La inteligencia artificial generativa vivió un auge sin precedentes desde finales de 2022, cuando ChatGPT se hizo público. Desde entonces, las expectativas se dispararon: empresas, gobiernos y ciudadanos imaginaron un futuro cercano dominado por sistemas capaces de transformar radicalmente el trabajo, la educación y la ciencia. Pero en 2025, esa burbuja de entusiasmo desmedido está comenzando a desinflarse. No porque la tecnología no funcione, sino porque muchas de las promesas hechas por sus impulsores eran, en el mejor de los casos, prematuras.
La promesa incumplida de los LLM
Los modelos de lenguaje de gran escala (LLM) fueron presentados como la puerta de entrada a una inteligencia artificial general (AGI), esa idea casi mítica de una máquina que puede hacer cualquier tarea cognitiva humana. Sin embargo, con la llegada de GPT-5, las expectativas se enfrentaron a una realidad más modesta. Pese a los anuncios de OpenAI y las insinuaciones de poder absoluto, el modelo no trajo el salto esperado. Fue un avance incremental, no una revolución.
Expertos como Ilya Sutskever, cofundador de OpenAI, ahora reconocen que los LLM, aunque impresionantes en tareas específicas, no entienden los principios que subyacen a esas tareas. Es como un estudiante que puede resolver mil ejercicios de matemáticas, pero se queda estancado ante un problema que no se parece a ninguno de los que ha practicado. Esa limitación, antes ignorada o minimizada, ahora se vuelve evidente para más usuarios y empresas.
La brecha entre expectativa y aplicación
Muchas compañías se lanzaron a probar herramientas de IA con la esperanza de reducir costos y optimizar procesos. Pero el impacto real ha sido, en muchos casos, decepcionante. Estudios del MIT y de Stanford muestran que la adopción empresarial de la IA está estancada. Muchas implementaciones se quedan en fase piloto y no llegan a escalar. La razón no es solo técnica, sino también cultural y organizativa: integrar una tecnología tan compleja requiere tiempo, adaptación y una comprensión clara de su valor.
Curiosamente, mientras los proyectos oficiales avanzan con dificultad, los trabajadores individuales están utilizando chatbots por su cuenta, sin supervisión de los departamentos de tecnología. Esta especie de «economía en la sombra» de la IA no siempre se mide ni se valora, pero demuestra que hay utilidad, aunque de forma informal y desorganizada.
La IA no reemplaza, complementa
La idea de que los agentes de IA reemplazarían a empleados de oficina no se ha concretado. Las herramientas actuales son efectivas para asistir, pero no para sustituir a expertos. Como ha señalado el investigador Andrej Karpathy, los modelos superan al promedio en muchas tareas, pero no superan a un buen profesional. Esto explica por qué, mientras los consumidores individuales encuentran valor en los chatbots para resolver dudas o realizar tareas cotidianas, las empresas no ven una disrupción masiva.
El modelo que está funcionando es el de colaboración: humanos que saben lo que hacen utilizan IA para mejorar su rendimiento. Esto puede verse en programadores que resuelven errores más rápido, abogados que redactan borradores iniciales o diseñadores que generan ideas visuales con más rapidez. Pero no hay sustitución total, ni parece que la haya a corto plazo.
¿Estamos en una burbuja?
La duda sobre una posible burbuja tecnológica está sobre la mesa. Pero no todas las burbujas son iguales. Si se trata de una burbuja estilo «puntocom», podría dejar infraestructura y algunas empresas ganadoras tras el estallido. Si es como la crisis hipotecaria de 2008, podría haber pérdidas sin ningún legado.
Por ahora, el problema más visible es que no hay un modelo de negocio claro para los LLM. Se han invertido sumas enormes en centros de datos y entrenamientos, pero los ingresos concretos son escasos. Empresas como Nvidia, OpenAI o Microsoft participan en acuerdos circulares que sostienen el ecosistema, pero el público general aún no está pagando lo suficiente para justificar esas inversiones.
A pesar de eso, algunos modelos han encontrado su nicho. Un ejemplo es Synthesia, que crea avatares corporativos para videos. Lo que parecía una aplicación menor, hoy tiene miles de clientes y millones en ingresos. Esto demuestra que incluso las ideas que parecen superficiales pueden encontrar un mercado si resuelven una necesidad concreta.
ChatGPT no fue el inicio
Aunque para muchos ChatGPT marcó el comienzo de la era moderna de la IA, en realidad fue la culminación de décadas de investigación. Los avances en deep learning llevan gestándose desde los años 80, y lo que ahora parece nuevo es solo la parte visible de un iceberg mucho más profundo. Hoy, los congresos científicos están desbordados por nuevas investigaciones, y el volumen de trabajos presentados es tan grande que muchos quedan fuera por falta de espacio, no por falta de calidad.
Es un momento de transición: se está volviendo a poner el foco en la investigación básica. Como dijo Sutskever, está comenzando una nueva etapa. El entusiasmo comercial se está equilibrando con una mirada más crítica y rigurosa, algo que puede beneficiar a largo plazo a la tecnología y a sus usuarios.
Reajustar para avanzar
La «corrección del hype» es saludable. Permite dejar atrás la fascinación ingenua y comenzar una etapa de madurez. Entender la IA como una herramienta con capacidades reales, limitaciones claras y un potencial enorme si se usa bien. No se trata de abandonar la esperanza, sino de fundarla en la experiencia y el conocimiento.
Como toda tecnología emergente, la inteligencia artificial avanza en ciclos de entusiasmo y desilusión. Hoy, estamos en una fase de ajuste, y eso es positivo. El verdadero impacto llegará cuando dejemos de buscar milagros y empecemos a construir soluciones concretas.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí