IA débil, IA fuerte e IAG: tres preguntas que no deben mezclarse

Reeditado el 30 de julio de 2026, este artículo corrige una clasificación engañosa: «IA débil» no significa necesariamente un programa de reglas sencillas, y «IA fuerte» no es el nombre de los sistemas que usan aprendizaje automático. Esos términos nacieron en una discusión filosófica sobre mente y comprensión. Mezclarlos con la amplitud de una tarea o con la técnica empleada convierte tres preguntas diferentes en una sola etiqueta.

Para evaluar un sistema conviene separar qué puede hacer, cómo aprende y qué afirmación se formula sobre él. Un modelo neuronal puede ser muy competente y seguir limitado a un dominio. Un programa escrito con reglas puede resolver una tarea compleja. Y producir respuestas sobre muchos temas no demuestra, por sí solo, comprensión humana, consciencia ni capacidad general.

«Débil» y «fuerte» describían una tesis sobre la mente

En 1980, John Searle formuló la distinción en Minds, Brains, and Programs. Según la posición que llamó IA fuerte, un ordenador adecuadamente programado no solo simularía una mente: tendría estados cognitivos y el programa explicaría la cognición. En la lectura débil, el ordenador es una herramienta potente para estudiar y comprobar hipótesis sobre la mente. La diferencia, por tanto, no era «algoritmo simple frente a algoritmo avanzado».

El conocido argumento de la habitación china de Searle intentaba separar la manipulación correcta de símbolos de la comprensión de su significado. La respuesta al argumento sigue discutida; lo importante aquí es usar bien el vocabulario. Llamar «IA fuerte» a un reconocedor de voz, un sistema de control o un modelo entrenado con muchos datos afirma mucho más que su rendimiento en una tarea. No existe una prueba operativa aceptada que permita convertir una puntuación alta en evidencia de mente o consciencia.

Por eso también resulta impreciso decir que la IA débil solo ejecuta instrucciones predefinidas. Un sistema puede aprender millones de parámetros a partir de datos, adaptarse a entradas nuevas y seguir siendo una herramienta especializada. «Aprendido» no equivale a «general»; «complejo» no equivale a «fuerte»; «fluido» no equivale a «consciente».

IA especializada e inteligencia general: otro eje

La pareja «especializada/general» pregunta por el alcance de las capacidades, no por la existencia de una mente. Una IA especializada se diseña y evalúa dentro de un conjunto delimitado de tareas y condiciones. Una inteligencia artificial general, o IAG, aludiría a una capacidad mucho más amplia de adquirir y transferir habilidades entre dominios. La frontera es objeto de debate y depende de qué tareas, recursos y grados de transferencia se exijan.

AlphaGo ilustra la diferencia. El artículo de Nature sobre el sistema documentó una combinación de redes de políticas y de valor con búsqueda en árboles, capaz de vencer al campeón europeo de Go por 5‑0. Era un logro extraordinario dentro de un juego con reglas, acciones y objetivo definidos. La superioridad en ese entorno no implica que el mismo sistema pueda conducir un coche, diagnosticar una enfermedad o aprender otro juego sin rediseño.

La amplitud aparente tampoco basta. Una interfaz de lenguaje puede aceptar peticiones sobre programación, historia y cocina, pero el inventario de temas no revela por sí solo cómo cambia ante una tarea inédita, cuántos ejemplos necesita ni qué fallos comparte entre dominios. En On the Measure of Intelligence, François Chollet propone medir la eficiencia con la que un sistema adquiere habilidades nuevas teniendo en cuenta experiencia y conocimientos previos. Es una propuesta concreta, no la definición final de inteligencia, pero expone lo que una demostración fija oculta: cuánto trabajo hizo el sistema antes de ser evaluado.

