Lo esencial
En 76 años, la IA recorrió el camino desde el sueño de Alan Turing hasta un asistente que entiende español, escribe código que funciona y razona sobre problemas complejos. No pasó "de repente" en 2022 con ChatGPT: es el resultado de más de 30 acontecimientos clave, 5 paradigmas de pensamiento y 3 periodos glaciales en los que todo el campo se congeló.
En la lección La historia de la IA recorrimos la superficie: 5 hitos principales. Aquí vamos más a fondo. Vas a entender por qué justo ahora, en 2024-2026, empezó la era de los agentes. Por qué Claude nació como una empresa aparte. Qué figuras construyeron esta industria. Y hacia dónde vamos.
No es un libro de historia. Es un mapa del terreno. Para entender qué haces hoy y para qué, hay que saber de dónde salió todo.
La regla principal de esta lección
Ninguna revolución de la IA fue inesperada. Cada "de repente" son 10 a 20 años de trabajo silencioso de un grupo pequeño de científicos. ImageNet (2012) se fue armando desde 2009. Transformer (2017) continúa los mecanismos de atención de 2014-2015. ChatGPT (2022) es consecuencia de GPT-3 (2020), que a su vez es consecuencia de BERT (2018). Cuando veas un "avance" nuevo, busca a la gente que trabajaba en él cinco años antes.
5 épocas de la IA: el mapa del terreno
Época 1: 1950-1956 — El sueño de una máquina que piensa Época 2: 1956-1974 — IA simbólica y las primeras esperanzas Época 3: 1974-2010 — Aprendizaje automático y dos inviernos Época 4: 2012-2017 — La revolución del Deep Learning Época 5: 2018-2026 — Los LLM y la era de los agentes
Ahora, cada época a detalle. Con años, personas, acontecimientos. No hace falta memorizarlo: hace falta entender la lógica de las transiciones.
Época 1: el sueño de una máquina que piensa (1950-1956)
La gran pregunta de la época: ¿puede pensar una máquina?
1950: Alan Turing publica "Computing Machinery and Intelligence"
Turing, que para entonces ya había sido clave para descifrar Enigma y había fundado en teoría la informática (la "máquina de Turing", 1936), plantea en su artículo una pregunta sencilla: en vez de "¿puede pensar una máquina?" (una pregunta filosófica), "¿puede una máquina imitar a una persona al grado de que su interlocutor no la distinga?" (una pregunta comprobable).
Es el Imitation Game, que después se llamó Test de Turing. La máquina pasa la prueba si un juez humano, en una conversación escrita de 5 minutos, no logra decir cuál de sus dos interlocutores es la máquina.
Turing pronostica: para el año 2000, las máquinas pasarán la prueba "en el 70% de los casos". La realidad: en 2024, un experimento de la Universidad de California en San Diego mostró que, en una conversación escrita de cinco minutos, la gente tomó a GPT-4 por humano en el 54% de los casos: un valor en el límite.
1951: Marvin Minsky construye SNARC
Minsky, un estudiante de Harvard de 24 años, construye SNARC (Stochastic Neural Analog Reinforcement Calculator), la primera red neuronal en hardware. 40 neuronas de bulbos de vacío + motores eléctricos + relevadores telefónicos. La máquina aprendía a salir de un laberinto mediante refuerzo positivo.
Es la primera implementación física de la idea de "neuronas en hardware": lo que 60 años después se volvería la base de todo el deep learning.
1956: la Conferencia de Dartmouth, el nacimiento de la IA
En junio de 1956, en el Dartmouth College (Nuevo Hampshire, EE. UU.), se realiza una escuela de verano de 8 semanas. Los organizadores: John McCarthy, Marvin Minsky, Claude Shannon y Nathaniel Rochester. Presupuesto de la conferencia: $7,500.
En la solicitud de la beca, McCarthy usa por primera vez el término "Artificial Intelligence". No "thinking machines", no "cybernetics": justo IA. El término se queda.
El pronóstico de la conferencia: "en 20 años las máquinas podrán hacer cualquier trabajo que hace una persona". La realidad: hicieron falta más de 70 años.
Época 2: IA simbólica y las primeras esperanzas (1956-1974)
La idea central de la época: IA = lógica + reglas. Si describes suficientes reglas, la máquina pensará.
1957: Frank Rosenblatt inventa el perceptrón
Rosenblatt, un psicólogo de Cornell, construye el Mark I Perceptron, una máquina que aprende a reconocer letras del alfabeto. Es un clasificador lineal: entradas → pesos → decisión por umbral.
El New York Times escribe en 1958: "La Marina de EE. UU. reveló el proyecto de una máquina electrónica que podrá caminar, hablar, ver, escribir, reproducirse y ser consciente de su existencia". El hype se dispara.
Es el primer ciclo de hype de la IA. Rosenblatt predecía que las máquinas superarían a las personas en unos cuantos años.
1965: Joseph Weizenbaum crea ELIZA
En el MIT, Weizenbaum escribe ELIZA, el primer chatbot. Imita a un psicoterapeuta de la escuela rogeriana. Un programa simple: reconoce palabras clave y reformula la frase del usuario como pregunta.
