Nando Muñoz

BlogCódigo y gestión

¿Hay alguien dentro? Introducción a la inteligencia artificial para todos

En 1770 una máquina ganaba al ajedrez con un hombre dentro. De dónde viene la IA, qué hay dentro, por qué se equivoca y qué hace con lo que le cuentas.

Grabado antiguo y coloreado del Turco mecánico: un autómata con turbante y abrigo de pieles, sentado ante un tablero de ajedrez, con las puertas del mueble abiertas que enseñan engranajes y palancas
Joseph Friedrich zu Racknitz, ilustración de «El Turco» (1789). Dominio público.

Viena, 1770. En el palacio de Schönbrunn, delante de la emperatriz María Teresa, un funcionario de la corte llamado Wolfgang von Kempelen abre las puertas de un armario de madera. Dentro se ven ruedas, engranajes, palancas. Sentado detrás del armario hay un muñeco de tamaño natural vestido de turco, con turbante y una pipa larga en la mano, mirando un tablero de ajedrez. Kempelen cierra las puertas, da cuerda al mecanismo con una llave y el muñeco empieza a mover las piezas.

Y gana.

Ganará durante décadas, con distintos dueños, por media Europa y por América. Según las crónicas, se sentaron frente a él Napoleón y Benjamin Franklin. Y todo ese tiempo había un hombre dentro: un buen jugador de ajedrez, metido en un asiento corredizo que lo escondía cuando se abrían las puertas, que seguía las jugadas gracias a unos imanes bajo el tablero y movía el brazo del muñeco con un sistema de palancas.

Lo asombroso del Turco no es el truco. Es la cantidad de gente que prefirió creérselo.

Más de doscientos cincuenta años después le escribes una pregunta a ChatGPT, te contesta en un español impecable, y la duda es la misma que en Schönbrunn: ¿hay alguien ahí dentro? Este artículo es la respuesta larga. La corta, para que no te quedes con la intriga: no hay ningún señor escondido. Hay muchísimos más.

Casi tres mil años intentando fabricar a alguien

Desde finales de 2022, para mucha gente la inteligencia artificial es ChatGPT. Es comprensible: fue la herramienta que la sacó de los laboratorios y la puso en cualquier móvil. Pero la idea de fabricar una mente es muy anterior a esa fecha, y a los ordenadores. Esta cronología recoge algunos de los hitos que han llevado hasta aquí:

  1. Siglo VIII a. C.

    Las sirvientas de Hefesto

    En la Ilíada, Homero cuenta que Hefesto, el dios herrero, se había fabricado sirvientas de oro que se movían y hablaban solas. La idea es más vieja que la técnica.

  2. Siglo IV a. C.

    El silogismo

    Aristóteles describe el silogismo, que siglos después los manuales resumirían así: «Todos los hombres son mortales; Sócrates es hombre; luego Sócrates es mortal». Por primera vez, que un razonamiento valga depende de su forma, no de lo que diga.

  3. Siglo I

    Los teatros de Herón

    Herón de Alejandría describe en su tratado Autómata teatros mecánicos movidos por pesos, cuerdas y arena que cae: los movimientos quedan escritos antes de que ocurran, una forma muy antigua de programar.

  4. Los ingenios de Al-Jazari

    El ingeniero Al-Jazari termina su Libro del conocimiento de ingeniosos dispositivos mecánicos, con cincuenta máquinas; entre ellas, una barca con cuatro músicos autómatas que amenizaba las fiestas de palacio.

  5. Hacia 1305

    Las ruedas de Llull

    El mallorquín Ramon Llull diseña unas ruedas concéntricas con conceptos escritos que, al girar, combinan ideas: un intento de mecanizar el razonamiento.

  6. 1673-1694

    La calculadora de Leibniz

    Leibniz construye una calculadora mecánica y sueña con un lenguaje en el que las discusiones se resuelvan haciendo cuentas. Su lema: Calculemus!, «¡calculemos!».

