuronas hipotéticas para que formaran conceptos [8].

Rasgo	Enfoque simbólico	Enfoque conexionista
Dónde vive el conocimiento	En símbolos y reglas explícitas [9]	En los pesos de las conexiones de la red [9]
De dónde sale	De conocimiento que alguien codificó [5]	De los datos con los que la red se ajusta [5]
Cómo se revisa	Se lee regla por regla	Los pesos son números, no reglas legibles [9]
Familia más cercana en la ley europea	«estrategias basadas en la lógica y el conocimiento» [5]	«estrategias de aprendizaje automático que aprenden de los datos» [5] (el aprendizaje automático incluye las redes, pero no solo ellas)
Ejemplo ilustrativo	Un sistema que revisa los requisitos de un trámite	Un sistema que reconoce objetos en fotografías

La ley europea no toma partido entre las dos escuelas. Su considerando 12 cuenta ambas familias entre las técnicas que permiten a un sistema inferir y, por tanto, ser inteligencia artificial [5]. El manual de Russell y Norvig tampoco elige: dedica una parte a la lógica y el conocimiento, y otra al aprendizaje [2].

¿Qué no puede hacer la inteligencia artificial? Sus límites reales

La inteligencia artificial resuelve bien tareas acotadas, pero falla de maneras que una persona no anticipa. Sus datos pueden traer señales ajenas a la tarea que confunden sus predicciones. Puede rendir peor fuera del lugar donde se entrenó. Y su desempeño es desigual incluso entre tareas que a una persona le parecen de dificultad parecida [11] [12] [13].

Las radiografías que delataban al hospital

En 2018, John Zech y cinco colegas publicaron en la revista PLOS Medicine un estudio sobre redes neuronales entrenadas para detectar neumonía en radiografías de tórax [11]. Reunieron 158.323 radiografías de tres instituciones de salud de Estados Unidos [11].

Los autores entrenaron además una red solo para adivinar de qué hospital venía cada radiografía. Acertó en el 99,95 % y el 99,98 % de los casos de dos de las instituciones [11]. Las imágenes llevaban la huella del hospital.

Esa huella pesaba porque la neumonía no era igual de frecuente en todas partes. En una de las instituciones aparecía en el 34,2 % de las imágenes; en las otras dos, en el 1,2 % y el 1,0 % [11].

Los autores concluyeron que las redes identificaban el hospital y hasta el servicio dentro del hospital, y que esas diferencias «pueden confundir las predicciones» [11]. En tres de cinco comparaciones, los modelos de neumonía rindieron mejor con datos de su propio origen que con datos externos [11]. Un buen resultado en casa no garantiza el mismo resultado afuera.

Los riesgos que el NIST considera propios de la IA

El marco de gestión de riesgos de IA del NIST trae un anexo dedicado a lo que distingue esos riesgos de los del software tradicional [12]. Entre los que el anexo señala como nuevos o mayores están estos:

• Los datos con que se construye un sistema pueden no ser una representación verdadera o adecuada del contexto en que se va a usar [12].
• Los datos de entrenamiento pueden quedar desconectados de su contexto original o volverse viejos [12].
• Hay más opacidad y dudas sobre la reproducibilidad, es decir, sobre si otro equipo obtendría el mismo resultado [12].
• Cuesta probar estos sistemas con regularidad, e incluso decidir qué probar [12].
• No siempre se pueden predecir o detectar sus efectos secundarios más allá de las medidas estadísticas [12].

Una frontera irregular

El AI Index, el informe anual del Instituto de Inteligencia Artificial Centrada en el Humano de la Universidad de Stanford, dio en su edición de 2026 una imagen precisa de esa desigualdad. Los modelos de IA, dice, «pueden ganar una medalla de oro en la Olimpiada Internacional de Matemáticas, pero no pueden decir la hora de forma confiable» [13]. Los investigadores llaman a ese patrón la frontera irregular de la IA [13].

Un sistema brillante en una tarea no es, por eso, confiable en la tarea vecina. Se mide en cada una.

Mitos sobre la inteligencia artificial que conviene desmontar

Los mitos más comunes sobre la inteligencia artificial confunden la forma con la función, el éxito en una tarea con la habilidad para todas y la matemática con la neutralidad. La tabla contrasta cada uno con lo que dicen las fuentes primarias.