Usuario: Me preocupa mi madre. ELIZA: Cuéntame de tu madre. Usuario: Siempre me critica. ELIZA: ¿Quién más te critica siempre?
El descubrimiento impactante: la gente empieza a hablar con ELIZA de sus problemas reales. La secretaria de Weizenbaum le pidió que saliera del cuarto para hablar con ELIZA en privado. Es el efecto ELIZA: la persona le atribuye a la máquina una comprensión que no tiene.
Lección para 2026: todavía hoy la gente les atribuye a los LLM una comprensión que no tienen. El efecto ELIZA no es un bug de 1965: es una característica de la percepción humana.
1969: Minsky y Papert publican "Perceptrons"
Minsky y Seymour Papert publican el libro "Perceptrons", un análisis matemático formal del perceptrón de Rosenblatt. Demuestran que un perceptrón de una sola capa no puede aprender la función XOR (O exclusivo).
Un perceptrón multicapa sí puede, pero en 1969 no existe un algoritmo eficiente para entrenarlo. El libro se toma como una sentencia de muerte para las redes neuronales.
Consecuencias:
- El financiamiento de las redes neuronales cae en picada
- Rosenblatt muere en 1971 (en un paseo en bote, a los 43 años)
- El campo de las "redes neuronales" se congela 17 años, hasta la retropropagación (1986)
Los años 70: sistemas expertos
En paralelo con las redes neuronales se desarrolla la IA simbólica: reglas explícitas + lógica.
MYCIN (Stanford, 1972): diagnóstico de infecciones bacterianas. 600 reglas del tipo "si hay síntoma X y análisis Y, la probabilidad de la bacteria Z = 0.7". Precisión del diagnóstico: mayor que la de un médico residente promedio.
DENDRAL (Stanford): análisis de espectros de masa de compuestos químicos.
Imagen: la alquimia. Mucho trabajo, mucho entusiasmo, un resultado limitado. La hipótesis "si describes todas las reglas, la máquina será más lista que una persona" no resistió la prueba del tiempo: las reglas resultaron demasiadas, y chocan entre sí.
Época 3: aprendizaje automático y dos inviernos (1974-2010)
La idea central de la época: IA = encontrar patrones en los datos, no describir reglas a mano.
1974-1980: el primer invierno de la IA
En el Reino Unido sale el Lighthill Report (1973), una revisión del estado de la IA encargada por el gobierno británico. El veredicto: las promesas exageradas no se cumplieron, no hay avances, hay que recortar el financiamiento.
Las consecuencias son globales:
- DARPA (EE. UU.) recorta en seco el financiamiento de la IA
- Cierran laboratorios de IA a ambos lados del Atlántico
- El término "IA" se vuelve tóxico: los científicos rebautizan sus proyectos como "knowledge-based systems" o "pattern recognition"
Es el primer invierno de la IA (1974-1980). Dura 6 años.
1980-1987: un breve deshielo
Los sistemas expertos viven un auge comercial. Las máquinas LISP (hardware especializado para LISP) son toda una industria. Empresas como Symbolics, LMI, TI Explorer.
El proyecto japonés "Fifth Generation Computing" (1982): $850 millones en 10 años, con el objetivo de crear computadoras paralelas con interfaz de lenguaje natural.
1986: el regreso de la retropropagación
Geoffrey Hinton, David Rumelhart y Ronald Williams publican en Nature el artículo "Learning representations by back-propagating errors". El algoritmo ya se conocía (Werbos 1974, Linnainmaa 1970), pero ellos muestran cómo entrenar de forma eficiente redes neuronales multicapa.
Técnicamente esto resuelve el problema del XOR de 1969. Pero todavía no hay GPU, no hay datos, y el mundo entero está entusiasmado con los sistemas expertos.
1987-1993: el segundo invierno de la IA
Las máquinas LISP se derrumban. Symbolics quiebra. El proyecto japonés de Quinta Generación se declara un fracaso. Los sistemas expertos resultan frágiles (brittle): funcionan en tareas estrechas y no escalan.
El segundo invierno de la IA: más corto que el primero, pero más doloroso para el sector comercial.
1997: Deep Blue le gana a Kaspárov
El 11 de mayo de 1997, Deep Blue de IBM gana un match contra el campeón mundial Garri Kaspárov, 3.5 a 2.5. El ajedrez, un juego considerado la cima de la inteligencia humana, cayó.
Una aclaración importante: Deep Blue no "aprendía" en el sentido moderno. Era búsqueda por fuerza bruta + heurísticas escritas a mano por grandes maestros. 200 millones de posiciones por segundo. Fue una victoria del cómputo, no de la IA.
Lección: en ese momento, "ganar al ajedrez" y "entender" eran tareas distintas. Eso quedaría claro unos 30 años después.
2006: Hinton revive el deep learning
Geoffrey Hinton publica "A fast learning algorithm for deep belief nets". Muestra cómo entrenar redes con muchas capas (antes funcionaba mal por el desvanecimiento del gradiente, vanishing gradients).
El término "deep learning" entra al uso común. Hinton está en Toronto y junto con Yoshua Bengio (Montreal) y Yann LeCun (NYU) forma la "Canadian Mafia" de la futura revolución de la IA.
