Razonamiento en la Era de la Inteligencia Artificial

Visiones simultáneas, de Umberto Boccioni

Últimamente, escucho a menudo a personas preguntarse: “¿La inteligencia artificial reemplazará mi trabajo?” Quizás tú también lo hayas pensado. Más allá de una simple cuestión del mercado laboral o de las expectativas salariales, esta pregunta pone en tela de juicio nuestro papel en la sociedad y nuestra capacidad para seguir siendo relevantes con el paso del tiempo.

Vale la pena abordar esta duda de una vez por todas, especialmente porque es una preocupación compartida. Por eso he escrito este breve ensayo: espero que mis reflexiones ayuden a las personas a reconocer las muchas oportunidades que nos ofrece el futuro.

Juntos, a través de cuatro secciones, exploraremos lo siguiente:

Una visión teórica de las capacidades y limitaciones de la Inteligencia Artificial.
Un análisis práctico de sus aplicaciones reales y fronteras.
Conclusiones y reflexiones personales que podemos extraer de estos escenarios.
Sugerencias clave sobre cómo sacar el mejor provecho de la Inteligencia Artificial (IA).

En este artículo

Parte 1 – Una premisa teórica

Ya en 2019, algunos reconocían la existencia de una “larga historia de fracasos al intentar lograr una inteligencia general en la Inteligencia Artificial” [1][1], un desafío que sigue sin resolverse. Esto se debe principalmente a la naturaleza escurridiza de la definición de inteligencia, así como al concepto de razonamiento.

Sobre este tema, Yu y otros observaron: “aunque el razonamiento ha recibido cada vez más atención […], aún falta una definición clara de lo que es el razonamiento” [3].

Tras 2023, entramos en la era “Post-ChatGPT” era [2][2]. Pero, ¿realmente nos ha dado esto una idea más clara de qué es la inteligencia?

Se podría definir la inteligencia como “el cumplimiento de objetivos” [1], while reasoning might be described as “usar la evidencia y la lógica para llegar a conclusiones” [3].

Aunque estas definiciones no son perfectas, nos permiten abarcar una amplia gama de procesos cognitivos y ofrecen un punto de partida para comprender mejor la IA y sus límites.

Analicemos tres tipos de razonamiento:

Razonamiento inductivo: utiliza observaciones para apoyar una generalización o predicción. Sus conclusiones pueden revisarse cuando aparecen nuevas evidencias.
Razonamiento deductivo: obtiene una conclusión que debe seguirse de las premisas si la inferencia es válida. Un argumento sólido también necesita premisas verdaderas.
Razonamiento abductivo: propone o selecciona una explicación para lo observado. Incluso la mejor explicación plausible puede ser incorrecta.

Si bien los humanos pueden usar los tres tipos, los intentos de entrenar modelos de lenguaje muestran que estos sistemas “todavía dependen en gran medida del esfuerzo humano” [4] para llegar a conclusiones similares al razonamiento humano.

Generalizar a partir de observaciones para hacer predicciones se relaciona con la inducción, no con la definición de deducción. La deducción trata de si una conclusión se sigue de las premisas formuladas. Estas distinciones importan al evaluar lo que un modelo ha demostrado; consulta la discusión conceptual de la fuente [12].

Podríamos hipotetizar que, en el futuro, se lograrán avances significativos al combinar la IA con la computación cuántica [6]. [6].

Esta combinación, o “computación cuántica híbrida” [7], que integra la computación cuántica con algoritmos clásicos [7], podría representar la evolución de las futuras arquitecturas computacionales.

Sin embargo, los expertos son cautelosos con los plazos del desarrollo cuántico, especialmente en sectores críticos como la ciberseguridad [9]. [9]. En general podemos decir que “a pesar del progreso, varios desafíos clave siguen dificultando su adopción masiva”.

La discusión sobre computación cuántica es aquí una hipótesis sobre herramientas futuras, no una prueba de que resolverá las limitaciones de razonamiento o sentido común. Esa afirmación necesitaría una tarea definida y resultados comparativos.

