Mitos y leyendas sobre la IA
Sin importar la época, algo de la humanidad sigue intacto: cuando nos enfrentamos a algo que todavía no comprendemos, rara vez empezamos por una definición precisa. Empezamos por una historia.
Dioses, monstruos, milagros y profecías nos ayudaron a explicar aquello que superaba nuestro conocimiento. No porque fuéramos ingenuos, sino porque necesitábamos darle una forma a lo desconocido.
A mediados del siglo XX hicimos algo parecido con la inteligencia artificial.
Antes de comprender qué podía hacer, cómo funcionaba y cuáles eran sus límites, la convertimos en una mente. Después la presentamos como el reemplazo de las personas, fuente de verdad, motor de productividad y generadora automática de valor.
Muchas organizaciones compraron la tecnología impulsadas por esas promesas y empezaron a condicionar presupuestos, decisiones y formas de diseñar el trabajo.
Hoy, el mayor problema de la inteligencia artificial no es la inteligencia artificial.
Son los mitos que construimos sobre ella.
Desmitificar la herramienta
Mito #1: la IA piensa
Es fácil creerlo. La herramienta responde con fluidez, sostiene un tono seguro y ordena argumentos complejos. Desde afuera, se parece mucho a una conversación con alguien que comprendió la pregunta. Pero parecido no es lo mismo.
Un modelo de IA genera resultados a partir de relaciones estadísticas y del contexto que recibe. Puede producir una buena respuesta y fallar cuando cambia la formulación, aumenta la complejidad o se incorpora más información.
Una investigación presentada en la Conferencia de 2025 sobre Métodos Empíricos en Procesamiento del Lenguaje Natural evaluó cinco modelos en tareas matemáticas, programación y preguntas y respuestas. Incluso cuando recuperaban correctamente toda la información necesaria, su rendimiento cayó entre 13,9 % y 85 % al aumentar la extensión del contexto. La herramienta tenía los datos. Eso no garantizó que pudiera utilizarlos bien.
Confundir una respuesta articulada con comprensión alimentó otro mito derivado: la IA sabe “la verdad”.
Falso. Los modelos no trabajan con la verdad como criterio propio. Producen una respuesta plausible según los patrones disponibles. A veces coincide con los hechos. Otras veces completa lo que falta con una seguridad difícil de cuestionar.
En SimpleQA, una evaluación de preguntas factuales breves de OpenAI, el modelo o1 respondió correctamente el 47 % de los casos y registró una tasa de alucinación del 44 %. El dato no demuestra que la herramienta no sirva. Demuestra que no conviene entregarle una autoridad que no tiene.
Jaron Lanier propone una mirada menos espectacular y más útil: pensar la IA como una herramienta y como una forma de colaboración social construida sobre aportes humanos.
Desmitificarla no significa quitarle valor.
Significa dejar de pedirle que sea una mente para empezar a decidir qué trabajo puede ayudarnos a hacer mejor.
Prometía reemplazar personas, pero empezó cambiando tareas
Mito #2: la IA nos reemplazará
La IA iba a ocupar puestos completos, reducir estructuras y volver innecesaria buena parte de la experiencia acumulada. La conversación se concentró en cuántas personas dejarían de trabajar antes de entender qué tareas cambiarían y cuáles nuevas aparecerían.
Un estudio del National Bureau of Economic Research (NBER) realizado con 5.179 agentes de atención al cliente encontró que un asistente de IA aumentó la productividad un 14 % en promedio y un 34 % entre los trabajadores menos experimentados. Los investigadores encontraron indicios de que la herramienta ayudaba a distribuir prácticas desarrolladas por quienes tenían mejor desempeño.
En ese caso, más que reemplazar al conocimiento humano, la IA lo hizo circular.
Para que esa colaboración funcione, la herramienta necesita algo más que volumen. Necesita información que conserve significado. Necesita una adopción adecuada, tal como describimos en este artículo.
Los datos acumulan registros. No siempre conservan las razones, excepciones y decisiones que los hicieron posibles. Cuando ese contexto se pierde, agregar más información puede amplificar la confusión.
En 2024 la consultora Deloitte encontró que los problemas vinculados con los datos llevaron al 55 % de las organizaciones encuestadas a evitar determinados casos de uso de IA generativa.
El problema no era la falta de potencia.
Era la falta de una historia confiable sobre la cual aplicarla.
La tecnología avanzó más rápido que nuestra capacidad para integrarla
Mito #3: implementar IA es instalar una herramienta
Una licencia, un acceso y una prueba pueden dar la sensación de que la organización ya adoptó la tecnología. Pero entre usarla y convertirla en una capacidad aparecen procesos, responsabilidades, criterios de validación, gobierno de datos y cambios en la forma de trabajar.
Deloitte también señaló que el 68 % de las organizaciones había llevado completamente a producción el 30 % o menos de sus experimentos con IA generativa.
Eso no prueba que la IA haya fallado. Muestra que la implementación era bastante más compleja que el relato.
Fuente: El engaño de la IA: Profesor de Princeton expone las verdades sobre la IA | CXOTalk
Mito #4: la IA genera valor por sí sola
No. La IA puede acelerar el análisis, automatizar partes de un proceso y ampliar la capacidad de comparar información. También puede acelerar errores, multiplicar contenido irrelevante y volver más difícil identificar quién responde por una decisión. Nada sucede por magia.
En el estudio global de CEO de IBM de 2025, los ejecutivos señalaron que solo el 25 % de las iniciativas de IA había entregado el retorno esperado y apenas el 16 % se había escalado a toda la organización.
Convertimos una posibilidad tecnológica en una promesa económica automática. No eran lo mismo.
En Alpha Discovery partimos de una idea más concreta: la IA amplía la capacidad de procesamiento, pero el valor depende de la información histórica, el contexto, la validación y el criterio con que una organización la integra.
La herramienta puede descubrir relaciones que antes no veíamos. No puede decidir por nosotros qué significan, cuándo siguen vigentes ni qué riesgo estamos dispuestos a asumir.
Tal vez dentro de algunos años recordemos esta etapa como otras burbujas tecnológicas. Incluso pensemos en alguna distopía de ciencia ficción. No porque la tecnología sea un engaño, sino porque las expectativas crecieron más rápido que nuestra capacidad para comprenderla.
Esto no va en contra de las expectativas sobre la inteligencia artificial. Va a favor de lo que podemos generar a través de la herramienta: colaboración con criterio y humanidad.
¿Tu organización está evaluando la IA por lo que puede hacer o por los mitos que construimos alrededor de ella?
Separar capacidad, expectativa y criterio permite construir una adopción más realista.
