El debate global sobre la inteligencia artificial se encuentra en una encrucijada marcada por dos extremos: quienes anticipan un salto productivo sin precedentes y aquellos que advierten sobre catástrofes existenciales. Este pulso entre optimistas y fatalistas define hoy las apuestas de capital más agresivas del planeta, con proyecciones de inversión de los gigantes tecnológicos que superan los 5 billones de dólares de cara a los próximos cinco años. Sin embargo, un análisis de las transformaciones tecnológicas del pasado demuestra que las predicciones más categóricas suelen estrellarse contra la complejidad del mundo real.

Las grandes equivocaciones que marcaron época

La trayectoria de la innovación está repleta de estimaciones fallidas formuladas por mentes brillantes. En 1943, Thomas Watson, entonces presidente de IBM, calculó que la demanda mundial apenas alcanzaría para unas cinco computadoras. Décadas más tarde, en 1995, Bob Metcalfe, coinventor de Ethernet, vaticinó que internet colapsaría de forma espectacular al año siguiente; al comprobar su error, optó por triturar y beberse su propio artículo en una conferencia pública. Incluso Albert Einstein llegó a descartar en 1934 la posibilidad de liberar energía nuclear, apenas ocho años antes de que se lograra la primera reacción autosostenida.

Esa misma miopía afectó a líderes corporativos frente a productos ya existentes. En 2007, Steve Ballmer, en ese momento director ejecutivo de Microsoft, sentenció que el iPhone no tenía oportunidad alguna de capturar una cuota relevante de mercado, antes de que el dispositivo vendiera más de 3.000 millones de unidades. Asimismo, en 2005, Steve Chen, cofundador de YouTube, dudaba de la viabilidad de su plataforma bajo el argumento de que "no había tantos videos para ver", poco antes de que Google adquiriera el servicio por 1.650 millones de dólares.

Los propios tropiezos del sector de la IA

El sector contemporáneo de la inteligencia artificial tampoco escapa a este patrón. En 2016, el pionero Geoffrey Hinton sugirió interrumpir la formación de radiólogos porque los algoritmos los reemplazarían de inmediato; no obstante, el número de estos especialistas creció cerca de un 10% durante la última década ante la creciente demanda clínica y las limitaciones prácticas de los modelos. De igual modo, Sam Altman, líder de OpenAI, tuvo que matizar este año sus previsiones de que entre el 30% y 40% de las tareas económicas serían absorbidas velozmente por la IA, reconociendo públicamente el margen de error en sus proyecciones sobre el impacto laboral.

De los algoritmos a la economía cotidiana

La dificultad para anticipar el rumbo de la tecnología radica en aplicar fórmulas lineales a entornos altamente complejos. Según estudios de la Saïd Business School sobre más de 3.000 megaproyectos de infraestructura, apenas el 0,2% logra cumplir simultáneamente con los plazos, el presupuesto y los beneficios prometidos. Este dato adquiere enorme relevancia frente a la fiebre actual de construcción de centros de datos, respaldada por expectativas que muchas veces responden más a los incentivos de inversionistas y ejecutivos por mantener narrativas de urgencia que a fundamentos operativos comprobados.

Tal como sintetizó en su momento el científico Roy Amara, la sociedad tiende a sobreestimar el impacto de una tecnología a corto plazo y a subestimar sus efectos transformadores a largo plazo. Al igual que ocurrió con la llegada de las computadoras personales o la computación en la nube —recibidas en su momento con escepticismo o temor generalizado—, el destino final de la inteligencia artificial no se sellará con presentaciones deslumbrantes ni modelos con mejoras marginales, sino en la capacidad de las empresas cotidianas para integrarla de manera rentable y eficiente en sus operaciones diarias.