Los resultados de un modelo o prueba concretos deben indicar la tarea, versión y método de evaluación. Acertar o fallar en una tarea no demuestra una capacidad o incapacidad general para cualquier otra forma de razonamiento.

La psicología y la filosofía pueden ayudar a aclarar los conceptos utilizados en estas evaluaciones. Invitan a examinar los supuestos de una prueba, pero no demuestran que una sola línea de investigación sea la única vía para una IA útil.

Estos elementos, junto al creciente debate sobre si la inteligencia puede reducirse a una sola capacidad, desafían las definiciones tradicionales del concepto [11]. [11].

Podemos concluir que, para crear una máquina capaz de pensar como un ser humano, primero debemos superar obstáculos técnicos y culturales. El verdadero reto no está solo en traducir el razonamiento humano a un proceso replicable, sino en entender cómo razonamos nosotros mismos.

Parte 2 – Una explicación práctica

En la sección anterior, describimos algunos tipos de razonamiento, pero podrían añadirse otros a la lista, como el pensamiento lateral [11] y otras formas de procesamiento cognitivo [12]. [12].

Volviendo a las definiciones de inteligencia como “el cumplimiento de objetivos” [1] y de razonamiento como “el uso de evidencia y lógica para llegar a conclusiones” [3], emergen inmediatamente dos áreas que aún no han sido abordadas:

Actividades inteligentes que no están orientadas a objetivos, como la creatividad pura o la reflexión sin un propósito específico.
Actividades de razonamiento basadas en el sentido común, que no dependen únicamente de la evidencia formal, sino de la intuición y el "“conocimiento implícito del sentido común” [3].

Estos aspectos presentan desafíos adicionales para construir una Inteligencia Artificial que se acerque verdaderamente al pensamiento humano.

Consideremos este experimento mental sobre preferencias, objetivos y restricciones prácticas. Las respuestas propuestas son ilustraciones, no una evaluación controlada de modelos ni una demostración formal de tres mecanismos de razonamiento distintos.

“Me encanta Milán cuando llueve y las calles están mojadas. Incluso ahora, en verano, me gustaría experimentar esa sensación. ¿Qué debería hacer?”

Observación: consultar el tiempo y planificar una visita cuando las condiciones encajen con la experiencia deseada.
Predicción inductiva: las observaciones meteorológicas anteriores permiten una expectativa provisional, pero no garantizan lluvia en una fecha concreta.
Inferencia inválida: disfrutar de Milán cuando llueve no implica ser incapaz de disfrutarlo cuando está seco. Mojar las calles no es una consecuencia lógica obligatoria de esa preferencia.

El ejemplo muestra por qué conviene separar los supuestos, acciones viables y resultados deseados. No identifica el proceso interno de razonamiento de un modelo de lenguaje.

Las posibles respuestas siguientes son sugerencias hipotéticas, no una comparación registrada entre versiones concretas de modelos:

Visitar zonas con fuentes de agua.
Limpiar las calles temprano por la mañana para simular la humedad.
Crear una atmósfera personal, quizá con iluminación y sonidos apropiados.
Ir a un lugar con alta humedad.
Escuchar sonidos de lluvia a través de grabaciones.

La IA, por tanto, sugeriría soluciones creativas que, si bien no se basan estrictamente en la lógica tradicional, adoptan un enfoque más flexible y práctico para satisfacer el deseo de una experiencia sensorial.

Una acción propuesta no es una deducción válida solo por expresarse en una secuencia de pasos. Comprueba si la conclusión se sigue de las premisas y si se explicitan los supuestos adicionales.

Un contexto y restricciones más claros ayudan a evaluar la utilidad de una respuesta. Una contestación más realista no demuestra por sí sola razonamiento humano ni revela qué mecanismo de inferencia la produjo.

La validez deductiva depende de la forma de la inferencia. Para obtener una conclusión verdadera de un argumento válido, sus premisas también deben ser verdaderas. Una respuesta fluida de IA puede contener premisas sin respaldo o una inferencia inválida: hay que comprobar ambas.