Mito	Lo que muestran las fuentes
«La IA es un robot con forma humana»	La OCDE, el NIST y la ley europea la definen por lo que produce —predicciones, contenidos, recomendaciones o decisiones—, no por su forma [4] [5] [6]. Un filtro de correo cabe en esa definición.
«Si resuelve algo difícil, resolverá lo fácil»	El AI Index 2026 documenta que los modelos de IA pueden ganar una medalla de oro en matemáticas, pero no leer la hora de forma confiable [13].
«Es objetiva porque es matemática»	Aprende de datos que pueden no representar bien el contexto donde se usa [12]; una red pudo reconocer el hospital de origen en casi todas las radiografías de dos instituciones, y esa huella puede confundir las predicciones [11].
«Si funcionó en las pruebas, funciona en cualquier parte»	Los modelos de neumonía rindieron mejor con datos de su propio origen que con datos externos en tres de cinco comparaciones [11].
«Turing demostró que las máquinas piensan»	Turing no lo afirmó: en 1950 prefirió cambiar esa pregunta por un juego antes que definir «pensar» [7].
«La IA es un invento reciente»	El nombre aparece en una propuesta de investigación de 1955 [8].

La inteligencia artificial en América Latina: quién tiene las máquinas

En América Latina, una condición material para construir inteligencia artificial propia es el acceso a cómputo, es decir, a los procesadores que entrenan y ejecutan modelos grandes. El Índice Latinoamericano de Inteligencia Artificial (ILIA) 2026 muestra que esa capacidad está concentrada en un solo país [14]. Lo elaboran el Centro Nacional de Inteligencia Artificial de Chile (CENIA) y la CEPAL, la Comisión Económica para América Latina y el Caribe de las Naciones Unidas [14].

Según el índice, Brasil concentra casi toda la capacidad de cómputo para IA identificada en la región [14]. Tiene el 87,7 % de las GPU, los procesadores gráficos que hacen los cálculos pesados de los modelos, y el 92 % de la capacidad de procesamiento regional [14].

A esa concentración el índice le suma una brecha con el exterior. Cinco países de fuera de la región que el índice usa como comparación —Portugal, España, Estonia, Alemania y Singapur— tienen en promedio cerca de 29 veces más GPU por millón de habitantes que América Latina y el Caribe [14]. La cuenta es de 244,7 frente a 8,5 [14].

No toda la inteligencia artificial necesita ese músculo. Un sistema de reglas o un modelo pequeño de machine learning puede correr en un computador personal con herramientas libres como Python. Lo que sí exige es método, datos bien cuidados y gente que entienda el problema. Las rutas para formarse en este oficio están en la guía de rutas y carreras en datos, y la base matemática, en la de estadística para ciencia de datos.

Mi posición, y la doy como posición, no como dato: para Colombia, la pregunta útil ya no es la que Turing dejó a un lado en 1950, si las máquinas piensan. Es quién tiene las máquinas, quién pone los datos y quién se queda con lo que el modelo aprende de ellos.

Un país que solo compra respuestas hechas afuera va a usar la inteligencia artificial. Uno que forma gente capaz de percibir sus propios problemas, razonar con sus datos y actuar sobre ellos la va a hacer. Los vehículos de 2005 no cruzaron el desierto solos: detrás de cada uno había un equipo que lo preparó para ese terreno. ¿Quién le va a enseñar el terreno colombiano a las máquinas que lleguen aquí?

Preguntas frecuentes

¿Qué significa IA? IA es la sigla de inteligencia artificial. En inglés se escribe AI, de artificial intelligence, y así aparece en los informes y normas que solo existen en ese idioma. El reglamento europeo, en su versión oficial en español, usa la fórmula «sistema de IA» para nombrar los programas que regula [5].

¿Una calculadora o una hoja de cálculo son inteligencia artificial? Por sí solas, no. Les falta la inferencia: una fórmula de hoja de cálculo devuelve exactamente lo que alguien le programó, sin deducir de los datos cómo responder. El reglamento europeo traza esa frontera y deja por fuera los programas que se limitan a ejecutar de forma automática reglas escritas solo por personas [5].

¿Quién inventó la expresión inteligencia artificial? Con los documentos citados aquí no se le puede atribuir a una sola persona. La propuesta de 1955 que la lleva en el título tiene cuatro firmas, en este orden: J. McCarthy, M. L. Minsky, N. Rochester y C. E. Shannon [8]. El encuentro que proponían debía hacerse en el Dartmouth College, en Hanover, Nuevo Hampshire, y por eso el documento lleva ese nombre en su título [8].

¿Qué es el test de Turing? Es el juego de imitación que Alan Turing planteó en 1950, en la revista Mind, para reemplazar la pregunta de si las máquinas pueden pensar [7]. Su argumento fue que, si «máquina» y «pensar» se definían según el uso común, la respuesta habría que buscarla en una encuesta de opinión, algo que él mismo calificó de absurdo [7].