2009: Fei-Fei Li lanza ImageNet
Fei-Fei Li, en Stanford, lanza el proyecto ImageNet: 14 millones de imágenes etiquetadas a mano en 22,000 categorías. El trabajo se hace con Amazon Mechanical Turk: millones de microtareas para etiquetadores.
En 2009 a nadie le importa. En 2010 arranca el ImageNet Large Scale Visual Recognition Challenge (ILSVRC), una competencia anual. En 2010 y 2011 ganan los métodos clásicos, con tasas de error de 26-28%.
En 2012 todo va a explotar.
Época 4: la revolución del Deep Learning (2012-2017)
La idea central de la época: IA = redes neuronales multicapa + GPU + muchos datos.
Septiembre de 2012: AlexNet gana ImageNet
Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton (todos de la Universidad de Toronto, el laboratorio de Hinton) presentan al concurso ILSVRC el modelo AlexNet: una red neuronal convolucional de 8 capas, entrenada con 2 NVIDIA GTX 580 (3 GB de memoria cada una, ~$500).
El resultado: tasa de error de 15.3%; el segundo lugar tuvo 26.2%. Una diferencia de casi 11 puntos porcentuales: increíble en un campo donde mejorar 1% era lo normal.
Es el momento en que la IA se volvió "deep learning". Todos los ganadores siguientes de ImageNet usan redes neuronales. Los métodos clásicos de visión por computadora (SIFT, HOG, SVM) mueren en un solo año.
Hinton, Sutskever y Krizhevsky fundan DNNresearch, una startup que se vende a Google en 2013 por $44 millones (Hinton se va a Google Brain; Sutskever, después, a OpenAI).
2014: las GAN (Goodfellow)
Ian Goodfellow inventa las Generative Adversarial Networks durante una plática en un bar de Montreal. La idea: dos redes juegan un juego: el generador crea imágenes y el discriminador distingue las reales de las creadas. Las dos mejoran.
Cinco años después, las GAN crean deepfakes imposibles de distinguir de la realidad.
2015: AlphaGo (DeepMind)
DeepMind (Londres, fundada en 2010 por Demis Hassabis, Shane Legg y Mustafa Suleyman, comprada por Google en 2014 por $500M) presenta AlphaGo.
Se consideraba que el Go era imposible para la IA. En ajedrez una posición tiene unas 35 jugadas posibles; en Go, 250. El árbol de búsqueda es exponencialmente mayor. Los expertos decían "la IA le ganará al Go en 30 años o más".
AlphaGo usa deep learning + Monte Carlo Tree Search + aprendizaje por refuerzo. Se entrena con 30 millones de posiciones de partidas de profesionales.
En octubre de 2015 le gana al campeón europeo Fan Hui 5 a 0. El primer programa en vencer a un jugador profesional de Go sin hándicap.
Marzo de 2016: AlphaGo le gana a Lee Sedol
En Seúl, en un match a 5 partidas, AlphaGo vence a Lee Sedol (uno de los jugadores más fuertes del mundo en la década anterior) 4 a 1. Cada partida se transmite en vivo; millones de espectadores en Asia.
La jugada 37 de la segunda partida: un movimiento que los profesionales humanos no consideraban. No fue "un error del algoritmo": resultó una jugada genial. Lee Sedol después del match: "AlphaGo me enseñó a jugar Go de una forma nueva".
Es el momento en que la IA se volvió algo nuevo para el público: no "una aspiradora robot", sino algo capaz de sorprender a los expertos.
Junio de 2017: "Attention Is All You Need"
8 investigadores de Google Brain y Google Research publican el artículo "Attention Is All You Need". Autores: Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan Gomez, Łukasz Kaiser, Illia Polosukhin.
Presentan la arquitectura Transformer: una red neuronal basada en el mecanismo de self-attention. Hasta entonces, el procesamiento de lenguaje natural (NLP) usaba RNN/LSTM: redes secuenciales que procesan las palabras una tras otra.
El Transformer procesa toda la secuencia en paralelo. Se entrena en GPU de 10 a 100 veces más rápido. Y la calidad es mayor.
Hoy este artículo tiene más de 100,000 citas. Es la base de todos los LLM: BERT, GPT, Claude, Gemini; todos se basan en el Transformer.
Un dato curioso: la mayoría de los autores dejó Google en pocos años, y muchos fundaron sus propias empresas. Muestra la migración del talento de las grandes tecnológicas a las startups de IA.
Época 5: los LLM y la era de los agentes (2018-2026)
La idea central de la época: IA = un modelo grande entrenado con internet + herramientas + razonamiento.
2018: BERT (Google)
Google lanza BERT (Bidirectional Encoder Representations from Transformers): un Transformer entrenado para entender el texto en ambas direcciones (de izquierda a derecha y de derecha a izquierda). Una revolución en el buscador de Google: ahora el sistema entiende mejor las búsquedas.
2018-2019: GPT-1, GPT-2 (OpenAI)
OpenAI (fundada en 2015 por Sam Altman, Elon Musk, Greg Brockman, Ilya Sutskever y otros; al inicio, un laboratorio sin fines de lucro) lanza GPT-1 (junio de 2018) y GPT-2 (febrero de 2019).
GPT (Generative Pre-trained Transformer) es un Transformer entrenado para generar texto. Preentrenamiento con un corpus enorme de internet, luego ajuste fino (fine-tuning) para tareas concretas.
GPT-2 (1,500 millones de parámetros) genera texto tan bien que OpenAI lo declara "demasiado peligroso para publicarlo completo". Al principio solo sale la versión pequeña. Hype y críticas: algunos lo ven como una jugada de marketing.
Mayo de 2020: GPT-3
OpenAI lanza GPT-3: 175 mil millones de parámetros. 100 veces más grande que GPT-2. Según estimaciones, el entrenamiento costó varios millones de dólares en cómputo.
El gran descubrimiento de GPT-3: el aprendizaje en contexto (in-context learning). Si en el prompt le muestras al modelo 2 o 3 ejemplos de una tarea, aprende a resolver casos nuevos. Sin fine-tuning, sin reentrenamiento. Un solo prompt puede enseñarle una tarea nueva.
Eso lo cambia todo. Antes de GPT-3, cada tarea era un modelo aparte. Después: un modelo + el prompt correcto = cualquier tarea.
Acceso por API a través del playground: junio de 2020. Desarrolladores de todo el mundo empiezan a construir productos sobre GPT-3. Nace el prompt engineering como profesión.
2021: se funda Anthropic
A finales de 2020, Dario Amodei (VP Research en OpenAI) y su hermana Daniela Amodei (VP Operations) dejan OpenAI. Con ellos se van varios investigadores sénior: Tom Brown (autor principal de GPT-3), Sam McCandlish, Jack Clark, Jared Kaplan y otros.
El motivo: desacuerdos con OpenAI sobre la prioridad de la seguridad de la IA (AI safety). Consideran que la comercialización va más rápido que la seguridad.
En 2021 fundan Anthropic en San Francisco. Una Public Benefit Corporation. Su enfoque inicial: investigación en seguridad de la IA. Ronda inicial de $124M (luego $580M en 2022).
2022: Constitutional AI
Anthropic publica el artículo "Constitutional AI: Harmlessness from AI Feedback". La idea: en lugar del RLHF (Reinforcement Learning from Human Feedback), donde personas califican cada respuesta del modelo, usar un conjunto de principios (una constitución) y que la propia IA evalúe sus respuestas.
Esto permite escalar el entrenamiento en seguridad. Y se vuelve el enfoque de Claude.
Noviembre de 2022: el lanzamiento de ChatGPT
El 30 de noviembre de 2022, OpenAI lanza ChatGPT: una interfaz de chat para GPT-3.5. Gratis, sin lista de espera, disponible para todos.
En 5 días, 1 millón de usuarios. En 2 meses, 100 millones. El producto de crecimiento más rápido de la historia hasta ese momento. Para comparar: TikTok llegó a 100M en 9 meses, Instagram en 2.5 años.
ChatGPT es el momento en que la "IA" dejó de ser tema de la comunidad técnica. Se volvió tema de CNN, de la BBC, de padres llamando a sus hijos para preguntar "¿qué es esto?".
Marzo de 2023: GPT-4 + Claude al público
OpenAI lanza GPT-4. Anthropic sale del modo solo-investigación y lanza Claude al público (al principio con una alianza con Slack, luego en claude.ai).
Claude 1 compite con GPT-3.5. No es mejor, pero sí más seguro (Constitutional AI funciona).
Julio de 2023: Claude 2 + contexto de 100K
Anthropic lanza Claude 2: mejor que Claude 1, compite con GPT-4 en algunas tareas.
Lo principal: ventana de contexto de 100,000 tokens. Por primera vez una IA mete en memoria un libro entero (300 páginas) en una sola solicitud. Antes, todos los modelos tenían contextos de 2K-8K.
Eso cambia el trabajo con documentos. Puedes cargar todo el código de un proyecto, todo un libro, todos los documentos legales: el modelo lo ve todo.
Marzo de 2024: la familia Claude 3
Anthropic lanza Claude 3 en tres tamaños:
- Haiku: el más rápido y barato
- Sonnet: el equilibrado
- Opus: el más capaz
Claude 3 Opus supera a GPT-4 en varias pruebas: por primera vez un modelo que no es de OpenAI va a la cabeza. Aparece una alternativa real en el mercado.
Junio de 2024: Claude 3.5 Sonnet
Tres meses después de Claude 3 llega Claude 3.5 Sonnet. Mejor que Claude 3 Opus, pero más barato y más rápido. Especialmente fuerte en programación: 92% en el benchmark HumanEval.
Es el momento smartphone de la programación: cuando sale 3.5 Sonnet, muchos desarrolladores se pasan a Claude para programar.
Octubre de 2024: Computer Use
Anthropic lanza Computer Use: el modelo Claude ahora puede controlar una computadora. Ve la pantalla, mueve el mouse, escribe texto. No es perfecto, pero funciona.
Es el inicio de la era de los agentes. La IA deja de ser una interfaz de chat: se vuelve "quien hace el trabajo".
Noviembre de 2024: MCP (Model Context Protocol)
Anthropic lanza el Model Context Protocol, un estándar abierto para conectar herramientas a los LLM. No una API propietaria, no un formato de plugin cerrado: una especificación abierta que cualquiera puede implementar.
MCP le da a los LLM enchufes universales para conectar sistemas externos: el sistema de archivos, GitHub, bases de datos, APIs. Un protocolo, cualquier herramienta.
Se vuelve el estándar de la industria. A los 12 meses hay cientos de servidores MCP para todo.
2025-2026: una cascada de versiones de Claude
En 2025-2026 salen nuevas versiones de Claude cada uno a tres meses. Hitos clave:
- Claude 3.7 Sonnet (febrero de 2025): el primer modelo híbrido con modo de razonamiento
- Claude 4 (mayo de 2025) y Claude 4.5 (otoño de 2025)
- Claude Opus 4.7 (abril de 2026)
- Claude Fable 5 (junio de 2026), Sonnet 5 (junio de 2026), Opus 5 (julio de 2026)
- Fable 5.1 (1 de septiembre de 2026), Opus 5.5 (22 de septiembre de 2026), Sonnet 5.5 (28 de septiembre de 2026)
Cada uno, un paso notable. Modo de razonamiento (el modelo "piensa" antes de responder, análogo a la serie o de OpenAI), contexto de hasta 1M de tokens, mejor trabajo con herramientas. La lista actual de modelos está en la página Lo vigente.
2025: Claude Code
En paralelo con los modelos, Anthropic lanza Claude Code (primera versión en febrero de 2025): un asistente de IA nativo de la terminal. No es una ventana de chat: es una herramienta de línea de comandos (CLI) que vive en tu terminal y trabaja con el código de tu proyecto.
Eso cambia la forma de trabajar de los desarrolladores. Estás en la terminal, escribes claude, describes la tarea, y el agente escribe código en los archivos, corre las pruebas y hace commits. Para octubre de 2026, Claude Code también funciona en VS Code, JetBrains, la app de Claude para computadora, el navegador y el celular.
2026 (ahora): el ecosistema de agentes
Octubre de 2026: estamos en el momento en que se forma el ecosistema de agentes:
- Frameworks: LangGraph, CrewAI, Mastra, AutoGen y otros
- Stack: Skills + Hooks + Subagents + Plugins para Claude Code
- IA local: nanoClaude, OpenClaw, Hermes: modelos pequeños que corren en una laptop
Ya funcionan agentes de nivel producción: automatización de soporte, marketing de contenidos, prospección de ventas, revisión de código. Pero es muy temprano: el trabajo principal está por delante.
5 paradigmas de la IA: cómo cambió el enfoque
| Paradigma | Era | Idea | Ejemplo | Qué lo mató |
|---|---|---|---|---|
| IA simbólica | 1956-1980 | IA = lógica + reglas | MYCIN, DENDRAL | Fragilidad, explosión combinatoria |
| ML estadístico | 1990-2010 | IA = encontrar patrones en los datos | SVM, Random Forests, Naive Bayes | Debilidad en tareas complejas |
| Deep Learning | 2012-2018 | Redes neuronales multicapa + GPU | AlexNet, AlphaGo, ResNet | No murió, creció hasta los LLM |
| LLM preentrenados | 2018-2023 | Un modelo grande entrenado con internet | GPT-3, Claude 2, BERT | No murió, se enriqueció con capacidad de acción (agency) |
| IA agéntica | 2024-hoy | Modelo + herramientas + memoria + razonamiento | Claude Code, Computer Use, agentes | Era en curso, el desenlace se desconoce |
3 inviernos de la IA: qué salió mal
| Invierno | Años | Causa | Consecuencia |
|---|---|---|---|
| Primero | 1974-1980 | El Lighthill Report, el fracaso de las primeras promesas | El financiamiento cae en picada, el campo se congela |
| Segundo | 1987-1993 | El colapso de las máquinas LISP, la fragilidad de los sistemas expertos | El sector comercial se aleja por 10 años |
| ¿Tercero? | Todavía no | Riesgos posibles: estancamiento de capacidades, regulación, agotamiento de datos de entrenamiento | Hay que observarlo de cerca |
¿Puede haber un tercer invierno?
Argumentos a favor del "sí":
- Estancamiento de capacidades: según parte de los expertos, las mejoras se están frenando: la diferencia entre generaciones vecinas de modelos es menor de lo que fue entre GPT-3 y GPT-4
- Agotamiento de datos de entrenamiento: ya se agotó el internet "bueno" para entrenar
- Regulación: la Ley de IA de la UE y distintas regulaciones nacionales pueden frenar los despliegues
- La realidad económica: muchas startups con una economía unitaria débil. La burbuja puede reventar
Argumentos a favor del "no":
- Productividad real: la IA ya da un retorno medible en programación, soporte y contenido
- Avance del hardware: NVIDIA sigue sacando GPU cada vez mejores
- La frontera agéntica: el paso a los agentes apenas empezó, el potencial es enorme
- El capital: en el sector hay sumas enormes invertidas; el ecosistema no lo dejará morir rápido
El riesgo real de los próximos años no es un "invierno de toda la IA", sino un periodo de corrección: una parte de las startups de IA no sobrevivirá y quedarán las que tienen un producto real. Es normal y sano.