Algunos sistemas conectan modelos de lenguaje con herramientas o datos externos. Su acceso y rendimiento dependen del despliegue y los permisos. Las afirmaciones sobre razonamiento e interacción con el mundo necesitan un sistema, tarea y fecha concretos, no una declaración universal sobre todos los LLM.

Con un toque de ironía, mudarse a Londres podría ser otra sugerencia sobre la experiencia deseada. No es la única respuesta lógica o de sentido común: siguen importando las preferencias, costes y restricciones prácticas.

Leer también Automatización de la ciberseguridad con IA: dónde ayuda y dónde falla

Mientras la IA entrena para entender mejor nuestras necesidades, nosotros también podríamos entrenarnos para reconocer el desapego de la realidad que a menudo caracteriza las respuestas generadas por IA, aprendiendo a encontrar algo auténtico dentro de ese desapego.

Parte 3 – Mi conclusión

El experimento mental anterior ilustra la necesidad de aclarar el objetivo y revisar los supuestos de una respuesta. No demuestra las capacidades cognitivas generales de los sistemas de IA. Comparar modelos reales requeriría una evaluación reproducible; las reflexiones siguientes siguen siendo un ensayo sobre nuestra relación con estas herramientas.

Además, señalamos que existen distintos tipos de inteligencia. Arjonilla y Kobayashi afirman que la evolución es un proceso de azar y selección, tanto inteligente como simple: “esta simplicidad se explica en gran parte por la falta de modelos, lo cual no impide que la evolución alcance metas complejas” [1].

También sabemos que la ausencia de modelos estrictos y la ineficiencia no han impedido que la vida evolucione ni que afronte la escasez de recursos; al contrario, estos factores han contribuido a su desarrollo.

Por lo tanto, podemos plantear la hipótesis de que el desarrollo de la inteligencia artificial y el de nuestra especie siguen caminos distintos: por un lado, nosotros buscamos definir y profundizar nuestra comprensión de la inteligencia explorando sus diversas facetas; por otro, el desarrollo de la IA, tal como lo hemos estructurado, tiende a optimizar solo aquellos subconjuntos de inteligencia que hemos logrado definir y comprender.

Siempre existirá una brecha entre nuestra inteligencia y una versión más eficiente de la misma. Para reducir esa brecha, tendremos que seguir evolucionando, aumentando la cantidad de inteligencia y razonamiento que podemos volver eficiente — entrando así en un ciclo que probablemente será infinito y paradójico.

Tal vez algún día la IA nos ayude, o incluso nos sustituya, en todas aquellas tareas que actualmente son repetitivas y predecibles. El objetivo será darnos más tiempo para potenciar los aspectos menos evidentes del trabajo que realizamos.

En el futuro, nuestros trabajos serán tan complejos que la IA, tal como la conocemos hoy, será simplemente una herramienta dentro de un sistema más amplio y sofisticado.

Entonces, volviendo a la pregunta inicial: ¿reemplazará la IA nuestros trabajos?

No podemos saber si, en el futuro, utilizaremos varios algoritmos juntos, del mismo modo que hoy usamos diferentes herramientas para tareas distintas. Sin embargo, en mi opinión, ver este proceso de delegar tareas repetitivas a las máquinas como una amenaza a nuestro lugar en el mundo a menudo proviene de nuestra tendencia a imaginar escenarios dramáticos y apocalípticos en los que se hará justicia definitiva sobre la humanidad [13]. [13].

Así como la IA comete errores al aplicar estrategias de razonamiento demasiado simplistas a realidades complejas, nosotros también caemos a menudo en nuestras propias falacias lógicas.