¿La inteligencia artificial aprende sola? Depende del sistema. Uno simbólico razona con las reglas que le escribieron y no cambia si nadie las cambia. La ley europea dice que un sistema de IA «puede mostrar capacidad de adaptación tras el despliegue»: puede, no que siempre lo haga [5]. Antes de confiar en que un sistema se ajusta solo, conviene preguntar quién y cada cuánto lo revisa.

Referencias

Las citas en otro idioma son traducción propia.

1. Defense Advanced Research Projects Agency (DARPA). The Grand Challenge, línea de tiempo de innovación — ningún equipo completó la ruta de Barstow (California) a Primm (Nevada) el 13 de marzo de 2004; premio de 1 millón de dólares entre 15 finalistas, sin reclamar; nueva ronda el 8 de octubre de 2005 cerca de la frontera entre California y Nevada; el Stanford Racing Team ganó los 2 millones de dólares con 6 horas y 53 minutos; cinco equipos completaron el recorrido de 132 millas por terreno desértico. DARPA: The Grand Challenge — Consultada: 2026-11-03.
2. Russell, Stuart y Norvig, Peter. Artificial Intelligence: A Modern Approach, 4.ª edición (EE. UU.), tabla de contenido — capítulo 2 «Intelligent Agents»; partes II «Problem-solving», III «Knowledge, reasoning, and planning», IV «Uncertain knowledge and reasoning», V «Machine Learning» y VI «Communicating, perceiving, and acting» (procesamiento de lenguaje natural, visión por computador, robótica). Universidad de California, Berkeley: sitio de AIMA — Consultada: 2026-11-03.
3. Bringsjord, Selmer y Govindarajulu, Naveen Sundar. Artificial Intelligence, Stanford Encyclopedia of Philosophy (primera publicación: 12 de julio de 2018) — cita el prefacio de Russell y Norvig (la bibliografía de la entrada remite a la edición de 2009): «We define AI as the study of agents that receive percepts from the environment and perform actions»; cada agente implementa una función que va de secuencias de percepciones a acciones. Stanford Encyclopedia of Philosophy: Artificial Intelligence — Consultada: 2026-11-03.
4. National Institute of Standards and Technology (NIST); Tabassi, Elham. Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1, 26 de enero de 2023 — define un sistema de IA como «an engineered or machine-based system that can, for a given set of objectives, generate outputs such as predictions, recommendations, or decisions influencing real or virtual environments»; adaptado de la Recomendación de la OCDE sobre IA de 2019 y de ISO/IEC 22989:2022. NIST AIRC: AI RMF 1.0, definición · NIST: DOI 10.6028/NIST.AI.100-1 — Consultada: 2026-11-03.
5. Parlamento Europeo y Consejo de la Unión Europea. Reglamento (UE) 2024/1689, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial — artículo 3, punto 1: «sistema de IA», sistema basado en una máquina diseñado para funcionar con «distintos niveles de autonomía», que «puede mostrar capacidad de adaptación tras el despliegue» y que «infiere de la información de entrada que recibe la manera de generar resultados de salida»; considerando 12: excluye los sistemas basados en normas definidas únicamente por personas físicas para ejecutar automáticamente operaciones, e incluye «estrategias de aprendizaje automático que aprenden de los datos» y «estrategias basadas en la lógica y el conocimiento». EUR-Lex: Reglamento (UE) 2024/1689 · BOE: texto en español, DOUE-L-2024-81079 — Consultada: 2026-11-03.
6. Russell, Stuart; Perset, Karine; Grobelnik, Marko. Updates to the OECD’s definition of an AI system explained, OECD.AI, 29 de noviembre de 2023 — los países miembros aprobaron una definición revisada: sistema basado en máquinas que, para objetivos explícitos o implícitos, infiere de la entrada que recibe cómo generar salidas como predicciones, contenido, recomendaciones o decisiones; «The addition of the word ‘content’ clarifies that the Recommendation applies to generative AI systems». OECD.AI: Updates to the OECD’s definition of an AI system explained — Consultada: 2026-11-03.
7. Turing, A. M. Computing Machinery and Intelligence, Mind, vol. LIX, n.º 236, octubre de 1950, pp. 433-460 — «I propose to consider the question, ‘Can machines think?’»; «Instead of attempting such a definition I shall replace the question by another»; definir los términos por su uso común llevaría a buscar la respuesta en una encuesta estadística, «But this is absurd»; sección 1, «The Imitation Game». Mind: DOI 10.1093/mind/LIX.236.433 — Consultada: 2026-11-03.