Por qué justo Claude (y no otro modelo)
En este curso, el tronco pasa por Claude. No porque Claude sea "el mejor en todo", sino porque:
Razones técnicas
- Constitutional AI: entrenamiento con principios de seguridad. El objetivo es un comportamiento más predecible (aunque los ataques a los modelos siguen ocurriendo; ver la lección Defensa contra prompt injection).
- Contexto largo primero: Claude 2 soportó 100K en 2023, medio año antes que OpenAI. Hoy, 1M de tokens.
- Enfoque en el código: los modelos Claude rinden bien en programación. Revisa benchmarks independientes de programación actuales: los rankings cambian con cada lanzamiento.
- Computer Use primero: Anthropic lanzó Computer Use en octubre de 2024, antes que nadie.
- El estándar MCP: un protocolo abierto, no propietario. Anthropic no intenta encerrar al ecosistema.
Razones de negocio
- Fundadores que vienen de OpenAI: Dario Amodei (ex VP Research de OpenAI) y su equipo son las mismas personas que construyeron GPT-2/GPT-3. Saben lo que hacen.
- Enfoque de largo plazo en la seguridad: Anthropic construye su marca en torno a la seguridad y la previsibilidad de los modelos.
- Documentación: Anthropic publica guías de migración detalladas entre generaciones de modelos. Aun así, un cambio de generación a veces rompe configuraciones viejas: por ejemplo, en los modelos más nuevos se quitaron los parámetros manuales de muestreo (temperature y similares).
Dónde Claude no es líder
- Video multimodal: Gemini acepta video como entrada; Claude acepta texto e imágenes
- Voz en tiempo real: los modos de voz de ChatGPT y la Realtime API de OpenAI
- Generación de imágenes: Midjourney, FLUX y la generación integrada en ChatGPT y Gemini son mejores para imágenes
- Código abierto: Claude no tiene pesos abiertos (los tienen DeepSeek, Qwen, parte de los modelos de Mistral y los Llama publicados antes)
No es una solución mágica. En este curso Claude es la base, pero vamos a mencionar cuándo conviene usar otros modelos.
Qué pasó entre 2023 y 2026: los grandes cambios
| Parámetro | 2023 | 2026 | Cuántas veces |
|---|---|---|---|
| Ventana de contexto (cuánto texto tiene el modelo "en la cabeza") | 4-8 mil tokens | 1 millón de tokens o más | de 125 a 250 veces |
| Qué entiende | Solo texto | Texto, imágenes, audio y video | 4 veces más tipos de datos |
| Herramientas | No hay | Llamadas a funciones → el estándar común MCP | antes no existían |
| Razonamiento | Solo con un prompt ingenioso | Razonamiento por pasos → modo de razonamiento (adaptive thinking) | un salto de calidad |
| Precio del texto de entrada | $30 por 1M de tokens (GPT-4, 2023) | $1 por 1M de tokens (Claude Haiku 4.5, a octubre de 2026) | 30 veces más barato (modelos de distinta clase) |
| Velocidad de una respuesta simple | 30 segundos | 1 segundo | 30 veces más rápido |
| Autonomía | Respuestas en el chat | Planes de varios pasos que el modelo ejecuta solo | un salto de calidad |
| Correr en tu computadora | Solo en la nube | Modelos abiertos en una laptop | ya es posible |
El cambio más importante es la capacidad de acción (agency). No "la IA responde", sino "la IA hace". Eso cambia el papel de la persona: de "operador de una herramienta" a "quien dirige un equipo de agentes".
Figuras clave: perfiles breves
Alan Turing (1912-1954)
Matemático británico. Padre del pensamiento computacional. Fue clave para descifrar Enigma en la Segunda Guerra Mundial. Homosexual en una época en que eso era delito en el Reino Unido. En 1952 fue arrestado, condenado y sometido a castración química. En 1954 murió envenenado con cianuro (oficialmente, suicidio). Indultado apenas en 2013, de forma póstuma. Sin Turing no existiría la informática como campo.
John McCarthy (1927-2011)
Científico de la computación estadounidense. Le puso el nombre "Artificial Intelligence" al campo en 1956. Creó el lenguaje de programación LISP (1958), con el que se escribieron todos los primeros sistemas de IA. Fundó el Stanford AI Lab (1963). Premio Turing 1971.
Marvin Minsky (1927-2016)
MIT. Cofundador del MIT AI Lab (1959). Construyó SNARC (1951). Coautor de "Perceptrons" (1969). Influyente, pero a veces polémico: su crítica a las redes neuronales retrasó su desarrollo 17 años. Premio Turing 1969.
Geoffrey Hinton (n. 1947)
"El padrino del deep learning." Universidad de Toronto. El regreso de la retropropagación (1986), las deep belief networks (2006), AlexNet (2012, con su alumno Krizhevsky). Google Brain 2013-2023. En 2023 dejó Google para hablar con libertad de los riesgos de la IA. Premio Turing 2018 (con LeCun y Bengio) y Premio Nobel de Física 2024 (por sus trabajos en redes neuronales). Hoy advierte sobre los riesgos de la AGI.