  7. 1738-1739

    El pato de Vaucanson

    Jacques de Vaucanson presenta en París un flautista que toca doce melodías y, al año siguiente, su pato: bate las alas, come grano, lo «digiere» y lo expulsa. La digestión era un truco: lo que salía por detrás ya estaba preparado dentro.

  8. 1768-1774

    «El escritor»

    Pierre Jaquet-Droz construye «El escritor», un niño autómata que moja la pluma y escribe cualquier texto de hasta cuarenta caracteres, elegido en una rueda: una máquina que se puede programar. Todavía funciona, en Neuchâtel (Suiza).

  9. El Turco

    El Turco de Kempelen, con su jugador escondido. Más de dos siglos después, Amazon llamó Mechanical Turk a un servicio en el que personas hacen, por encargo, tareas que parecen hechas por una máquina. El chiste no era casual. Guárdatelo, que vuelve.

  10. El primer programa

    Ada Lovelace publica sus notas sobre la máquina analítica de Babbage, con lo que hoy se considera el primer programa, y una advertencia: la máquina «no tiene ninguna pretensión de originar nada». Turing la llamará «la objeción de Lady Lovelace».

  11. Las leyes del pensamiento

    George Boole demuestra en Las leyes del pensamiento que el razonamiento se puede escribir como álgebra, con verdadero y falso en lugar de números.

  12. 1888-1906

    Las neuronas de Cajal

    Santiago Ramón y Cajal, mirando por el microscopio y dibujando lo que veía, demuestra que el cerebro es un conjunto de células independientes que se comunican: las neuronas. Nobel de Medicina en 1906.

  13. Lógica con cables

    Claude Shannon prueba en su tesis de máster que los circuitos con interruptores pueden hacer ese álgebra. La lógica ya se puede construir con cables.

  14. La neurona como interruptor

    Warren McCulloch y Walter Pitts describen una neurona como un interruptor lógico que se activa o no según lo que recibe: el cerebro, visto como una máquina de Boole.

  15. 1946-1953

    Las conferencias Macy

    Las conferencias Macy sientan en Nueva York a matemáticos, neurólogos, antropólogos y psicólogos a hablar de lo mismo con palabras distintas.

  16. Cibernética

    Norbert Wiener publica Cibernética, con una idea central, la realimentación: un sistema que mide lo que hace y se corrige, como un termostato o como tu mano cuando busca un vaso.

  17. 1948-1949

    Las tortugas de Grey Walter

    William Grey Walter construye en Bristol dos tortugas robot, Elmer y Elsie, que buscan la luz, esquivan obstáculos y vuelven solas a cargarse. Con casi nada, parecen tener voluntad.

  18. La regla de Hebb

    Donald Hebb propone una regla sencilla: cuando dos neuronas se activan a la vez, la conexión entre ellas se refuerza. Es la versión precisa, neurona a neurona, de una vieja idea sobre cómo aprende un cerebro, y la que heredarán las redes neuronales.

  19. El test de Turing

    Alan Turing publica «Computing Machinery and Intelligence». En vez de discutir si una máquina «piensa», propone un juego: si por escrito no la distingues de una persona, ¿qué más da? Es el test de Turing, la pregunta de Schönbrunn hecha método. Y sugiere no programar una mente adulta, sino una «máquina niño» que se pueda educar.

  20. Dartmouth pone nombre a la IA

    Un grupo de investigadores se reúne en el Dartmouth College para fundar una disciplina, artificial intelligence, nombre que John McCarthy había propuesto el año anterior en la convocatoria. Allí Newell y Simon enseñan el Logic Theorist, escrito con Cliff Shaw: un programa que demuestra teoremas por sí solo.

  21. 1957-1958

    El perceptrón

    Frank Rosenblatt simula en un IBM 704 el perceptrón, la primera neurona artificial que aprende de ejemplos. The New York Times cuenta que la Marina espera de él «el embrión de un ordenador capaz de andar, hablar, ver, escribir, reproducirse y ser consciente de su existencia».

  22. Una máquina que aprende a jugar

    Arthur Samuel publica un programa que aprende a jugar a las damas jugando contra sí mismo. El título de su artículo populariza la expresión machine learning, «aprendizaje automático».

  23. Las redes, en duda

    Minsky y Papert demuestran en Perceptrons que esas redes de una sola capa no pueden aprender cosas muy básicas. El dinero para las redes neuronales se va a otra parte.

  24. 1974-1980

    El primer invierno

    El informe Lighthill (Reino Unido, 1973) y los recortes en Estados Unidos dejan a toda la IA sin dinero: llega el primer «invierno de la IA».

  25. La retropropagación

    Rumelhart, Hinton y Williams popularizan la retropropagación, una forma de corregir redes de muchas capas repartiendo cada error entre las conexiones que lo causaron. Es el deshielo.

  26. AlexNet

    AlexNet gana por goleada un concurso de reconocimiento de imágenes con muchas capas, más de un millón de fotos y tarjetas gráficas de videojuegos haciendo las cuentas. Se impone un nombre: deep learning, aprendizaje profundo.

  27. El transformer

    Un equipo de Google presenta el transformer, una forma de que la máquina aprenda qué palabras importan para entender cada una de las demás. Es la T de GPT.

  28. ChatGPT

    OpenAI abre ChatGPT al público. No cambia la técnica, que ya existía: cambia que cualquiera puede hablar con ella desde el navegador.

  29. El Nobel de las redes neuronales

    La Real Academia Sueca de Ciencias da el Nobel de Física a John Hopfield y Geoffrey Hinton por hacer posible el aprendizaje automático con redes neuronales. Más de ochenta años después de McCulloch y Pitts.

En esa lista se cruzan cuatro caminos: imitar el cuerpo, imitar el razonamiento, imitar el cerebro y, por último, dejar que la máquina aprenda sola. Casi todo lo que hoy llamamos inteligencia artificial va por el cuarto, y de la neurociencia heredó sus dos piezas: la neurona como ladrillo y el aprendizaje como ajuste de conexiones.

¿Qué hay dentro?

Programas que aprenden de ejemplos, en lugar de seguir instrucciones escritas una a una por una persona. Fíjate en lo que no digo: nada de pensar ni de entender. Aprenden en una red neuronal, una malla de neuronas artificiales en la que cada neurona es un pequeño interruptor que recibe números y pasa otros a las siguientes. Cada conexión tiene un valor, el peso, que mide cuánto influye. Aprender es mover esos pesos un poco cada vez hasta acertar, con las reglas que ya aparecieron en la cronología: la de Hebb, la corrección del error del perceptrón y la retropropagación. Los modelos más grandes tienen billones de pesos, y nadie los ha colocado a mano.

La lección puede ser una foto marcada como «gato» o un premio por ganar una partida, como en el programa de damas de Samuel. En un modelo de lenguaje viene del propio texto: se tapa la palabra siguiente de una frase y se le pide que la adivine. Como el texto ya trae la solución, nadie tiene que etiquetar nada, y por eso pudo entrenarse con una parte enorme de lo que hay escrito en internet.

Lo que queda al terminar se llama modelo: una receta que la máquina ha escrito sola después de probar millones de platos, que funciona pero que nadie, ni quienes la entrenaron, puede leer línea a línea. Si se entrenó con texto y es muy grande, es un LLM, siglas en inglés de modelo de lenguaje de gran tamaño. ChatGPT, Claude y Gemini son LLM con una ventana de chat delante.

Lo único que sabe hacer un LLM es adivinar qué viene después de un texto. Es lo que hace el teclado del móvil cuando escribes «buenos» y propone «días», pero habiendo leído una biblioteca entera y teniendo en cuenta toda la conversación. Adivina un trozo, lo añade y vuelve a empezar; trozo a trozo sale un párrafo.

Digo trozo porque el modelo no lee palabras, sino tokens: fragmentos que a veces son una palabra entera, a veces media y a veces un signo de puntuación. Parece un detalle de ingeniería, pero explica tres cosas que cualquier usuario nota: que las empresas cobran por tokens; que cada modelo solo puede manejar un número limitado a la vez, y por eso en las conversaciones largas olvida el principio; y que le cueste contar las letras de una palabra. No ve letras, ve trozos.

