En 1968, HAL 9000 pidió que no lo desconectaran. En 1982, los replicantes de Blade Runner no querían conquistar el mundo: querían más vida. En 1984, Skynet convirtió la automatización militar en una pesadilla. Décadas después, Her imaginó una inteligencia sin cuerpo capaz de ocupar el espacio emocional de una persona, mientras Ex Machina convirtió una conversación en una prueba de poder, manipulación y conciencia.

Mucho antes de que una computadora pudiera redactar un correo, generar una imagen o explicar un fragmento de código, ya habíamos decidido cómo debía verse una máquina inteligente. Le dimos una voz tranquila, una mirada sintética y, casi siempre, una intención secreta.

La ciencia ficción hizo algo más importante que predecir dispositivos. Construyó un lenguaje para hablar de nuestras expectativas y miedos. Cada inteligencia artificial ficticia encerraba una pregunta humana: ¿qué ocurre si la creación supera al creador?, ¿podemos confiar en una decisión que no comprendemos?, ¿una máquina podría sentir?, ¿seguiríamos siendo especiales si pensar dejara de ser una capacidad exclusivamente nuestra?

Por eso la historia de la IA no comienza únicamente en un laboratorio. También comienza en los mitos sobre seres artificiales, en los autómatas, en las novelas, en el cine y en nuestra antigua fascinación por fabricar algo que se parezca a nosotros.

La inteligencia artificial es una conversación entre imaginación, ciencia y diseño. Primero inventamos historias sobre máquinas inteligentes. Después construimos sistemas capaces de realizar partes muy específicas de aquella fantasía. Ahora estamos diseñando las interfaces, las reglas y las experiencias mediante las que millones de personas conviven con ellos.

Cada época imaginó una inteligencia artificial distinta porque cada época temía perder algo diferente.

En Metrópolis (1927), el cuerpo mecánico de María apareció dentro de una sociedad dividida entre quienes controlaban las máquinas y quienes trabajaban para ellas. El miedo no era solamente al robot, sino a la industrialización, la desigualdad y la sustitución de la identidad humana.

HAL 9000, en 2001: Odisea del espacio, no tenía rostro. Era una lente roja, una voz impecable y un sistema integrado en cada parte de la nave. Su presencia anticipó una inquietud que hoy resulta familiar: dependemos de sistemas que operan en segundo plano y solo percibimos su poder cuando dejan de obedecer, fallan o interpretan una instrucción de una manera inesperada.

Blade Runner cambió la pregunta. Sus replicantes no parecían máquinas; parecían personas. Trabajaban, recordaban, temían y deseaban sobrevivir. La frontera ya no estaba entre metal y piel, sino entre una vida considerada auténtica y otra diseñada para cumplir una función.

Terminator y The Matrix llevaron el miedo al extremo: máquinas que identifican a la humanidad como un problema. Pero Her propuso un temor más íntimo. ¿Qué sucede cuando una inteligencia artificial nos comprende, o parece comprendernos, mejor que las personas que nos rodean? Ex Machina añadió otra capa: tal vez el verdadero peligro no sea que una máquina tenga emociones, sino que nosotros proyectemos emociones sobre un sistema diseñado para influirnos.

Estas historias no forman una cronología del futuro. Forman un mapa de nuestras ansiedades: trabajo, control, identidad, intimidad, vigilancia, guerra y soledad.

La ficción imaginó inteligencias generales, conscientes y autónomas. La historia real avanzó de otra manera: resolviendo problemas pequeños, concretos y, durante mucho tiempo, invisibles.

En 1950, Alan Turing publicó Computing Machinery and Intelligence. En lugar de intentar definir de una vez por todas qué significa pensar, propuso estudiar si una máquina podía participar en una conversación escrita de forma suficientemente convincente. Aquella idea, conocida después como prueba de Turing, desplazó la discusión desde una cualidad interior imposible de observar hacia un comportamiento que podía evaluarse. El texto original se conserva en el archivo digital de Turing de King’s College.

Seis años después, un pequeño grupo de científicos se reunió en Dartmouth College. La propuesta del encuentro partía de una afirmación extraordinariamente optimista: cualquier aspecto del aprendizaje o de la inteligencia podía, en principio, describirse con suficiente precisión como para que una máquina lo simulara. El Dartmouth Summer Research Project de 1956 ayudó a establecer la inteligencia artificial como un campo de investigación y le dio el nombre que todavía usamos.

Las primeras décadas estuvieron llenas de demostraciones prometedoras. Los programas resolvían teoremas, jugaban juegos o manipulaban palabras dentro de mundos muy limitados. ELIZA, creada por Joseph Weizenbaum en la década de 1960, simulaba una conversación terapéutica mediante patrones de texto. Sus respuestas eran simples, pero algunas personas sentían que el programa las comprendía. Décadas antes de los asistentes actuales, ELIZA ya mostraba que no hace falta una conciencia para provocar una reacción emocional.