No hay una escalera de reglas a consciencia

Una clasificación útil necesita varios ejes. El primero es el alcance: una tarea, una familia de tareas o transferencia a dominios nuevos. El segundo es la adaptación: reglas fijas, parámetros aprendidos, actualización durante el uso o aprendizaje posterior supervisado. El tercero es la autonomía: recomendar, decidir o actuar, y bajo qué supervisión. El cuarto es el entorno: digital, físico, estable o cambiante. El quinto son las consecuencias: qué ocurre cuando el sistema se equivoca.

Esos ejes no forman una escalera única. Un filtro estadístico puede aprender de datos y tener poco margen de acción. Un controlador basado en reglas puede actuar directamente sobre una máquina y exigir garantías estrictas. Un chatbot puede tratar muchos asuntos, pero depender de revisión humana para cualquier decisión con efectos reales. La arquitectura —árboles, redes neuronales, modelos generativos— explica parte del mecanismo; no determina por sí sola alcance, autonomía ni riesgo.

También hay que separar rendimiento y generalidad. Superar a personas en una prueba estrecha demuestra el resultado bajo las condiciones de esa prueba. Para sostener una afirmación más amplia hacen falta conjuntos no vistos, tareas diferentes, variaciones controladas, costes comparables y un protocolo que impida adaptar el sistema al examen. El nombre del producto o una conversación impresionante no sustituyen esa evidencia.

Cómo definen los sistemas las instituciones

Las definiciones operativas actuales evitan resolver primero la cuestión filosófica. La definición actualizada de la OCDE, aprobada en noviembre de 2023, describe un sistema basado en máquinas que infiere, a partir de las entradas que recibe y para objetivos explícitos o implícitos, cómo generar predicciones, contenido, recomendaciones o decisiones capaces de influir en entornos físicos o virtuales. El memorando explica además que los sistemas varían en autonomía y capacidad de adaptación tras el despliegue.

La OCDE acompaña esa definición con un marco de clasificación que examina personas y planeta, contexto económico, datos y entradas, modelo y tarea, y resultados e impactos. No coloca cada sistema en una caja metafísica; obliga a describir su contexto y sus efectos. Dos modelos técnicamente similares pueden requerir controles distintos si uno recomienda películas y otro influye en el acceso a un empleo.

El Reglamento de IA de la Unión Europea también define en su artículo 3 un sistema de IA por su funcionamiento basado en máquinas, sus grados de autonomía y adaptación, y la inferencia de salidas a partir de entradas. Después organiza obligaciones según usos y riesgos concretos. La definición jurídica cumple una finalidad regulatoria; no certifica que un sistema piense ni resuelve la discusión sobre IAG.

Un método para leer cualquier afirmación sobre IA

Ante «esta IA es más avanzada», la primera pregunta es: ¿en qué tarea? Hay que identificar la entrada, la salida, las condiciones y la métrica. La segunda: ¿contra qué comparación? Puede ser una versión anterior, otra herramienta, especialistas humanos o una línea base muy débil. La tercera: ¿qué se mantuvo fuera de la prueba? Un resultado en datos repetidos, un único idioma o un entorno simulado no autoriza una conclusión universal.

Después se separa aprendizaje de operación. ¿Los parámetros se entrenaron una vez o cambian durante el uso? ¿El sistema solo propone o ejecuta acciones? ¿Puede abstenerse? ¿Quién revisa? Por último se examina la consecuencia del error: una etiqueta equivocada en una foto no tiene el mismo coste que una recomendación clínica o una decisión laboral. Esa descripción permite elegir métricas, supervisión y vías de recurso sin depender de una etiqueta grandilocuente.

Las palabras «débil», «fuerte», «especializada» y «general» pueden servir si se define el sentido, pero no deben funcionar como certificados. La capacidad transferible es desmontar cualquier clasificación en cinco preguntas comprobables: alcance, adaptación, autonomía, evidencia y consecuencia. Así se puede reconocer una mejora real sin convertirla, por salto verbal, en una afirmación sobre inteligencia general o mente.