Por ejemplo:

“Si desarrollamos la IA, automatizará cada vez más trabajos; si automatiza más trabajos, controlará todos los sectores. Si controla todos los sectores, los humanos dependerán de ella. Por lo tanto, la IA nos reemplazará.” → Esta es una falacia de pendiente resbaladiza, donde se asume que un paso lleva inevitablemente al siguiente sin considerar otras posibilidades.
“Si la IA reemplazará a la humanidad, veremos que toma más y más trabajos. La IA ya está tomando más trabajos. Por lo tanto, la IA reemplazará a la humanidad.” → Esta es una falacia de afirmación del consecuente, donde se asume que una parte de la proposición prueba la otra, llevando a una conclusión incorrecta.

Nuestra tendencia a aceptar estas y otras falacias lógicas no solo nos aleja de comprender verdaderamente los fenómenos tecnológicos, sino que también retrasa el progreso tecnológico y social.

Quizá este sea el aspecto más profundo que debemos intentar comprender, y está estrechamente ligado a lo que llamamos sentido común: nuestra capacidad para convivir con contradicciones —una inteligencia por derecho propio. sentido común: nuestra capacidad para convivir con las contradicciones —una inteligencia por derecho propio.

No dar esta capacidad por sentada nos hace más empáticos, favoreciendo un entorno más saludable para nosotros mismos y quienes nos rodean.

A menudo, lo que consideramos un defecto en pequeñas cosas —como el impulso de actuar contra el sentido común para demostrar que podemos desafiar una verdad establecida— es en realidad una demostración de cómo podemos ir más allá de los límites del pensamiento computacional, aplicando inteligencia y razonamiento de forma compleja y no lineal.

Este tipo de pensamiento nos anima a reflexionar sobre quienes nos rodean de forma más positiva, permitiéndonos apreciar aspectos de su personalidad que, desde una perspectiva de eficiencia puramente social, podrían ser desalentados.

De algún modo, podríamos decir que hoy estamos más orientados por un propósito que nunca antes. Ahora que hemos comenzado a mapear partes de nuestra inteligencia, tendremos más tiempo para cuestionarnos qué más nos hace humanos —y eso es una idea esperanzadora.

Parte 4 – Consejos para sacar el máximo provecho de la IA

Ahora que hemos explorado la relación entre la inteligencia artificial y nuestra humanidad, ¿por qué no practicar cómo integrarla en nuestra vida cotidiana?

Para quienes utilizan asistentes de IA, estas cuatro prácticas ayudan a estructurar una tarea y revisar la respuesta. Complementan la verificación y las precauciones sobre datos; una explicación generada no demuestra que la respuesta sea correcta.

Busca ideas, no soluciones: Un lienzo en blanco con algo de guía no necesariamente limita la creatividad de un artista; de hecho, puede ayudarle a construir una base sólida para su diseño. De forma similar, la IA puede proporcionarte sugerencias e ideas útiles que luego puedes desarrollar y perfeccionar mediante tu propio pensamiento crítico.
Proporciona contexto y segmenta bien las conversaciones: No tienes que reinventar la rueda cada vez, ni para ti ni para la IA. Algunas soluciones y enfoques ya se sabe que son más eficaces que otros. Si proporcionas el contexto adecuado y diriges la conversación hacia temas específicos, obtendrás respuestas más precisas y útiles.
Indícale a la IA qué marco de decisión o referencia debe seguir: Hay infinitas líneas que pueden pasar por un solo punto, pero solo una que conecte dos. Si ya comprendes el problema, ¿por qué no aclarar también el objetivo? Al definir tanto el punto de partida como el de llegada, ayudas a la IA a trazar la línea recta entre ambos, facilitando encontrar la mejor solución.
Pídele a la IA que explique y justifique su razonamiento: Las sugerencias anteriores pueden ayudarte a obtener una respuesta teóricamente óptima pero en la práctica, puede haber lagunas respecto a la realidad. Es útil pedirle a la IA que justifique sus elecciones, para así poder identificar posibles puntos ciegos y determinar si la solución propuesta cumple con tus criterios de aceptabilidad.

Al aplicar estas estrategias, podemos tratar a la IA como una herramienta que enriquece nuestro pensamiento y nos ayuda a alcanzar mejores resultados, todo ello mientras mantenemos sus limitaciones y sesgos bajo control.

Autor: Alessandro Mirani