Yann LeCun (n. 1960)
Científico de la computación francés. NYU + Meta (Chief AI Scientist desde 2013 hasta finales de 2025; después fundó la startup AMI Labs). Pionero de las redes neuronales convolucionales (CNN): en 1989 las usó para reconocer dígitos escritos a mano, como los códigos postales del Servicio Postal de EE. UU. Premio Turing 2018 (junto con Hinton y Bengio). Es escéptico de los LLM como camino a la AGI y apuesta por los "world models" (modelos del mundo).
Yoshua Bengio (n. 1964)
Université de Montréal. El tercero de la "Canadian Mafia". Premio Turing 2018. Desde 2023 se enfoca en la seguridad de la IA.
Ilya Sutskever (n. 1986)
Investigador ruso-canadiense-israelí. Alumno de Hinton. Coautor de AlexNet (2012). Cofundador y Chief Scientist de OpenAI (2015-2024). Dirigió el entrenamiento de GPT-3 y GPT-4. En mayo de 2024 dejó OpenAI tras el conflicto en torno a Sam Altman. Fundó Safe Superintelligence Inc., con un único objetivo: construir una AGI segura.
Dario Amodei (n. ~1983)
Físico estadounidense. Doctorado en Princeton. VP Research en OpenAI 2018-2020. Dejó OpenAI con su hermana Daniela y en 2021 fundaron Anthropic. CEO. Es optimista sobre el avance de la IA y, a la vez, defiende de forma constante la seguridad.
Sam Altman (n. 1985)
Emprendedor estadounidense. Presidente de Y Combinator 2014-2019. Cofundador de OpenAI en 2015. CEO de OpenAI desde 2019. En noviembre de 2023 el consejo lo despidió por 4 días (lo que se conoció como el "drama de OpenAI"), pero la gran mayoría de los empleados amenazó con irse y el consejo lo regresó. Una de las figuras más influyentes de la industria de la IA.
Demis Hassabis (n. 1976)
Neurocientífico británico y exdiseñador de videojuegos (Theme Park, 1994). Fundador de DeepMind (2010, vendida a Google en 2014). AlphaGo, AlphaFold (predicción de la estructura de las proteínas). Nobel de Química 2024 por AlphaFold (con John Jumper).
Andrej Karpathy (n. ~1987)
Investigador eslovaco. Doctorado en Stanford con Fei-Fei Li. Miembro fundador de OpenAI (2015-2017). Director de IA en Tesla 2017-2022. Volvió a OpenAI en 2023-2024 y luego se fue. Hoy se enfoca en la educación: cursos abiertos, tutoriales en YouTube. Una influencia enorme en la comunidad.
Fei-Fei Li (n. 1976)
Investigadora chino-estadounidense. Stanford. Creadora de ImageNet (2009). Codirectora del Stanford HAI (Human-Centered AI Institute). AI4ALL, una organización sin fines de lucro por la diversidad en la IA. Autora del libro "The Worlds I See" (2023).
Ian Goodfellow (n. 1985)
Inventor de las GAN (2014). Google → Apple → DeepMind. Una figura influyente, pero que evita los reflectores.
Panorama 2026: dónde estamos
Capacidades
- Modelos de frontera: varias empresas sacan modelos de primer nivel (Claude Fable y Opus, GPT-6, Gemini 3.x, DeepSeek V4 y otros). Los rankings cambian con cada lanzamiento; la lista actual está en la página Lo vigente
- Modelos de razonamiento: el modo de razonamiento está integrado en los modelos de todas las empresas grandes y da una mejora estable en tareas complejas (matemáticas, código, ciencia)
- Multimodal: todos los modelos de frontera entienden texto + imagen, muchos también audio + video
- Contexto largo: 1M de tokens en varios modelos; los valores exactos, en la documentación del proveedor
Adopción
- Trabajadores del conocimiento y programadores: la proporción de usuarios de IA crece rápido. Busca cifras recientes en el AI Index Report (Stanford) y en encuestas (por ejemplo, la Stack Overflow Developer Survey), no en el texto de la lección: envejecen en meses
- Empresas: muchas tienen una estrategia de IA; las que de verdad la usan son menos
Agentes
- Es muy temprano. Los agentes de nivel producción funcionan en algunos sectores: atención al cliente, marketing de contenidos, prospección de ventas, revisión de código.
- Límites: las decisiones en medicina y derecho siguen en manos de especialistas, y las cadenas largas de acciones requieren supervisión humana.
Línea de tiempo de la AGI (estimaciones)
Las estimaciones difieren muchísimo: los directivos de empresas de IA hablan de años o de la próxima década, parte de los investigadores conocidos cree que el camino de los LLM no lleva a la AGI y que hacen falta arquitecturas nuevas, y los escépticos admiten que la AGI podría no llegar nunca. Aquí no damos años concretos: cambian en cada entrevista.
La verdad: nadie lo sabe con exactitud. Los pronósticos a 5 años en IA históricamente han fallado en ambas direcciones.
Riesgos
- Mal uso: deepfakes, generación de desinformación, armas autónomas
- Desplazamiento laboral: las tareas de traductores, redactores y desarrolladores junior son las que cambian más rápido (más detalle en la lección IA sin miedo)
- Alineación (alignment): si los modelos hacen lo que queremos y no solo lo que pedimos
- Concentración de poder: pocas empresas controlan la frontera (Anthropic, OpenAI, Google y otras, además de laboratorios chinos como DeepSeek y Alibaba)
No es Terminator. Son preocupaciones reales que requieren trabajo real.