8. McCarthy, J.; Minsky, M. L.; Rochester, N.; Shannon, C. E. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 31 de agosto de 1955 — firmantes del Dartmouth College, Harvard University, I.B.M. Corporation y Bell Telephone Laboratories; estudio de 2 meses y 10 personas en el verano de 1956 en el Dartmouth College, Hanover, New Hampshire; «every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it»; usar el lenguaje, formar abstracciones y conceptos, resolver problemas reservados a los humanos y mejorarse a sí mismas; apartado 3, «Neuron Nets». Universidad de Stanford: archivo de John McCarthy, propuesta de Dartmouth — Consultada: 2026-11-03.
9. Buckner, Cameron y Garson, James. Connectionism, Stanford Encyclopedia of Philosophy (primera publicación: 18 de mayo de 1997; revisión sustantiva: 16 de agosto de 2019) — el conexionismo usa redes neuronales artificiales, modelos simplificados del cerebro con unidades y conexiones con pesos; en la visión clásica «information is represented by strings of symbols»; en el conexionismo, «information is stored non-symbolically in the weights». Stanford Encyclopedia of Philosophy: Connectionism — Consultada: 2026-11-03.
10. Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. Learning representations by back-propagating errors, Nature, vol. 323, pp. 533-536, 9 de octubre de 1986 — «We describe a new learning procedure, back-propagation, for networks of neurone-like units». Nature: DOI 10.1038/323533a0 — Consultada: 2026-11-03.
11. Zech, John R.; Badgeley, Marcus A.; Liu, Manway; Costa, Anthony B.; Titano, Joseph J.; Oermann, Eric K. Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study, PLOS Medicine, 6 de noviembre de 2018 — 158.323 radiografías de tórax de tres instituciones (NIH, Mount Sinai e Indiana University); prevalencia de neumonía de 34,2 % en Mount Sinai frente a 1,2 % y 1,0 %; una red entrenada para identificar el sistema hospitalario («A CNN trained to identify hospital systems») lo detectó en el 99,95 % (NIH) y el 99,98 % (Mount Sinai) de las radiografías; mejor desempeño interno que externo en 3 de 5 comparaciones; identificaron sistema hospitalario y servicio, diferencias que «may confound predictions». PLOS Medicine: DOI 10.1371/journal.pmed.1002683 — Consultada: 2026-11-03.
12. National Institute of Standards and Technology (NIST). AI RMF 1.0, Appendix B: How AI Risks Differ from Traditional Software Risks — «The data used for building an AI system may not be a true or appropriate representation»; conjuntos de entrenamiento que «may become detached from their original and intended context» o quedan obsoletos; «Increased opacity and concerns about reproducibility»; dificultad para probar con regularidad o determinar qué probar; «Inability to predict or detect the side effects of AI-based systems beyond statistical measures». NIST AIRC: AI RMF, Appendix B — Consultada: 2026-11-03.
13. Stanford Institute for Human-Centered Artificial Intelligence (HAI). The 2026 AI Index Report, conclusiones principales, conclusión 4 — «AI models can win a gold medal at the International Mathematical Olympiad but cannot reliably tell time—an example of what researchers call the jagged frontier of AI». Stanford HAI: 2026 AI Index Report — Consultada: 2026-11-03.
14. Centro Nacional de Inteligencia Artificial (CENIA) y Comisión Económica para América Latina y el Caribe (CEPAL). Índice Latinoamericano de Inteligencia Artificial (ILIA) 2026, IV edición, sitio oficial — Brasil concentra casi la totalidad de la capacidad de cómputo para IA identificada en América Latina y el Caribe, con el 87,7 % de las GPU y el 92 % de la capacidad de procesamiento regional; los países extrarregionales de comparación (Portugal, España, Estonia, Alemania y Singapur) registran en promedio cerca de 29 veces más GPU por millón de habitantes que la región (244,7 frente a 8,5). CENIA y CEPAL: ILIA 2026 — Consultada: 2026-11-03.

Cómo investigamos esta página

• Pregunta que responde: Qué es la inteligencia artificial, cómo la definen la ciencia y la ley, cómo funciona, sus dos grandes enfoques y sus límites reales.
• Fuentes: identificadas 35 → incluidas 16 (DARPA, NIST, ley europea, OCDE, artículos por DOI, la propuesta original de 1955, Stanford e índice de CENIA y CEPAL).
• Criterios de inclusión: solo organismos públicos, normas, investigación publicada y documentos originales leídos hoy; ninguna enciclopedia general, blog ni nota de prensa.
• Fecha de corte de los datos: 2026-11-03