Hace más de siete décadas, Alan Turing publicó un artículo que sentó las bases de la inteligencia artificial. Su pregunta era tan elegante como provocadora: ¿puede una máquina pensar? Para responderla, propuso un juego de imitación: si un evaluador no puede distinguir entre las respuestas de una máquina y las de un humano, entonces la máquina puede considerarse inteligente. Esa suposición, tan simple como poderosa, ha guiado a generaciones de investigadores y ha alimentado la promesa de una inteligencia artificial general (AGI) que algún día iguale o supere nuestras capacidades. Pero un nuevo libro de Peter J. Denning, profesor del Naval Postgraduate School, sugiere que esa premisa fundacional podría estar equivocada.
Denning argumenta que los aspectos más profundos de la inteligencia humana —el sentido común, la intuición, la cultura, el saber práctico— no pueden ser codificados en algoritmos, por más grandes que sean los modelos de lenguaje. No es un problema de escala, sino de esencia: la cognición humana no es un conjunto de reglas formales que puedan ser capturadas en un programa. La implicación es radical: la verdadera inteligencia artificial humana, esa que puede razonar como nosotros, que entiende contextos implícitos y que actúa con sabiduría, es un espejismo.
La falacia de la codificación total
La idea de que cualquier aspecto de la mente puede ser reducido a un algoritmo tiene raíces profundas en la ciencia de la computación. Desde Turing, hemos asumido que el pensamiento es una forma de cálculo. Pero la experiencia nos muestra una y otra vez que los sistemas más avanzados, como los modelos de lenguaje actuales, son prodigiosos en la imitación pero frágiles en la comprensión real. Pueden generar párrafos coherentes, pero se equivocan en problemas de lógica básica; pueden simular empatía, pero no sienten; pueden procesar datos culturales, pero carecen de contexto vivido. Denning sostiene que esto no es una fase transitoria: es una limitación fundamental.
Para los ejecutivos latinoamericanos que están diseñando estrategias de IA, esta distinción no es académica. Si la AGI es imposible, entonces el camino correcto no es perseguir un sustituto de la inteligencia humana, sino construir sistemas que se especialicen en tareas concretas, que complementen nuestras habilidades en lugar de reemplazarlas. Eso cambia la forma de evaluar inversiones, de medir riesgos y de planificar la adopción tecnológica.
Repercusiones para la regulación y la inversión
Si aceptamos que la IA nunca será humana, entonces el debate regulatorio adquiere un nuevo matiz. No tiene sentido regular a la inteligencia artificial como si fuera un ente con conciencia o derechos. El foco debe estar en la transparencia de los algoritmos, la calidad de los datos, la rendición de cuentas de las empresas que los despliegan y la protección de los usuarios. En lugar de una ley general de IA, necesitamos normas específicas para cada uso: diagnóstico médico, selección de personal, sistemas de crédito. La Comisión Europea ya ha dado pasos en esa dirección, pero América Latina aún está en una fase de asimilación.
En el plano de la inversión, la postura de Denning sugiere moderación. Las valuaciones astronómicas de startups de AGI podrían estar infladas por una expectativa irreal. Los inversores inteligentes no deberían apostar por la inteligencia general, sino por aplicaciones verticales que resuelvan problemas reales: automatización de procesos, análisis de datos, asistencia en decisiones. La rentabilidad no está en la utopía, sino en la utilidad concreta.
Un cambio de marco: de la obsesión por la humanidad a la colaboración
La verdadera pregunta no es si las máquinas pueden ser humanas, sino qué podemos hacer juntos que ninguno pueda hacer solo. La IA puede procesar millones de documentos en segundos; un humano puede interpretar la ironía, el contexto histórico o la emoción de un cliente. La combinación es poderosa. Las empresas que entiendan esto diseñarán flujos de trabajo híbridos, donde la máquina haga lo que hace bien y el humano aporte lo que solo él puede.
Esta visión también tiene implicaciones para la educación y la capacitación del talento. En lugar de formar programadores que imiten a las máquinas, debemos formar profesionales que sepan orquestar equipos humano-máquina, que entiendan los límites de los algoritmos y que puedan tomar decisiones cuando el modelo falla. La ventaja competitiva no estará en tener el mejor algoritmo, sino en tener el mejor juicio humano para usarlo.
El error de Turing no es un fracaso, es una liberación. Nos libera de la tiranía de la comparación, de la obsesión por la imitación, de la búsqueda de un espejo que nunca será. Nos permite mirar a la inteligencia artificial no como una amenaza existencial, sino como una herramienta extraordinaria, limitada y poderosa a la vez. La pregunta ahora no es si las máquinas pueden pensar, sino si nosotros, como sociedad, podemos pensar con claridad suficiente para integrarlas sin perder de vista lo que nos hace humanos.