Qué significa "la era de los agentes" en 2026
2018-2022: la era de los LLM preentrenados - La IA responde preguntas - Un prompt = una respuesta - Sin memoria, sin herramientas, sin acciones 2022-2024: la era de ChatGPT / la IA conversacional - Conversaciones de varios turnos - Herramientas simples (búsqueda web, ejecutar código) - Todo dentro de una interfaz de chat 2024-hoy: la era de los agentes - La IA planea y ejecuta tareas de varios pasos - Herramientas + memoria + razonamiento - Trabaja en tu entorno (terminal, computadora, navegador) - Puede hacer tareas cuando no estás
Qué significa para ti
Estás aprendiendo en el momento en que las reglas se están escribiendo ahora mismo. Las buenas prácticas de prompt engineering se asentaron en 2023-2024. Las buenas prácticas de ingeniería de agentes se escriben en 2026. En 2 años ya estarán aprendidas, escritas y enseñadas en cursos. Hoy es la frontera.
Eso significa:
- Menos soluciones listas ("googlea cómo hacer X" no va a funcionar)
- Más experimentación y experiencia propia
- Más oportunidad de entender las cosas más a fondo que otros, pero sin garantía de que eso te dé ingresos
Lista de verificación: qué entendiste en la lección
Qué sigue
Si apenas empiezas con la IA: → Cómo funciona un LLM por dentro: profundidad técnica sin fórmulas
Si quieres práctica: → Instalación y configuración: tu primer comando en la terminal
Si te interesa la IA local y la privacidad: → Agentes de IA locales: modelos pequeños en tu laptop
Si quieres profundizar en la arquitectura de los modelos: → Cómo funciona un LLM por dentro: el transformer y el mecanismo de atención sin matemáticas
Si te interesan la línea de tiempo de la AGI y los riesgos: → Ética y seguridad en IA: seguridad de la IA y cómo no confiar en ella a ciegas
Fuentes
Artículos fundacionales (léelos en el original si tienes tiempo)
- Turing 1950 — "Computing Machinery and Intelligence" — https://academic.oup.com/mind/article/LIX/236/433/986238
- Rosenblatt 1958 — "The Perceptron" — Psychological Review
- Rumelhart, Hinton, Williams 1986 — Backpropagation — Nature
- LeCun 1989 — CNN para reconocer dígitos
- Vaswani et al. 2017 — "Attention Is All You Need" — https://arxiv.org/abs/1706.03762
- Brown et al. 2020 — el artículo de GPT-3, "Language Models are Few-Shot Learners" — https://arxiv.org/abs/2005.14165
- Bai et al. 2022 (Anthropic) — Constitutional AI — https://www.anthropic.com/research/constitutional-ai-harmlessness-from-ai-feedback
Laboratorios de investigación
- Anthropic Research — https://www.anthropic.com/research
- OpenAI Research — https://openai.com/research
- DeepMind Publications — https://deepmind.google/research/publications/
- Google AI — https://ai.google/
Juegos y benchmarks
- El artículo de AlphaGo — Nature 2016 — https://www.nature.com/articles/nature16961
- ImageNet — https://www.image-net.org/
- Benchmark MMLU — https://github.com/hendrycks/test
- HumanEval (código) — https://github.com/openai/human-eval
Reportes de la industria
- AI Index Report (Stanford, edición más reciente) — https://aiindex.stanford.edu/
- State of AI Report (Nathan Benaich) — https://www.stateof.ai/
Libros (si quieres profundizar)
- "The Coming Wave" — Mustafa Suleyman (2023)
- "Life 3.0" — Max Tegmark (2017)
- "Superintelligence" — Nick Bostrom (2014)
- "Human Compatible" — Stuart Russell (2019)
- "The Worlds I See" — Fei-Fei Li (2023)
- "Genius Makers" — Cade Metz (2021): la mejor historia de la IA hasta 2020
YouTube (aprender visualmente)
- 3Blue1Brown: la serie Neural Networks (visualización de las matemáticas)
- Andrej Karpathy: "Neural Networks: Zero to Hero", construir un GPT desde cero
- Two Minute Papers: reseñas semanales de artículos de investigación
Ideas clave
Ninguna revolución de la IA fue inesperada. ChatGPT 2022 es consecuencia de GPT-3 2020. GPT-3, del Transformer de 2017. El Transformer, del regreso del deep learning en 2006. Cada "de repente" son 10 a 20 años de trabajo silencioso de equipos pequeños.
La tecnología avanza en olas de paradigmas. IA simbólica (1956-1980) → ML estadístico (1990-2010) → Deep Learning (2012-2018) → LLM (2018-2023) → agentes (2024+). Los paradigmas viejos no mueren: se vuelven infraestructura para los nuevos.
La era de los agentes apenas empieza. Los agentes de nivel producción funcionan en algunos sectores, pero es muy temprano. Las reglas y las buenas prácticas se escriben ahora mismo, en 2026. Quien aprende hoy está más cerca de la frontera.
Navegación del módulo 0: ← La historia de la IA | Cómo funciona un LLM →
La marca se guarda solo en este navegador y no se envía a ningún sitio. Mi progreso