No, la IA no es inteligente: distinguir ratio de intellectus

Un modelo de lenguaje puede argumentar con fluidez a favor de una política pública controvertida y, segundos después, construir con igual soltura el argumento opuesto. En una persona, ese cambio revelaría flexibilidad intelectual, oficio retórico u oportunismo. En una máquina, la explicación es más directa: ha recibido una instrucción diferente. Ambos textos pueden estar bien construidos sin que ninguno nos diga realmente qué ha comprendido el sistema ni qué relación guarda con lo que afirma.

Esta capacidad de encadenar razones no es lo mismo que entender qué significan esas razones, por qué vienen al caso o hasta dónde permiten llegar. Tampoco es lo mismo que responder por las consecuencias de una afirmación. En la vida humana, estas operaciones suelen aparecer juntas y las reunimos bajo una sola palabra: inteligencia. Los sistemas actuales nos obligan a ser más cuidadosos en nuestro vocabulario.

La tradición aristotélica y escolástica ofrece herramientas para esta distinción: ratio e intellectus. Tomás de Aquino no las concebía como dos poderes separados, sino como dos operaciones de una misma facultad intelectual. La ratio avanza paso a paso, comparando, infiriendo y justificando. El intellectus capta una verdad sin recorrer una cadena de inferencias, ya sea como punto de partida o como conclusión de ese recorrido. En términos contemporáneos: podemos seguir una cadena de inferencias sin advertir por qué sus premisas son pertinentes, qué significa su conclusión o cuándo deja de aplicarse.

Aplicar esta distinción a la inteligencia artificial exige prudencia. Ratio e intellectus nombraban operaciones de la mente humana, no componentes de una máquina. La comparación es analógica, pero permite describir algo importante: un modelo puede ordenar información, completar argumentos, identificar relaciones y producir secuencias que tienen la forma de una inferencia. Su rendimiento discursivo extraordinario no basta para atribuirle inteligencia en sentido pleno. Ha automatizado una parte considerable de lo que hacemos al razonar; no por ello ha reproducido todo lo que queremos decir cuando hablamos de comprender.

Esta historia tiene antecedentes reveladores. En el siglo XVII, Hobbes escribió que razonar era calcular. En 1950, Alan Turing propuso dejar a un lado la pregunta ambigua "¿pueden pensar las máquinas?" y preguntar si un interrogador, basándose en una conversación escrita, podía distinguir a una máquina de una persona. El juego de imitación ofrecía un programa experimental fecundo, pero no demostraba que una buena actuación conversacional resolviera qué significa pensar. Tampoco la generación estadística de lenguaje es nueva. En 1913, Andréi Márkov analizó a mano las primeras 20.000 letras de Eugenio Oneguin de Pushkin para medir la dependencia entre vocales y consonantes sucesivas. Claude Shannon construyó en 1948 aproximaciones al inglés eligiendo letras o palabras según las frecuencias con que seguían a las anteriores. A medida que incorporaba más contexto, las secuencias adquirían cada vez más el aspecto del idioma, aunque no expresaban una intención comunicativa.

Los modelos actuales son incomparablemente más complejos. Dividen el texto en pequeñas unidades y calculan, a partir de un contexto muy amplio, cuál debería venir después. Para acertar, aprenden relaciones gramaticales, conceptuales y discursivas de enorme complejidad. Pueden continuar un argumento, escribir código o imitar un estilo. Sin embargo, el núcleo de su preentrenamiento consiste en anticipar una continuación plausible, no en comprobar que sea verdadera. El mismo sistema puede ofrecer una explicación correcta y una falsedad verosímil. La fluidez no ofrece un criterio para distinguir una de otra.

La diferencia se vuelve visible cuando una respuesta sale de la pantalla. En medicina, un sistema puede resumir una historia clínica o proponer diagnósticos posibles; corresponde al médico averiguar qué información falta, hablar con el paciente y responder por el tratamiento. En derecho, puede producir en segundos un borrador convincente, pero el abogado debe comprobar las fuentes, firmarlo y asumir sus consecuencias. En ciencia, puede sugerir una hipótesis; el investigador decide qué experimento distingue entre explicaciones rivales y qué conclusión autorizan realmente los datos. La máquina puede participar en la cadena de razonamiento, pero la comprensión y la responsabilidad no se transfieren con el texto.

Hay un riesgo cultural más profundo: si atribuimos inteligencia a las máquinas exclusivamente por sus resultados, podemos terminar redefiniendo la inteligencia humana según aquello que ellas hacen mejor. Empresas, administraciones y medios tienen incentivos para premiar velocidad, volumen y corrección formal. En ese marco, el tiempo dedicado a deliberar, contrastar una fuente, reconocer la incertidumbre o revisar una convicción puede parecer improductivo. Una sociedad que mide la inteligencia solo por el rendimiento termina empobreciendo el juicio que necesita para decidir qué hacer con ese rendimiento. Los modelos actuales no han demostrado que comprendan. Su conducta muestra que han aprendido regularidades extraordinariamente ricas, pero una respuesta correcta no prueba por sí sola que el sistema capte por qué lo es. Son instrumentos formidables de ratio, pero no han mostrado poseer intellectus.