Con esto se puede volver a la pregunta de Schönbrunn. Dentro del modelo no hay nadie, pero sí está todo lo que hemos escrito las personas: libros, artículos, foros, discusiones. Y antes de abrirlo al público, OpenAI recurrió a personas que escribieron conversaciones de ejemplo y puntuaron qué respuestas eran mejores, para enseñarle modales. Quien contesta no es un señor escondido. Es un promedio de muchísima gente, y eso explica lo bueno y, como veremos, lo malo.

Ese promedio se ha rehecho en los últimos años a una velocidad difícil de seguir. No hace falta memorizar los nombres; basta con fijarse en el ritmo:

  1. GPT-1

    El primer experimento: un transformer entrenado solo para adivinar la palabra siguiente aprende algo de lenguaje por el camino.

    OpenAI

  2. BERT

    No es un chat: es un modelo para entender texto, que Google publica en abierto y al año siguiente mete en su buscador.

    Google

  3. GPT-2

    Escribía textos tan creíbles que OpenAI tardó meses en publicarlo entero, por miedo a las noticias falsas.

    OpenAI

  4. GPT-3

    Más de cien veces más grande que el anterior: con un par de ejemplos aprende tareas nuevas. Solo con el tamaño.

    OpenAI

  5. ChatGPT

    GPT-3.5 con una ventana de chat y modales. En cinco días tiene un millón de usuarios: es el día en que todo esto llega a tu familia.

    OpenAI

  6. LLaMA

    Meta lo comparte con investigadores, sus pesos acaban circulando por internet y despega la IA abierta.

    Meta

  7. GPT-4

    Entiende imágenes y, en una simulación, aprueba el examen de acceso a la abogacía de Estados Unidos.

    OpenAI

  8. Claude

    El mismo día nace el asistente de Anthropic, una empresa fundada para hacer la IA más segura.

    Anthropic

  9. Claude, cien mil tokens

    Su memoria llega a cien mil tokens, unas 75 000 palabras: por primera vez se le puede pegar un libro entero y preguntarle por él.

    Anthropic

  10. Llama 2

    Gratis incluso para uso comercial: cualquier empresa puede montar su propio asistente sin pagar licencias.

    Meta

  11. Gemini

    Nace entendiendo a la vez texto, imagen, audio y vídeo. En febrero de 2024, Bard, el chat de Google, pasa a llamarse igual.

    Google

  12. Mixtral 8x7B

    Europa entra en la carrera: una empresa francesa publica en abierto un modelo que reparte el trabajo entre «expertos» internos.

    Mistral AI

  13. Claude 3

    Tres tamaños, del rápido y barato al potente, para que cada uno pague solo lo que necesita.

    Anthropic

  14. Llama 3

    El modelo abierto más capaz de su momento, y la base del asistente de Meta en WhatsApp e Instagram.

    Meta

  15. GPT-4o

    Ve, oye y habla en tiempo real, con una voz que se deja interrumpir y se ríe.

    OpenAI

  16. Claude 3.5 Sonnet

    Más listo que el Claude más caro, al doble de velocidad y por la quinta parte del precio. Se vuelve el favorito para programar.

    Anthropic

  17. o1

    El primer modelo que «razona» antes de contestar, y que mejora mucho en matemáticas y ciencia.

    OpenAI

  18. DeepSeek-R1

    Una empresa china poco conocida iguala a o1 con mucho menos dinero y lo publica gratis. Una semana después, Nvidia pierde en bolsa cerca de 600 000 millones de dólares en un día.

    DeepSeek

  19. Claude 3.7 Sonnet

    Tú eliges si contesta al momento o se lo piensa. Con él llega Claude Code, para programar desde el terminal.

    Anthropic

  20. GPT-4.5

    El modelo más grande de OpenAI hasta entonces, más natural al conversar, pero caro: enseña los límites de solo crecer.

    OpenAI

  21. Gemini 2.5 Pro

    Google se pone en cabeza con un modelo que razona antes de contestar y lee documentos larguísimos.