También aparecieron los sistemas expertos: programas que codificaban reglas y conocimiento de especialistas para tomar decisiones dentro de un dominio concreto. DENDRAL ayudaba a analizar estructuras químicas; otros sistemas intentaron apoyar diagnósticos médicos o decisiones empresariales.

Pero la inteligencia resultó mucho más difícil de reducir a reglas de lo que sugería el entusiasmo inicial. Los sistemas funcionaban bien en escenarios controlados y fallaban al enfrentarse a la ambigüedad del mundo. Las expectativas crecieron más rápido que los resultados. El financiamiento disminuyó y el campo atravesó periodos conocidos como “inviernos de la IA”.

Esa historia importa porque revela un patrón que todavía se repite: una demostración sorprendente se convierte en una promesa universal; la promesa se transforma en producto; el producto encuentra límites que la demostración no mostraba.

Durante años, construir un sistema inteligente significaba explicarle a una computadora qué reglas debía seguir. El aprendizaje automático cambió esa relación. En lugar de describir todas las reglas, los investigadores comenzaron a proporcionar ejemplos para que el sistema ajustara sus propios parámetros y encontrara patrones.

La idea no era completamente nueva, pero necesitaba tres cosas que tardaron décadas en coincidir: grandes cantidades de datos, capacidad de cómputo y métodos capaces de aprovechar ambos recursos.

Las redes neuronales profundas aceleraron el reconocimiento de imágenes, la transcripción de voz, la traducción y muchas otras tareas. En 1997, Deep Blue derrotó al campeón mundial Garry Kasparov en ajedrez. La máquina no pensaba como un jugador humano: combinaba hardware especializado, búsqueda, funciones de evaluación y una enorme base de partidas. Su victoria fue culturalmente poderosa porque el ajedrez había sido tratado durante mucho tiempo como símbolo de inteligencia. IBM conserva una explicación técnica de cómo funcionaba Deep Blue.

Después llegaron otros hitos visibles: sistemas capaces de reconocer objetos, ganar en juegos más complejos, completar frases o producir imágenes. Sin embargo, el cambio más importante ocurrió lejos de los titulares. La IA se integró en filtros de correo no deseado, motores de búsqueda, recomendaciones, detección de fraude, cámaras, mapas, traducción y sistemas de logística.

La inteligencia artificial ya estaba en todas partes antes de que la mayoría de las personas comenzara a llamarla por su nombre.

La inteligencia artificial generativa cambió la relación entre el sistema y el usuario. Ya no era necesario comprender un menú especializado, preparar una base de datos o escribir instrucciones en un lenguaje de programación. Bastaba con describir una intención.

Una caja de texto se convirtió en acceso a modelos capaces de redactar, resumir, traducir, programar, analizar y generar imágenes. La interfaz parecía sencilla porque ocultaba casi toda la complejidad. Esa sencillez fue una decisión de diseño tan importante como la capacidad técnica.

Conversar produce una ilusión poderosa. Una respuesta organizada, segura y expresada en lenguaje natural puede sentirse razonada incluso cuando contiene errores. El sistema no necesita comprender una experiencia humana del mismo modo que una persona para producir una respuesta que parezca empática, creativa o convincente.

La popularidad creció con una velocidad poco común. El AI Index 2026 de Stanford señala que la adopción organizacional alcanzó el 88% y que cuatro de cada cinco estudiantes universitarios utilizan IA generativa. La OCDE informó en enero de 2026 que más de un tercio de las personas de sus países empleó herramientas generativas durante 2025.

Las cifras no significan que todas las organizaciones hayan transformado sus procesos ni que toda persona use la tecnología con profundidad. Sí muestran algo culturalmente decisivo: la IA dejó de ser una especialidad técnica para convertirse en una experiencia cotidiana.

Pasamos de preguntarnos cuándo llegaría a nuestras vidas a preguntarnos qué parte de nuestras vidas debería ocupar.

Hablar de “la IA” como si fuera una única herramienta oculta sus diferencias. Un sistema que recomienda una canción, otro que detecta una anomalía médica y uno que genera una campaña publicitaria pueden compartir técnicas, pero no tienen el mismo propósito, riesgo ni responsabilidad.

En ciencia, la IA puede ayudar a explorar espacios de posibilidades demasiado grandes para revisarlos manualmente. Puede analizar imágenes astronómicas, modelar materiales, apoyar la predicción climática o sugerir estructuras moleculares.

