Guillem Alsina Gonzàlez
La evolución de la inteligencia artificial ha seguido un ritmo frenético en los últimos años, logrando superar a los expertos humanos en pruebas de ciencias de nivel de doctorado o alcanzando medallas de oro en olimpiadas matemáticas internacionales. No obstante, y a pesar de estos hitos, la industria se encuentra en un punto de inflexión marcado por la incertidumbre sobre si el actual modelo de escalado de datos y computación podrá mantener su rendimiento.
Al respecto, un análisis exhaustivo publicado por la OCDE subraya que, aunque la tecnología ha avanzado de forma acelerada, todavía persisten deficiencias estructurales en áreas críticas como el aprendizaje continuo, la metacognición o la interacción social en contextos dinámicos.
Históricamente, el progreso de los sistemas de frontera se ha cimentado en las denominadas leyes de escala, que establecen que el rendimiento mejora de forma predecible al aumentar los parámetros del modelo, los datos de entrenamiento y la potencia de cálculo o computación. Desde 2010, el cómputo utilizado para entrenar estos modelos se ha multiplicado por más de cuatro cada año y, sin embargo, existen señales de que esta relación de dependencia entre el tamaño del modelo y la ganancia de capacidades podría estar ofreciendo rendimientos decrecientes, lo que plantea la posibilidad de un estancamiento tecnológico similar a los «inviernos» sufridos por la disciplina de la IA en el pasado, períodos de desinversión en las décadas de los 70 y a caballo entre la de los 80 y la de los 90, mucho antes del surgimiento comercial de la IA generativa.
Cuatro trayectorias para una tecnología en mutación
La OCDE propone cuatro marcos de desarrollo para el año 2030, fundamentados en las evidencias disponibles hasta octubre de 2025, siendo el primero de ellos un escenario donde el progreso se detiene, limitando los sistemas a realizar tareas breves y bien acotadas, siempre bajo una supervisión humana constante debido a problemas de fiabilidad y alucinaciones, es decir, cuando el sistema genera información falsa pero convincente en aparencia.
En el extremo opuesto a este, el posible escenario de aceleración sugiere que la inteligencia artificial podría alcanzar la equivalencia humana en casi todas las habilidades cognitivas hacia 2030, operando con una autonomía total hacia objetivos estratégicos complejos.
Entre ambos extremos se sitúan los escenarios de ralentización y de continuidad; en el primero, las mejoras serían incrementales y los sistemas actuarían como asistentes útiles para navegar por la web o gestionar servicios, aunque seguirían necesitando que el usuario humano defina el alcance de las tareas, mientras que en el segundo, la progresión se mantendría al ritmo actual, permitiendo que las máquinas ejecuten proyectos profesionales complejos en entornos digitales que a un humano le llevarían un mes de trabajo.
La viabilidad de estas trayectorias depende de variables que van más allá del desarrollo de algoritmos como, por ejemplo, la capacidad de las infraestructuras físicas para soportar el crecimiento de la demanda energética y de recursos hídricos para la refrigeración de los centros de datos. Se estima que, si el ritmo actual persiste, las restricciones de suministro eléctrico y la escasez de nuevos datos de alta calidad podrían empezar a limitar el escalado de los modelos alrededor de 2030. A esto se le suma la incertidumbre sobre el retorno económico de las inversiones masivas en hardware.