    Google

  22. Llama 4

    Los primeros Llama diseñados desde el principio para texto e imagen. Reciben críticas y serán el último gran Llama.

    Meta

  23. Qwen3

    La familia abierta china más descargada, en muchos tamaños, del móvil al servidor.

    Alibaba

  24. Claude 4

    Capaz de trabajar solo durante horas en tareas largas de programación: el paso del chat al agente.

    Anthropic

  25. Grok 4

    La empresa de Elon Musk entra en la élite, con búsqueda en tiempo real y una versión de 300 dólares al mes.

    xAI

  26. Kimi K2

    Un billón de parámetros, abierto y gratuito, pensado para usar herramientas y actuar por su cuenta.

    Moonshot AI

  27. GPT-5

    Un solo sistema que decide por ti si contesta rápido o se para a pensar, y disponible incluso gratis.

    OpenAI

  28. Gemini 3

    Es el primer Gemini que llega al buscador de Google el mismo día de su estreno.

    Google

  29. Mistral 3

    La gran apuesta europea abierta: un modelo enorme, gratuito y con licencia libre, que también ve imágenes.

    Mistral AI

  30. Claude Mythos Preview

    Tan bueno encontrando fallos de seguridad que no se publica: solo lo usan las empresas que protegen software crítico.

    Anthropic

  31. Muse Spark

    Meta abandona Llama y estrena un modelo cerrado, el primero de su laboratorio de «superinteligencia».

    Meta

  32. DeepSeek V4

    Otra vez abierto y barato, y ahora lee de una vez un millón de tokens, unas 750 000 palabras.

    DeepSeek

  33. Claude Fable 5 y Mythos 5

    La potencia de Mythos llega al público como Fable, con filtros de seguridad; Mythos 5, el mismo modelo con filtros más laxos en ciberseguridad, queda para profesionales verificados.

    Anthropic

  34. Claude Sonnet 5

    Casi tan capaz como los modelos caros, más barato, y el que usan por defecto quienes no pagan.

    Anthropic

  35. Kimi K3

    El modelo abierto más grande publicado hasta hoy, 2,8 billones de parámetros, cerca de los mejores modelos cerrados.

    Moonshot AI

  36. Claude Opus 5

    Se acerca a Fable 5 a la mitad de precio: lo más avanzado se abarata en semanas.

    Anthropic

  37. Claude Fable 5.1 y Mythos 5.1

    Mejoras en ciencia y programación, y hasta un 45 % más barato en las tareas largas.

    Anthropic

  38. GPT-6 Astra

    El salto de generación de OpenAI: puede manejar un ordenador por ti y es puntero en ciberseguridad y ciencia.

    OpenAI

  39. Claude Opus 5.5

    Rinde como Fable 5.1 y cuesta un 40 % menos que Opus 5.

    Anthropic

  40. Gemini 4 Argon

    La nueva generación de Google, a la altura de Astra y Opus; de momento, solo para expertos en ciberseguridad.

    Google

Entre el primer ChatGPT y el primer modelo que razona antes de contestar pasan menos de dos años, y cuando una empresa estrena una idea, las demás la tienen a los pocos meses. Son pocas empresas, porque entrenar uno de los grandes cuesta decenas o cientos de millones en ordenadores y electricidad, y conviene no confundirlas con sus productos: OpenAI fabrica los modelos GPT, y ChatGPT es la aplicación para hablar con ellos.

Por qué se equivoca con tanta seguridad

Ahora se entiende la frase clave: un LLM produce el texto más probable, no el más verdadero. Nadie le ha enseñado qué es la verdad; le han enseñado cómo suele continuar un texto. Casi siempre coinciden. Casi.

Cuando no coinciden, el modelo no se calla ni dice «no lo sé»: escribe algo que suena perfecto y es falso. Se llama alucinación: un libro que no existe, una cita que nadie pronunció. Y lo dice con la misma seguridad que lo cierto, porque para él no hay diferencia. Pasa más donde menos texto había para aprender: cifras y fechas exactas, nombres propios, lo muy reciente (no sabe nada posterior a su entrenamiento, salvo que la aplicación busque en internet por él) y lo muy local. La mejor forma de medirlo es preguntarle, sin dejarle buscar, por algo que conozcas a fondo: la final del Falla de un año concreto, la historia de tu barrio, los detalles de tu oficio. Los fallos que encuentres ahí indican cuánto fiarse en lo que no conoces.