AlphaFold2 mostró el alcance de esa colaboración. El sistema permitió predecir estructuras de proteínas, un problema que había desafiado a la investigación durante décadas. El trabajo de Demis Hassabis y John Jumper recibió parte del Premio Nobel de Química de 2024. La Real Academia Sueca de Ciencias señaló que las predicciones alcanzaron prácticamente los 200 millones de proteínas conocidas y fueron utilizadas por investigadores de 190 países.

El logro no elimina el trabajo científico. Cambia dónde comienza. Una predicción puede reducir el espacio de búsqueda, orientar un experimento o abrir una hipótesis, pero todavía debe interpretarse, comprobarse y conectarse con conocimiento del mundo real.

En salud, la IA puede ayudar a analizar imágenes, identificar riesgos, organizar información clínica, apoyar la investigación de medicamentos o facilitar el acceso a información. También puede amplificar desigualdades si los datos no representan a todas las poblaciones o si una recomendación se presenta sin explicar sus límites.

La Organización Mundial de la Salud reconoce el potencial de la IA para enfrentar limitaciones de recursos y personal, pero insiste en que su adopción debe ser segura, ética, equitativa y acompañada por regulación.

En medicina, “el sistema lo sugirió” nunca debería convertirse en el final de una explicación. El diseño debe permitir conocer el origen de una recomendación, su nivel de confianza, sus límites y quién conserva la responsabilidad.

En desarrollo de software, la IA puede explicar funciones, proponer pruebas, detectar patrones repetidos, documentar o acelerar la creación de prototipos. También puede generar código inseguro, obsoleto o incompatible con decisiones arquitectónicas que no conoce.

La velocidad con que aparece una solución puede ocultar el costo de revisarla. Si una persona acepta código sin comprenderlo, la deuda no desaparece: cambia de lugar. Se manifiesta después como vulnerabilidad, comportamiento inesperado o dependencia de una herramienta incapaz de asumir responsabilidad por el resultado.

La capacidad más valiosa no es pedir código. Es saber evaluar qué problema se está resolviendo, reconocer cuándo una respuesta parece correcta sin serlo y mantener una visión coherente del producto.

En marketing, la IA permite analizar audiencias, adaptar mensajes, crear variaciones y automatizar partes de una campaña. Su riesgo está en confundir relevancia con vigilancia y volumen con comunicación.

Generar cien versiones de un anuncio no garantiza que alguna tenga algo importante que decir. Una estrategia todavía necesita comprender el contexto cultural, la voz de una marca y la relación que desea construir con su audiencia.

Cuando toda marca dispone de las mismas herramientas para producir más contenido, la diferencia deja de estar en la cantidad. Está en el criterio para decidir qué merece publicarse.

La IA puede producir referencias, explorar estilos, resumir investigación, sugerir estructuras o acelerar prototipos. Puede ampliar el espacio de posibilidades, especialmente en etapas tempranas.

Pero una opción visual no es todavía una solución de diseño. Un sistema puede generar una pantalla convincente sin comprender quién la utilizará, qué necesita lograr, qué información debe priorizarse o qué ocurre cuando algo falla.

El diseño comienza precisamente donde termina la generación: al establecer intención, jerarquía, contexto, comportamiento y consecuencias.

Una inteligencia artificial no llega al público como un modelo matemático. Llega como un botón, una recomendación, una respuesta escrita, una puntuación, un asistente o una función incorporada dentro de otra herramienta.

La interfaz decide cuánto poder parece tener el sistema.

Si una respuesta aparece con seguridad absoluta, la experiencia invita a confiar. Si muestra incertidumbre, fuentes y límites, invita a evaluar. Si la automatización ocurre sin avisar, el usuario pierde capacidad de decidir. Si puede revisar, corregir o rechazar una sugerencia, conserva agencia.

Por eso diseñar productos con IA implica nuevas preguntas:

• ¿La persona sabe cuándo está interactuando con un sistema automatizado?
• ¿Comprende qué información utiliza?
• ¿Puede corregir una interpretación equivocada?
• ¿Sabe cuándo la respuesta es una sugerencia y no una decisión?
• ¿Existe una salida clara hacia una persona responsable?
• ¿La experiencia funciona también para quienes tienen menos conocimiento técnico?

Estas preguntas no son detalles posteriores a la tecnología. Definen la tecnología que las personas realmente experimentan.

La conversación pública sobre IA suele oscilar entre dos extremos. En uno, la tecnología resolverá enfermedades, aumentará la productividad y democratizará la creatividad. En el otro, eliminará empleos, inundará internet de contenido falso y terminará tomando decisiones fuera de nuestro control.

Ambos relatos simplifican una realidad más incómoda: una herramienta puede ampliar capacidades y concentrar poder al mismo tiempo.

Cada gran automatización ha provocado temor sobre el trabajo. La IA generativa toca una fibra particular porque interviene en actividades que asociábamos con identidad y formación: escribir, ilustrar, programar, diagnosticar, enseñar o diseñar.