Los sesgos son el otro problema, y no son un fallo de la máquina sino un espejo. Si en los textos con los que aprendió las enfermeras son casi siempre «ellas» y los ingenieros «ellos», el modelo tenderá a repetirlo. No tiene prejuicios propios: tiene los nuestros, y a veces aumentados.

Nada de esto lo hace inútil. Se le da bien trabajar con palabras, que es de lo que está hecho: resumir, explicar algo difícil de otra manera, hacer un primer borrador, traducir. Y, desde que entiende imágenes, leerte una factura o un cartel en otro idioma. Se le da mal lo que exige estar seguro: decidir por ti, un diagnóstico médico o legal, sustituir a quien sabe. Yo lo uso para preparar las preguntas, no como respuesta final, y lo que me importa lo compruebo en otra fuente.

Lo que escribes también entra en el armario

Lo que escribes en un chatbot no se queda en tu móvil: viaja a los ordenadores de una empresa, casi siempre en otro país, y en los servicios más conocidos, salvo que lo desactives, puede acabar entre los textos con los que se entrena el modelo siguiente. Es decir, dentro del armario.

Una regla sencilla: si no lo dirías en voz alta en el autobús, no lo escribas. La Agencia Española de Protección de Datos publicó en enero de 2026 el decálogo «Cuidado con lo que le confIAs», que va en la misma línea: ni DNI, ni dirección, ni datos médicos o bancarios, ni fotos de otras personas, menos aún de menores, ni información confidencial del trabajo. Y pide contrastar las respuestas y no sustituir con un chatbot a un profesional, tampoco en lo emocional.

Los tres servicios más usados tienen ajustes para esto. En ChatGPT, la opción «Mejorar el modelo para todos», dentro de Controles de datos, se puede desactivar, y los chats temporales se borran a los 30 días. En Claude, Anthropic pregunta a cada usuario desde finales de 2025 si permite usar sus conversaciones para entrenar: si acepta, se guardan hasta cinco años; si no, 30 días. En Gemini, el ajuste se llama «Conservar actividad» y los chats temporales se eliminan a las 72 horas. Merece la pena dedicar cinco minutos a mirarlos.

Además, la Unión Europea tiene desde 2024 un reglamento de inteligencia artificial que se aplica por fases. Desde febrero de 2025 prohíbe algunos usos, como la puntuación social de los ciudadanos, y desde el 2 de agosto de 2026 obliga a que un sistema avise de que estás hablando con una máquina y a etiquetar las imágenes y los vídeos generados. Las obligaciones para los sistemas de alto riesgo, los que deciden sobre un crédito, un empleo o una ayuda pública, se aplazaron en julio de 2026 hasta diciembre de 2027.

La objeción de Lady Lovelace

En 1843, Ada Lovelace advirtió que la máquina de Babbage «no tiene ninguna pretensión de originar nada». Un siglo después, Turing le respondió con otra idea: no programar una mente adulta, sino una «máquina niño» a la que se pudiera educar. Los dos tenían razón, y juntos describen bastante bien lo que hay hoy detrás de una ventana de chat.

La máquina niño existe. Se ha educado con casi todo lo que hemos escrito, y por eso habla como nosotros, acierta como nosotros y se equivoca como nosotros. Pero la objeción de Lovelace sigue en pie: lo que dice no lo origina ella. Lo originaron las personas que escribieron antes, las que la corrigieron después y la que ahora teclea la pregunta. En Schönbrunn, el público miraba al muñeco cuando debía mirar a quien se sentaba al otro lado del tablero, porque esa persona decidía qué jugada valía la pena. Con la inteligencia artificial, esa persona eres tú.

Escrito por

Nando Muñoz

Tech lead de frontend · AEM, EDS y SFCC · Cádiz · Madrid