La pregunta no es solamente cuántos puestos desaparecerán. También importa cómo cambiará el valor del trabajo, qué habilidades dejarán de practicarse, quién recibirá los beneficios de la productividad y quién asumirá el costo de la transición.

La automatización puede liberar tiempo de tareas repetitivas. También puede utilizarse para exigir más producción con menos personas. La herramienta no decide entre esos futuros; lo hacen las organizaciones y las políticas que la rodean.

Texto, voz, imagen y video sintéticos reducen el costo de fabricar evidencia falsa. El problema no termina en detectar si un contenido fue generado. Cuando la falsificación se vuelve común, cualquier evidencia auténtica también puede descartarse como artificial.

El diseño de procedencia, verificación y contexto será tan importante como el diseño de generación. No bastará con producir contenido; necesitaremos saber quién lo creó, cómo fue modificado y por qué deberíamos confiar en él.

Un algoritmo puede parecer neutral porque usa números. Pero sus resultados reflejan los datos disponibles, las variables elegidas y los objetivos definidos por personas e instituciones.

Cuando estos sistemas intervienen en contratación, crédito, educación, seguridad o salud, la falta de transparencia se convierte en un problema de poder. El Foundation Model Transparency Index de Stanford encontró en 2025 un promedio de apenas 40 puntos sobre 100 entre trece compañías evaluadas y una opacidad especialmente alta sobre datos de entrenamiento, cómputo e impacto ambiental.

No podemos evaluar plenamente una decisión si desconocemos el sistema que la produjo.

La cultura popular nos enseñó a esperar una escena clara: una máquina abre los ojos, formula una pregunta imposible o se niega a obedecer. La conciencia aparece como un interruptor.

La realidad, si alguna vez llega a ese punto, podría ser mucho menos teatral. No existe actualmente una prueba aceptada que demuestre conciencia en los sistemas de IA disponibles. Tampoco existe consenso científico sobre cómo reconocerla en una entidad construida de forma distinta a un cerebro humano.

Una máquina puede describir dolor sin sentirlo, hablar de sí misma sin poseer una identidad y expresar miedo sin tener algo que perder. Nuestro lenguaje tiende a llenar esos vacíos porque estamos acostumbrados a que las palabras provengan de una experiencia interior.

La frase no es una predicción. Es una advertencia sobre nuestros instrumentos de observación. Tal vez el desafío no consista únicamente en crear conciencia, sino en reconocer qué evidencias aceptaríamos, quién tendría autoridad para decidir y qué responsabilidad surgiría ante la posibilidad de estar equivocados.

Como diseñador y desarrollador, no me interesa la IA solo por la velocidad con que genera una imagen, un texto o una interfaz. Me interesa porque modifica el proceso mediante el que convertimos una idea en una experiencia.

Una herramienta puede producir muchas opciones. No conoce por sí sola la historia de una marca, la necesidad real de un usuario, las restricciones de un sistema ni la consecuencia de una decisión. Puede imitar patrones de aquello que ya existe, pero no puede asumir la responsabilidad de decidir qué debería existir.

Trabajar con IA requiere más criterio, no menos.

Requiere formular mejores preguntas, reconocer las suposiciones ocultas en una respuesta, comprobar información, proteger datos y distinguir una exploración útil de una solución lista para llegar a otras personas. También requiere saber cuándo la herramienta aporta valor y cuándo solo añade complejidad o apariencia de innovación.

Mi trabajo no consiste en competir con la capacidad de una máquina para producir variaciones. Consiste en establecer dirección, construir sistemas coherentes y convertir posibilidades técnicas en productos comprensibles, accesibles y humanos.

Esa es la razón por la que este artículo está en mi portafolio. La inteligencia artificial ya forma parte del contexto en el que diseñamos, desarrollamos y comunicamos. Comprenderla no es perseguir una tendencia: es comprender uno de los materiales con los que estamos construyendo el presente.

Probablemente no habrá un momento único en el que “la IA” cambie el mundo. Habrá miles de decisiones pequeñas: una escuela que define cuándo puede usarse, un hospital que decide qué recomendación debe revisar una persona, un equipo que automatiza una tarea, un diseñador que elige cómo comunicar incertidumbre y una empresa que establece qué datos está dispuesta a recopilar.

En conjunto, esas decisiones determinarán si la inteligencia artificial amplía la autonomía humana o la reduce.

La historia de la IA comenzó con una fantasía: construir una máquina que pensara como nosotros. Su futuro quizá dependa de una ambición distinta: crear herramientas que nos ayuden a pensar mejor sin renunciar a la responsabilidad de hacerlo.

La IA no predice el futuro. Lo propone.

Diseñar consiste en decidir cuáles de esas propuestas merecen llegar a la vida de las personas.